Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Mistrali OCR-mudel (OCR 4)

Õppetund 2 / 16 Värskendatud 2. november 2026 Arendajatele
Sellel lehel
  1. Dokumendist ekstraheerimiseks spetsialiseeritud VLM
  2. Mootoriruumis
  3. Väljund, leht lehelt
  4. Alternatiividega võrdlemine
  5. Üks identifikaator, mida meeles pidada
  6. Peamised punktid

Uuendatud 2. novembril 2026 – OCR. OCR 4.0 (mistral-ocr-4-0) võeti kasutusest maha 30. septembril 2026. Kasuta **OCR 4.1**-t (mistral-ocr-4-1), mis on olnud üldkasutatav alates 31. augustist sama hinnaga, või aliast mistral-ocr-latest`, mis on sellele viidanud alates 16. juulist. OCR 4.1 lisab plokitasemel usaldusväärsuse hinnangud.

Dokumendist ekstraheerimiseks spetsialiseeritud VLM

Kui kirjutad oma koodi mistral-ocr-latest, suunad päringu Mistrali uusimale OCR-põlvkonnale: OCR 4, mis on OCR 3 järeltulija. Tegemist on nägemiskeele mudeliga (VLM), mis on häälestatud eranditult teksti ekstraheerimiseks dokumentidest. See spetsialiseerumine mõjutab otseselt nii sinu arvet kui ka tulemusi: erinevalt üldotstarbelisest mudelist, mis püüab teha kõike, on OCR 4 optimeeritud üheks ülesandeks, pakkudes suuremat täpsust madalama hinnaga.

Seda uut põlvkonda eristavad OCR 3-st kaks struktuurset edusammu. Lõigutasemel piirjooned määratlevad täpselt iga tuvastatud ploki asukoha lehel: sa tead mitte ainult seda, mis on kirjutatud, vaid ka kus. Ja struktuursed plokid taastavad dokumendi tüübitud struktuurina, mitte lihttekstina, säästes sind vajadusest leiutada parserit aruande hierarhia taastamiseks.

Mootoriruumis

Arhitektuur tugineb põimitud tokeniseerimisele: mudel töötleb teksti- ja visuaalseid tokeneid samaaegselt. Konkreetsemalt öeldes ei loe see üksikuid tähemärke ja püüa seejärel arvata nende paigutust; see näeb tervet lehte ja mõtleb selle üle. See võimaldab mudelil mõista, et dokument on jaotatud kahte veergu, et alapealkiri reguleerib sellele järgnevaid lõike või et allkiri seostub ülaloleva pildiga.

OCR 4 kuulub Mistral AI Premier-tasemele. Ettevõtluses kasutamisel tähendab see kõrget kättesaadavust La Plateforme API kaudu, regulaarseid uuendusi, mida rakendatakse teenust katkestamata, ning võimalust sõlmida ettevõtte SLA, kui dokumenditöötlus on sinu äri jaoks kriitilise tähtsusega.

Keelte tugi hõlmab üle viiekümne keele. See katab ladina kirja (prantsuse, inglise, hispaania, saksa, itaalia, portugali), Aasia keeled (hiina, jaapani, korea), paremalt vasakule kirjutatavad keeled (araabia, heebrea) ning kirillitsa (vene, ukraina). Praktikas sageli otsustav punkt: käsikirja tuntakse ära kõigis nendes keeltes, mis avab võimaluse käsitsi täidetud vormide töötlemiseks.

Väljund, leht lehelt

Iga töödeldud lehe kohta tagastab OCR 4 JSON-objekti, kus igapäevatöös kasutad peamiselt kahte või kolme välja:

{
    "index": 0,              # Lehe number (0-indeksiga)
    "markdown": "## Pealkiri\n\nSisu...",  # Tekst Markdown-formaadis
    "images": [...],         # Ekstraheeritud pildid (base64 valikuline)
    "tables": [...],         # Tuvastatud tabelid
    "hyperlinks": [...],     # Säilitatud hüperlingid
    "header": "Päis",      # Lehe päis (valikuline)
    "footer": "Jalus",      # Lehe jalus (valikuline)
    "dimensions": {          # Lehe mõõtmed
        "width": 612,
        "height": 792
    }
}

Väli markdown kannab suuremat osa sisust. Tabelite renderdamist selles Markdownis juhib parameeter table_format, mis aktsepteerib kolme väärtust:

  • null (vaikimisi): tabelid Markdowni sees reasisestena
  • "markdown": tabelid standardses Markdown-formaadis torumärkidega |
  • "html": tabelid täielikus HTML-is siltidega <table>, <tr>, <td>

Pildid segmenteeritakse automaatselt. Lubades valiku include_image_base64=True, saad iga illustratsiooni base64-kodeeringus, valmis salvestamiseks kettaga või taasmanustamiseks rekonstrueeritud dokumenti. Ilma selle valikuta saad ainult viited, mis kergendab vastust oluliselt, kui töötlead ainult teksti.

Alternatiividega võrdlemine

Võrreldes Tesseractiga on erinevus näha juba esimesel mitte-triviaalsel dokumendil. Tesseract toimib korralikult lihtsa trükitud tekstiga, kuid tal puudub igasugune arusaam tabelistruktuurist, ta komistab käsikirja otsa, ajab mitmeveergulises paigutuses lugemisjärjekorra segamini ja halveneb järsult halva kvaliteediga skannide puhul. OCR 4, kuna ta näeb lehte, rekonstrueerib selle semantilise struktuuri.

Võrdlus üldotstarbeliste mudelitega – Pixtral, GPT, Gemini – mängib välja mujal. Need mudelid suudavad dokumenti töödelda, kuid pildid tarbivad tohutult palju tokeneid, mis mahude kasvades koormust oluliselt suurendab. Need ei ole optimeeritud ekstraheerimise täpsusele ja hallutsineerivad kergemini numbrite ja tabelite puhul, täpselt seal, kus vead maksavad kõige rohkem: väljamõeldud arve summat ei pruugi ülevaatamisel märgata. OCR 4 on häälestatud täpsusele, mitte genereerimisele.

Võrdlustestides positsioneerib OCR 4 ennast API kaudu kättesaadavatest kõige täpsema OCR-mudelina, pakkudes peaaegu täiuslikku täpsust trükitud teksti ekstraheerimisel, tabelistruktuuride ustavat rekonstrueerimist, kõrgekvaliteedilist mitmekeelset käsikirja äratundmist ja tugevaid tulemusi keerulises paigutuses, mis segab veerge, külgribasid ja manustatud graafikat.

Üks identifikaator, mida meeles pidada

Kõigis oma API-päringutes kasutad seda identifikaatorit:

model = "mistral-ocr-latest"

See viib alati uusimale stabiilsele mudeliversioonile ja uuendused on läbipaistvad ning tagasiühilduvad. Pane vastu kiusatusele lukustada oma koodi kuupäevaga versioon: ilma stabiilsust võitmata jätaksid end ilma parendustest.

Peamised punktid

  • OCR 4 on häälestatud VLM, mitte klassikaline mustrituvastuse OCR
  • See toodab struktureeritud Markdowni leht lehelt koos piltide, tabelite ja metaandmetega
  • Mitmekeelne tugi hõlmab üle 50 keele, kaasa arvatud käsikiri
  • See ületab klassikalisi OCR-e ja üldotstarbelisi mudeleid ekstraheerimise täpsuses
  • Identifikaator mistral-ocr-latest garanteerib juurdepääsu uusimale versioonile