Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

An API Anótála

Ceacht 9 as 16 Nuashonraithe 3 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Thar Aistrithe Téacs
  2. Dhá Leibhéal Anailíse
  3. Is é an Scéma Pydantic an Conradh
  4. Doiciméad Iomlán a Anótáil
  5. Cur Síos a Dhéanamh ar Amharceanna Ceann ar Cheann
  6. An tAistrithe a Threorú le Leid
  7. Príomhphointí

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-ailias mistral-ocr-latest, a dhíríonn air ón 16 Iúil. Cuirtear scóir muiníne ar leibhéal na mbloc leis an OCR 4.1. Forlíonadh ón 3 Samhain: Léigh an sampla roimhe seo page.document_annotation ar gach leathanach; in SDK mistralai 3.7.0, baineann an réimse seo leis an bhfreagra OCR (ocr_response.document_annotation), ach ní bhíonn ach an t-ábhar agus na híomhánna féin sna leathanaigh; léitear anótálacha íomhá ó image.image_annotation.

Thar Aistrithe Téacs

Tugann OCR téacs amh duit: dílis agus iomlán, ach gan idirdhealú. Faigheann tú Markdown, ní sonraí. Is é an chéad chéim eile atá ag na hanótálacha: baintear sonraí struchtúrtha as do dhoiciméid bunaithe ar scéma a shainíonn tú roimh ré. Déanann tú cur síos ar an rud atá uait, baineann an múnla amach go huathoibríoch é, agus faigheann d’iarratas réimsí tíopáilte in ionad balla téacs le parsáil le slonn rialta.

Dhá Leibhéal Anailíse

Déanann AI Doiciméad idirdhealú idir dhá chineál anótála bunaithe ar an scála a oibríonn siad air.

Díríonn anótálacha bosca teorann (bbox_annotation) ar na híomhánna agus na grafaicí a d’aonraigh OCR. Déanann an múnla radhairc próiseáil ar gach bosca teorann go leithleach chun cur síos a dhéanamh ar a ábhar. I dtuarascáil bhliantúil, ligeann an mheicníocht seo duit cur síos a dhéanamh ar chairteacha agus ar dhiagramaí, íomhánna a aicmiú (grianghraf, lógó, scéimre, graf), agus ábhar téacsúil a bhaint as íomhánna leabaithe—trí phíosa eolais nach ndéanann aistriú téacs caighdeánach ach dearmad go córasach orthu.

Tráchtálann anótálacha doiciméad (document_annotation) ar an gcomhad ina iomláine. Déanann an múnla anailís ar an Markdown a eastósadh in éineacht leis na chéad ocht n-íomhá, agus ansin filleann sé an rud a d’iarr tú: réimsí struchtúrtha cosúil le hainm, dáta, nó méid; cineál an doiciméid; achoimre ábhair; nó freagra ar cheist shonrach. Is é seo an uirlis le haghaidh próiseála mórchóir, an ceann a chuirfidh tú isteach i do shreafaí oibre sonraisc, foirmeacha, agus conarthaí.

Is é an Scéma Pydantic an Conradh

Braitheann anótálacha ar mhúnlaí Pydantic chun struchtúr an aschuir a shainiú. Éiríonn gach tréith ina réimse le baint amach, agus feidhmíonn a description mar threoir don mhúnla: tá an oiread tábhachta aige agus atá ag ainm an réimse féin.

from pydantic import BaseModel, Field
from typing import Optional

class InvoiceExtraction(BaseModel):
    vendor: str = Field(..., description="Vendor name")
    invoice_number: str = Field(..., description="Invoice number")
    issue_date: str = Field(..., description="Issue date (YYYY-MM-DD)")
    amount_excl_tax: float = Field(..., description="Amount excluding tax")
    amount_incl_tax: float = Field(..., description="Amount including tax")
    currency: str = Field(default="EUR", description="Currency (ISO code)")

