Múnla OCR Mistral (OCR 4)
Ar an leathanach seo
Nuashonraithe an 2 Samhain, 2026 — OCR. Cuireadh deireadh le hOCR 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 ag an bpraghas céanna, nó an t-ailiasmistral-ocr-latest, a dhíríonn air ón 16 Iúil. Cuireann OCR 4.1 scóir muiníne ar leibhéal na mbloc leis.
VLM Speisialaithe d’Eastóscadh Doiciméad
Nuair a scríobhann tú mistral-ocr-latest i do chód, tá tú ag díriú ar an nginiúint OCR is déanaí ó Mistral: OCR 4, an leantóir ar OCR 3. Is múnla teanga físe (VLM) é seo a fine-tuneáladh go heisiach chun téacs a eastóscadh as doiciméid. Bíonn tionchar díreach ag an speisialtóireacht seo ar do bhille agus ar do thorthaí: murab ionann agus múnla gach cuspóra a dhéanann iarracht gach rud a dhéanamh, tá OCR 4 optamaithe d’aon tasc amháin, rud a sholáthraíonn cruinneas níos airde ar chostas níos ísle.
Sainíonn dhá chur chun cinn struchtúrtha an ghiniúint nua seo i gcomparáid le OCR 3. Boscaí teorann ar leibhéal na míreanna a aimsíonn go beacht gach bloc a aithnítear ar an leathanach: tá a fhios agat ní hamháin cad atá scríofa, ach cá bhfuil sé. Agus athchuireann bloic struchtúracha an doiciméad mar struchtúr clóscríofa seachas gnáth-théacs, rud a shábhálann duit ó pharsálaí a athchruthú chun ordlathas tuarascála a aisghabháil.
Faoi Choinneal
Braitheann an ailtireacht ar thokenú idirghabhálach: próiseálann an múnla token téacs agus token físe ag an am céanna. Go sonrach, ní léann sé carachtair aonair agus ansin iarracht a dhéanamh a socrú a thuar; feiceann sé an leathanach iomlán agus déanann sé réasúnaíocht air. Ligeann sé seo dó a thuiscint go bhfuil doiciméad eagraithe i dhá cholún, go rialaíonn fo-cheannteideal na míreanna ina dhiaidh, nó go mbaineann fotheideal leis an íomhá os a chionn.
Is cuid de shraith Premier Mistral AI é OCR 4. Maidir le húsáid fiontair, ciallaíonn sé seo ard-infhaighteacht trí API La Plateforme, nuashonruithe rialta a chuirtear i bhfeidhm gan briseadh seirbhíse, agus an rogha liostú le SLA fiontair nuair atá próiseáil doiciméad ar bhealach criticiúil do ghnó.
Sáraíonn an tacaíocht teangacha caoga teanga. Clúdaíonn sé scripteanna Laidineacha—Fraincis, Béarla, Spáinnis, Gearmáinis, Iodáilis, Portaingéilis—teangacha Áiseacha cosúil le Sínis, Seapáinis agus Cóiréis, scripteanna ó dheas go clé ar nós Araibis agus Eabhrais, agus Coireallis don Rúisis agus don Úcráinis. Pointe atá cinntitheach go minic sa chleachtas: aithnítear lámhscríbhinn sna teangacha seo go léir, rud a osclaíonn próiseáil foirmeacha a líontar de láimh.
