Réamhrá ar Document AI
Ar an leathanach seo
Nuashonraithe an 2 Samhain, 2026 — OCR. Cuireadh deireadh le OCR 4.0 (
mistral-ocr-4-0) an 30 Meán Fómhair, 2026. Bain úsáid as OCR 4.1 (mistral-ocr-4-1), atá ar fáil go ginearálta ón 31 Lúnasa ar an bpraghas céanna, nó an t-ailiasmistral-ocr-latest, a dhíríonn air ón 16 Iúil. Cuirtear scóir muiníne ar leibhéal na mbloc leis an OCR 4.1.
Cén fáth a n-athraíonn Document AI an cluiche
Gach maidin, faigheann cuideachta árachais na céadta foirmeach éilimh: doiciméid scanáilte claonta ag uillinneacha aisteacha, tuarascálacha lámhscríofa líonta le peann, agus grianghraif d’fháltais tógtha ar ghuthán. Tá an fhadhb chéanna ag bainc le ráitis, ag ospidéil le taifid othar, agus ag gníomhaireachtaí rialtais le foirmeacha. Le deichmblianta, tá optúil-aithint charachtair thraidisiúnta (OCR) tar éis iarracht a dhéanamh an fhadhb seo a réiteach, go minic le torthaí díomách a luaithe a éiríonn leaganacha amach casta, a bhíonn lámhscríbhneoireacht i gceist, nó a mheascann doiciméid teangacha iolracha.
Thóg Mistral AI Document AI chus an cineál srutha oibre seo a láimhseáil go díreach. Ní inneall OCR eile atá ann: cumascann an réiteach samhlacha teanga físe (VLM) speisialaithe le hacmhainní eastóscadh struchtúrtha agus cliste doiciméad. Le focail eile, ní léann sé carachtair amháin; athchruthaíonn sé an doiciméad mar atá sé eagraithe agus ligeann duit fiosrú a dhéanamh air ina dhiaidh sin.
Na Trí Sheirbhís Document AI
Braitheann Document AI ar thrí sheirbhís chomhlántacha, ar fad inrochtana trí API Mistral. Cabhraíonn sé tuiscint a fháil ar conas a shlabhraíonn siad le chéile ón tús.
Is é an chéad cheann, an Próiseálaí OCR, croí an chórais. Baineann an tsamhail mistral-ocr-latest (OCR 4) téacs as doiciméid scanáilte, PDFanna, íomhánna, agus cur i láthair. Áit a dtugann OCR clasaiceach cosúil le Tesseract meascán mearaí de línte duit, caomhnaíonn an tsamhail seo an struchtúr: ceanntáisc, míreanna, táblaí, liostaí, agus hipearnascanna. Tóg an fhoirm éilimh árachais sin arís: faigheann tú an fhoirm ar ais lena cuid ranna aitheanta, seachas bloc téacs a chaithfidh tú a dhíthiomáint.
Glacann an dara seirbhís, Anótálacha Doiciméad, seilbh chun sonraí inghníomhaithe a eastóscadh. Sainíonn tú scéama Pydantic—ainm an othair, méid an fháltais, clásail chonartha—agus líonann an tsamhail na réimsí seo go huathoibríoch. Bogann tú ó théacs inléite go luachanna clóscríofa is féidir le córas faisnéise a ionghabháil.
Ceanglaíonn an tríú ceann, Ceisteanna agus Freagraí Doiciméad (Document QnA), OCR le LLM Mistral chun ligean duit ceisteanna a chur i ngnáththeanga faoin ábhar. Seo an rud a ligeann do dhlíodóir fiafraí, “Cé an tréimhse fógra don fhoirceannadh?” in ionad daichead leathanach a léamh arís. Is é freisin an bealach nádúrtha chun rochtain a fháil ar chartlanna móra nó tuarascálacha a chur i gcomparáid.
