Ceisteanna agus Freagraí ar Ilmhaisc
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. Forlíonadh an 3 Samhain, 2026: Seoltar PDF áitiúil i mbonn64 mar{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; níl an cineáldocument_base64ó shamplaí níos sine le fáil sa doiciméadú ná san SDKmistralai, agus theipfeadh ar na samplaí sin. Foinse: OCR Processor · Document QnA. Ceartaithe an 3 Samhain, 2026: Léigh an cód roimhe seopage.document_annotationleathanach ar leathanach; in SDK 3.7.0mistralai, is réimse aonair sa fhreagra é an nóta doiciméid (response.document_annotation), agus léitear nóta íomhá óimage.image_annotation.
Nuair a Shíneann an Freagra Thar Ilchomhad
I go leor cásanna gairmiúla, ní fhaightear an freagra ar cheist i ndoiciméad amháin. B’fhéidir gur gá duit conarthaí a chur i gcomparáid, faisnéis ó shonraisc a chros-thagairt le horduithe ceannaigh, nó sraith tuarascálacha a anailísiú. Tá trí straitéis ann, agus is é an cur chuige is fearr ná roghnú bunaithe ar an méid seachas léim díreach chuig an rogha is sofaisticiúla.
Gach Rud a Sheoladh i nGlao Amháin
Is é an modh is dírithe ná roinnt blocanna document_url a chruachadh sa teachtaireacht chéanna. Feiceann an tsamhail an dá chonradh taobh le taobh a chéile agus is féidir léi iad a chur i gcomparáid go fíor, rud nach féidir a dhéanamh le próiseáil leathanach ar leathanach. Aistrímid go mistral-large-latest anseo toisc go mbaineann comparáid le réasúnaíocht, ní hamháin léitheoireacht.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": (
"Compare the payment terms "
"of these two contracts."
)
},
{
"type": "document_url",
"document_url": "https://example.com/contract-A.pdf"
},
{
"type": "document_url",
"document_url": "https://example.com/contract-B.pdf"
}
]
}
]
)
print(response.choices[0].message.content)
Léirítear an teorainn go tapa: ní mór do shuim na ndoiciméad gan sárú ar fhuinneog chomhthéacs na samhla. Téann dhá bhróisiúr deich leathanach thart gan deacracht; ní théann dhá chomhaontú creatlaigh dhá chéad leathanach.
Eastóscadh agus Imscrúdú a Scaradh
I gcás méideanna móra, is é an straitéis a mholtair ná an dá chéim seo a dhíchúpláil. Cuirtear gach doiciméad tríd an OCR, coinnítear an Markdown a thagann as, agus ansin déanann tú an comhthéacs a sheoltar chuig an LLM a thógáil de láimh. Is é an tairbhe ná smacht: an gearradh go 5,000 carachtar atá le feiceáil sa sampla, ainm gach doiciméid a choinneáil mar cheannteideal alt, agus an teachtaireacht chórais a bhunaíonn ról cúntóra dhlíthiúil. Is tú a chinneann go beacht cad a théann isteach san fhuinneog chomhthéacs in ionad ligean dó tarlú go huathoibríoch.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def extract_text(url: str) -> str:
"""Extracts text from a document via OCR."""
response = client.ocr.process(
model="mistral-ocr-latest",
document={"type": "document_url", "document_url": url}
)
return "\n\n".join(p.markdown for p in response.pages)
# OCR extraction for each document
documents = {
"Contract A": extract_text("https://example.com/contract-A.pdf"),
"Contract B": extract_text("https://example.com/contract-B.pdf"),
"Contract C": extract_text("https://example.com/contract-C.pdf"),
}
# Build the prompt with context
context = "\n\n---\n\n".join(
f"## {name}\n\n{text[:5000]}" # Limit if necessary
for name, text in documents.items()
)
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": (
"You are a legal assistant. Analyze the "
"provided documents and answer questions."
)
},
{
"role": "user",
"content": (
f"Here are the documents:\n\n{context}\n\n"
f"Question: Which contract offers the best "
f"early termination conditions?"
