Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Mistralin OCR-malli (OCR 4)

Oppitunti 2 / 16 Päivitetty 2. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Asiakirjojen purkamiseen erikoistunut VLM
  2. Konepellin alla
  3. Tuloste, sivu kerrallaan
  4. Vaihtoehtojen kohtaaminen
  5. Yksi tunnistettava tunniste
  6. Keskeiset asiat

Päivitetty 2.11.2026 – OCR. OCR 4.0 (mistral-ocr-4-0) poistettiin käytöstä 30.9.2026. Käytä OCR 4.1 -mallia (mistral-ocr-4-1), joka on ollut yleisesti saatavilla 31.8. lähtien samaan hintaan, tai alias-tunnistetta mistral-ocr-latest, joka on viitannut siihen 16.7. lähtien. OCR 4.1 lisää luottamusluvut lohko tasolla.

Asiakirjojen purkamiseen erikoistunut VLM

Kun kirjoitat koodiisi mistral-ocr-latest, kohdistat pyyntösi Mistralin uusimpaan OCR-sukupolveen: OCR 4, joka seuraa OCR 3:a. Kyseessä on visuaalinen kielimalli (VLM), joka on hienosäädetty nimenomaan tekstin erottamiseen asiakirjoista. Tämä erikoistuminen vaikuttaa suoraan laskutukseesi ja tuloksiisi: toisin kuin yleiskäyttöinen malli, joka yrittää tehdä kaikkea, OCR 4 on optimoitu yhteen tehtävään tarjoten suuremman tarkkuuden pienemmillä kustannuksilla.

Kaksi rakenteellista edistysaskelta määrittelevät tämän uuden sukupolven verrattuna OCR 3:een. Kappale tason rajauslaatikot paikantavat jokaisen tunnistetun lohkon sivulla täsmällisesti: tiedät paitsi mitä on kirjoitettu, myös missä. Lisäksi rakenteelliset lohkot palauttavat asiakirjan tyypitettynä rakenteena pelkän tekstin sijaan, mikä säästää sinua kirjoittamasta jäsennintä raportin hierarkian uudelleenrakentamista varten.

Konepellin alla

Arkkitehtuuri perustuu limittäiseen tokenisointiin: malli käsittelee teksti- ja visuaalisia tokeneita samanaikaisesti. Konkreettisesti se ei lue eristettyjä merkkejä ja yritä arvata niiden järjestystä, vaan se näkee koko sivun ja päättelee sen perusteella. Tämä mahdollistaa sen, että malli ymmärtää asiakirjan olevan kahdessa sarakkeessa, että alaotsikko hallitsee sitä seuraavia kappaleita tai että kuvateksti liittyy yllä olevaan kuvaan.

OCR 4 kuuluu Mistral AI:n Premier-tasoon. Yrityskäytössä tämä tarkoittaa suurta saatavuutta La Plateforme -API:n kautta, säännöllisiä päivityksiä ilman palvelukatkoja ja mahdollisuutta tilata yritystason SLA-sopimus, kun asiakirjojen käsittely on liiketoimintasi kriittisessä polussa.

Kielituki kattaa yli viisikymmentä kieltä. Se sisältää latinalaiset kirjaimistot (ranska, englanti, espanja, saksa, italia, portugali), aasialaiset kielet (kiina, japani, korea), oikealta vasemmalle kirjoitettavat kirjaimistot (arabia, heprea) sekä kyrilliset kirjaimet (venäjä, ukraina). Käytännössä usein ratkaiseva seikka: käsinkirjoitus tunnistetaan kaikilla näillä kielillä, mikä avaa mahdollisuuden käsin täytettyjen lomakkeiden käsittelyyn.