OCR Traidisiúnta vs. Document AI
Oibríonn OCR traidisiúnta, cibé an Tesseract é nó Adobe Acrobat, trí phatrúin a aithint picteilín ar phicteilín. Oibríonn an prionsabal sin go maith ar leathanach priontáilte géar, ach titann sé as a chéile a luaithe a théann tú taobh amuigh den chás idéalach sin. Cruthaíonn nuachtán le colúin iolracha, ceanntáisc neadaithe, agus barraí taobh maisithe téacs nach bhfuil ciall ar bith leis an ord léitheoireachta ann a thuilleadh. Fanann nótaí lámhscríofa dochtúra nó foirmeacha líonta de láimh doiléir dó. Caillíonn táblaí le cealla cumaiscthe, teorainneacha in easnamh, nó ailínithe neamhrialta gach gaol idir colúin agus sraitheanna. Cuir doiciméad leis a mheascann scripteanna Laidine, Araibise, agus Áiseacha, nó scanadh torannach, claonta, doiléir, agus éiríonn an ráta earráide ró-ard.
Tógann Document AI ar samhail físe feabhsaithe (VLM) a thuigeann seimeitic doiciméad. Ní aithníonn sé carachtair amháin: tuigeann sé struchtúr, comhthéacs, agus caidrimh idir eilimintí. Míneoidh an difríocht bhunúsach seo sa nádúr, ní hamháin gnóthachan simplí cruinnis, a thorthaí ar chásanna deacra.
Aschur Markdown Struchtúrtha
Difríocht mhór eile: táirgeann Document AI Markdown struchtúrtha, ní gnáth-théacs. Tugtar gach leathanach ar ais lena ábhar téacsach clibeáilte—ceanntáisc, liostaí, míreanna—a chuid táblaí formáidithe i Markdown nó HTML, íomhánna eastósctha lena bpostúin ag gabháil leo, hipearnascanna caomhnaithe, agus, más mian leat, ceanntáisc agus buntáisc ar leithligh ón gcorp. Tá an t-aschur seo réidh le húsáid: is féidir leat é a innéacsú i mbunachar sonraí veicteora le haghaidh RAG, é a chartlannú, nó é a thaispeáint mar atá sé, gan céim ghlanadh idirmheánach.
Ar an taobh ionchuir, cumhdaíonn an tseirbhís PDFanna (scanáilte agus dúchasacha), íomhánna PNG, JPEG, agus AVIF, cur i láthair PPTX, agus doiciméid DOCX. Is é 50 MB an méid comhaid uasta, le teorainn 1,000 leathanach—dhá theorainn le coinneáil i gcuimhne agus tú ag roinnt do bhaisceanna.
Cad a Fhoghlaimeoidh Tú
Leanann an cúrsa ord na dtrí sheirbhís. Clúdaíonn ceachtanna 1 go 3 an forbhreathnú, an tsamhail OCR 4, agus cásanna úsáide. Déanann ceachtanna 4 go 8 dul níos doimhne isteach in OCR: an API, cód Python, táblaí, ceanntáisc agus buntáisc, agus barrfheabhsú cruinnis. Déanann ceachtanna 9 go 12 plé le hanótálacha, ó eastóscadh meiteashonraí go próiseáil baisce. Déanann ceachtanna 13 go 16 dul i ngleic le ceisteanna agus freagraí doiciméad, ó dhoiciméid aonair go socruithe il-doiciméad, trí chomhtháthú RAG agus píblínte táirgeachta.
Príomhphointí
- Cumascann Document AI OCR, anótálacha struchtúrtha, agus Ceisteanna & Freagraí i réiteach amháin
- Sáraíonn an tsamhail OCR 4 réitigh OCR thraidisiúnta go mór maidir le cruinneas agus solúbthacht
- Déanann aschur Markdown struchtúrtha comhtháthú i do phíblínte atá ann cheana féin éasca
- Clúdaíonn trí sheirbhís chomhlántacha timthriall iomlán an doiciméid