Aschur, Leathanach ar Leathanach
Do gach leathanach a phróiseáiltear, filleann OCR 4 oibiacht JSON ina n-úsáidfidh tú dhá nó trí réimse go príomha in oibríochtaí laethúla:
{
"index": 0, # Page number (0-indexed)
"markdown": "## Title\n\nContent...", # Text in Markdown
"images": [...], # Extracted images (base64 optional)
"tables": [...], # Detected tables
"hyperlinks": [...], # Preserved hyperlinks
"header": "Header", # Page header (optional)
"footer": "Footer", # Page footer (optional)
"dimensions": { # Page dimensions
"width": 612,
"height": 792
}
}
Iompraíonn an réimse markdown an chuid is mó den ábhar. Rialaítear táblaí a thabhairt le chéile laistigh den Markdown seo leis an bparaiméadar table_format, a ghlacann trí luach:
null(réamhshocraithe): táblaí inline laistigh den Markdown"markdown": táblaí i bhformáid chaighdeánach Markdown le píobáin|"html": táblaí in HTML iomlán le clibeanna<table>,<tr>,<td>
Déantar íomhánna a dheighilt go huathoibríoch. Tríd an rogha include_image_base64=True a chumasú, faigheann tú gach léaráid ionchódaithe i mbonn64, réidh le sábháil ar an diosca nó le hath-instealladh i ndoiciméad athchruthaithe. Gan an rogha seo, ní faigheann tú ach tagairtí, rud a éascaíonn an freagra go mór nuair a bhíonn tú ag próiseáil téacs amháin.
Ag Cur i gComparáid le Roghanna Eile
I gcomparáid le Tesseract, tá an difríocht le feiceáil ón gcéad doiciméad nach bhfuil simplí. Feidhmíonn Tesseract go measartha maith ar théacs clóite simplí, ach easnaíonn aon tuiscint air ar struchtúr táblach, tuilleann sé ar lámhscríbhinn, meascann sé ord léitheoireachta i leaganacha amach ilcholún, agus téann sé in olcas go géar ar scanadh droch-chaighdeáin. Toisc go bhfeiceann OCR 4 an leathanach, athchruthaíonn sé a struchtúr shéimeantach.
Imríonn an chomparáid le múnlaí gach cuspóra—Pixtral, GPT, Gemini—amhail eile. Is féidir leis na múnlaí seo doiciméad a phróiseáil, ach itheann íomhánna líon ollmhór token, rud a chuireann ualach mór air de réir mar a mhéadaíonn an toirt. Níl siad optamaithe do dhílseacht eastóscadh agus bíonn siad níos claonta hallúcináid a dhéanamh ar uimhreacha agus ar tháblaí, go díreach san áit a gcostaíonn earráidí an méid is mó: ní ghabhfar méid bréagach ar fhature le linn athbhreithnithe. Tá OCR 4 fine-tuned don dílseacht, ní don ghiniúint.
Ar thástálacha tagartha, seasann OCR 4 amach mar an múnla OCR is cruinne atá ar fáil trí API, le cruinneas beagnach foirfe ar eastóscadh téacs clóite, athchruthú dílis ar struchtúir thábla, aitheantas ardchaighdeáin ar lámhscríbhinn ilteangach, agus torthaí láidre ar leaganacha amach casta a mheascann colúin, barraí taobh, agus grafaicí leabaithe.
Aitheantóir Amháin le Cuimhneamh Air
I ngach glaonna API a dhéanann tú, úsáidfidh tú an t-aitheantóir seo:
model = "mistral-ocr-latest"
Díríonn sé i gcónaí ar an leagan is déanaí cobhsaí den mhúnla, agus tá nuashonruithe trédhearcach agus comhoiriúnach siar. Seas in aghaidh an tsedúcht leagan dáta a phionnú i do chód: dhéanfá dochar duit féin trí leasuithe a chailleadh gan cobhsaíocht a ghnóthú.
Príomhphointí
- Is VLM fine-tuned é OCR 4, ní OCR aitheantais patrún clasaiceach
- Táirgeann sé Markdown struchtúrtha leathanach ar leathanach le híomhánna, táblaí agus meiteashonraí
- Clúdaíonn tacaíocht ilteangach 50+ teanga, lámhscríbhinn san áireamh
- Sáraíonn sé OCRanna clasaiceacha agus múnlaí gach cuspóra i gcruinneas eastóscadh
- Ráthaíonn an t-aitheantóir
mistral-ocr-latestrochtain ar an leagan is déanaí