)
}
]
)
Bogadh go dtí RAG Doiciméad
Thar roinnt dosaen doiciméad, ní bheidh aon fhuinneog chomhthéacs leordhóthanach. Caithfidh tú na pasáistí ábhartha amháin a sheoladh ansin, rud a éilíonn na téacsanna a scoilteadh, iad a veicteoriú le mistral-embed, agus cuardach a dhéanamh de réir cosúlachta ag am na ceiste. Coscaíonn scoilteadh le forluí 200 carachtar ar chailleadh brí i mír atá gearrtha ina dhá leath idir míreanna, agus cinneann top_k cé mhéad pas a bheidh ag gabháil leis an gceist sa deireadh.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def create_embeddings(text: str) -> list[float]:
"""Creates embeddings for a text."""
response = client.embeddings.create(
model="mistral-embed",
inputs=[text]
)
return response.data[0].embedding
def chunker(text: str, size: int = 1000, overlap: int = 200) -> list[str]:
"""Splits text into chunks with overlap."""
chunks = []
start = 0
while start < len(text):
end = start + size
chunk = text[start:end]
chunks.append(chunk)
start = end - overlap
return chunks
# Simplified RAG pipeline
def index_document(name: str, text: str) -> list[dict]:
"""Indexes a document for search."""
chunks = chunker(text)
index = []
for i, chunk in enumerate(chunks):
embedding = create_embeddings(chunk)
index.append({
"document": name,
"chunk_id": i,
"text": chunk,
"embedding": embedding
})
return index
def search(query: str, index: list[dict], top_k: int = 5) -> list[dict]:
"""Searches for the most relevant chunks."""
q_embedding = create_embeddings(query)
# Cosine similarity calculation
import numpy as np
scores = []
for item in index:
score = np.dot(q_embedding, item["embedding"])
scores.append((score, item))
scores.sort(key=lambda x: x[0], reverse=True)
return [item for _, item in scores[:top_k]]
Déanaimis achoimre ar an loighic roghnúcháin. Fanann iliomad doiciméad a sheoladh i nglao amháin gan sárú ó thaobh simplíochta de agus oibríonn sé go maith do dhá nó trí dhoiciméad ghearra. Soláthraíonn OCR ar leith agus Ceisteanna agus Freagraí ina dhiaidh sin solúbthacht agus tugann sé smacht duit ar an méid a sheoltar chuig an LLM, ar chostas beagán cód breise. Tá RAG Doiciméad níos troime le socrú ach éiríonn sé riachtanach de réir mar a fhásann an corpas, toisc gurb é an cur chuige amháin é a scálálann.
Sreabhad Oibre Comparáide End-to-End
Is féidir an dá theicníc a chomhcheangal: ní chuireann aon rud bac ort sonraí struchtúrtha a eastóscadh ar dtús trí nótaíocht, agus ansin na sonraí sin a thabhairt don LLM le haghaidh anailíse. Ar bhaisc sonraisc, laghdaítear gach doiciméad go trí réimse—díoltóir, méid, dáta—sula n-iarrann aon iarratas amháin ar an tsamhail treochtaí agus mínormáltachtaí a aithint. Éiríonn costas na dtócan neamhbhríoch, agus dírithe ar fhigiúirí a eastósctar go glan seachas téacs a léirmhínítear ar an toirt.
import os
from pydantic import BaseModel, Field
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
class InvoiceSummary(BaseModel):
vendor: str = Field(..., description="Vendor name")
amount_inc_tax: float = Field(..., description="Amount including tax")
date: str = Field(..., description="Date (YYYY-MM-DD)")
def compare_invoices(paths: list[str]) -> str:
"""Compares multiple invoices and returns an analysis."""
import base64
invoices = []
for path in paths:
with open(path, "rb") as f:
doc_b64 = base64.b64encode(f.read()).decode("utf-8")
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{doc_b64}"
},
document_annotation_format=response_format_from_pydantic_model(
InvoiceSummary
)
)
if response.document_annotation:
invoice = InvoiceSummary.model_validate_json(
response.document_annotation
)
invoices.append(invoice)
# Comparative analysis via LLM
summary = "\n".join(
f"- {f.vendor}: €{f.amount_inc_tax} ({f.date})"
for f in invoices
)
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "user",
"content": (
f"Here are {len(invoices)} invoices:\n{summary}\n\n"
f"Analyze trends and anomalies."
)
}
]
)
return response.choices[0].message.content
Príomhphointí
- Trí chur chuige le haghaidh Ceisteanna agus Freagraí ar ilmhaisc: inline, OCR ar leith, RAG
- Oibríonn an cur chuige inline do 2–3 doiciméad ghearra
- Tairgeann OCR ar leith + Ceisteanna agus Freagraí níos mó smachta ar thócaíní a úsáidtear
- Tá RAG riachtanach do chorpais mhóra (dosáin doiciméad)
- Comhcheangail nótaíocht struchtúrtha le Ceisteanna agus Freagraí le haghaidh anailísí cruinne