Tuloste, sivu kerrallaan

Jokaiselle käsitellylle sivulle OCR 4 palauttaa JSON-objektin, jossa käytät päivittäisessä työssäsi ensisijaisesti kahta tai kolmea kenttää:

{
    "index": 0,              # Sivunumero (0-indeksöity)
    "markdown": "## Title\n\nContent...",  # Teksti Markdown-muodossa
    "images": [...],         # Erotetut kuvat (base64 valinnainen)
    "tables": [...],         # Havaitut taulukot
    "hyperlinks": [...],     # Säilytetyt hyperlinkit
    "header": "Header",      # Sivun yläotsake (valinnainen)
    "footer": "Footer",      # Sivun alatunniste (valinnainen)
    "dimensions": {          # Sivun mitat
        "width": 612,
        "height": 792
    }
}

markdown-kenttä sisältää suurimman osan sisällöstä. Taulukoiden renderöintiä tässä Markdownissa ohjataan table_format-parametrilla, joka hyväksyy kolme arvoa:

  • null (oletus): taulukot upotettuna Markdowniin
  • "markdown": taulukot standardissa Markdown-muodossa pystyviivoilla |
  • "html": taulukot täydellisenä HTML:nä tageilla <table>, <tr>, <td>

Kuvat segmentoidaan automaattisesti. Kun otat käyttöön option include_image_base64=True, saat jokaisen kuvituksen base64-koodattuna, valmiina tallennettavaksi levylle tai syötettäväksi uudelleen rakennettuun asiakirjaan. Ilman tätä optiota saat vain viittaukset, mikä keventää vastausta merkittävästi, kun käsittelet vain tekstiä.

Vaihtoehtojen kohtaaminen

Verrattuna Tesseractiin ero näkyy jo ensimmäisessä ei-triviaalissa asiakirjassa. Tesseract toimii kohtuullisesti yksinkertaisella painetulla tekstillä, mutta siltä puuttuu kaikki ymmärrys taulukkorakenteista, se kompastuu käsinkirjoitukseen, sekoittaa lukujärjestyksen monisarakkeisissa asetteluissa ja heikkenee jyrkästi huonolaatuisissa skannauksissa. OCR 4 näkee sivun ja rekonstruoi sen semanttisen rakenteen.

Vertailu yleiskäyttöisiin malleihin – Pixtral, GPT, Gemini – pelataan eri kentällä. Nämä mallit voivat käsitellä asiakirjan, mutta kuvat kuluttavat valtavia määriä tokeneita, mikä kuormittaa järjestelmää volyymin kasvaessa. Ne eivät ole optimoituja erottamisen uskollisuuteen ja hallusinoivat helpommin numeroita ja taulukoita, juuri siellä missä virheet maksavat eniten: keksitty laskun summa ei paljastu tarkistuksessa. OCR 4 on hienosäädetty uskollisuuteen, ei generointiin.

Benchmarkeissa OCR 4 asemoituu tarkimmaksi API:n kautta saatavilla olevaksi OCR-malliksi: lähes täydellinen tarkkuus painetun tekstin erottamisessa, taulukkorakenteiden uskollinen rekonstruktio, korkealaatuinen monikielinen käsinkirjoituksen tunnistus ja vahvat tulokset monimutkaisissa asetteluissa, joissa yhdistyvät sarakkeet, sivupalkit ja upotetut grafiikat.

Yksi tunnistettava tunniste

Käytä kaikissa API-kutsuissasi tätä tunnistetta:

model = "mistral-ocr-latest"

Se osoittaa aina viimeisimpään vakaaseen malliversioon, ja päivitykset ovat läpinäkyviä ja taaksepäin yhteensopivia. Vastusta kiusausta lukita koodiisi vanhentunut versio: riistäisit itseltäsi parannukset saamatta vastineeksi vakautta.

Keskeiset asiat

  • OCR 4 on hienosäädetty VLM, ei klassinen kuviontunnistus-OCR
  • Se tuottaa rakenteellista Markdownia sivu kerrallaan kuvineen, taulukoineen ja metatietoineen
  • Monikielituki kattaa yli 50 kieltä, käsinkirjoitus mukaan lukien
  • Se ylittää klassiset OCR:t ja yleiskäyttöiset mallit erottamisen tarkkuudessa
  • Tunniste mistral-ocr-latest takaa pääsyn viimeisimpään versioon