Doiciméad Iomlán a Anótáil

Fanann an glao mar an gcéanna le haghaidh OCR: ní chuireann tú ach an paraiméadar document_annotation_format leis, líonta ag response_format_from_pydantic_model(), a aistríonn do mhúnla go scéma is féidir leis an API a úsáid. Ag filleadh, tagann an anótáil mar shreang JSON, a ndéanann tú athbhailíochtú uirthi le Pydantic chun réad Python sábháilte a fháil.

import os
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model
from pydantic import BaseModel, Field

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

class InvoiceExtraction(BaseModel):
    vendor: str = Field(..., description="Vendor name")
    invoice_number: str = Field(..., description="Invoice number")
    issue_date: str = Field(..., description="Issue date (YYYY-MM-DD)")
    amount_excl_tax: float = Field(..., description="Amount excluding tax")
    amount_incl_tax: float = Field(..., description="Amount including tax")

ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://example.com/invoice.pdf"
    },
    document_annotation_format=response_format_from_pydantic_model(
        InvoiceExtraction
    )
)

# Iompraítear an anótáil doiciméid ag an bhfreagra, ní ag gach leathanach
if ocr_response.document_annotation:
    invoice = InvoiceExtraction.model_validate_json(
        ocr_response.document_annotation
    )
    print(f"Vendor: {invoice.vendor}")
    print(f"Amount incl. tax: {invoice.amount_incl_tax}")

Cur Síos a Dhéanamh ar Amharceanna Ceann ar Cheann

Maidir le híomhánna, tá an prionsabal comhionann ach athraíonn an paraiméadar, agus léitear torthaí ó page.images seachas ón leathanach féin. Tabhair faoi deara include_image_base64=True: gan é, cailleann tú na hamharceanna a rinne an múnla cur síos orthu díreach.

from pydantic import BaseModel, Field
from mistralai.extra import response_format_from_pydantic_model

class ImageDescription(BaseModel):
    image_type: str = Field(
        ..., description="Type: graph, table, photo, logo, schematic"
    )
    description: str = Field(
        ..., description="Short description of the image in English"
    )
    relevant_content: str = Field(
        ..., description="Summary of the informative content of the image"
    )

ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://example.com/report.pdf"
    },
    bbox_annotation_format=response_format_from_pydantic_model(
        ImageDescription
    ),
    include_image_base64=True
)

# Rochtain ar anótálacha íomhá
for page in ocr_response.pages:
    for image in page.images:
        if image.image_annotation:
            desc = ImageDescription.model_validate_json(image.image_annotation)
            print(f"Image {image.id}: {desc.image_type}")
            print(f"  Description: {desc.description}")

Ní chuireann aon rud ort roghnú idir an dá cheann: ar thuairisc léirithe, ba mhaith leat de ghnáth an dá chuid, meiteashonraí an doiciméid agus cur síos ar a chairteacha, rud a chlúdaíonn glao amháin trí dhá fhormáid a rith.

ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://example.com/report.pdf"
    },
    bbox_annotation_format=response_format_from_pydantic_model(
        ImageDescription
    ),
    document_annotation_format=response_format_from_pydantic_model(
        InvoiceExtraction
    ),
    include_image_base64=True
)

An tAistrithe a Threorú le Leid

Déanann scéma cur síos ar an gcruth a bhfuiltear ag súil leis, ní ar chomhthéacs an doiciméid. Nuair a bhíonn do réimsí débhríoch—dátaí iolracha, méideanna iolracha, dhá rannán cosúil—cabhraíonn document_annotation_prompt leis an amhras a réiteach trí insint don mhúnla faoi nádúr an doiciméid agus cad ba chóir a thosaíocht a thabhairt dó. Ar chonradh tráchtála Francach, minic a dhéanann an mhír frámaíochta seo an difríocht idir aistriú inúsáidte agus líonadh neamhchinnte.

ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://example.com/contract.pdf"
    },
    document_annotation_format=response_format_from_pydantic_model(
        ContractExtraction
    ),
    document_annotation_prompt=(
        "This document is a French commercial contract. "
        "Extract information about the contracting parties, "
        "the contract duration, and the main clauses."
    )
)

Príomhphointí

  • Dhá chineál anótála: bbox_annotation d’íomhánna, document_annotation don doiciméad iomlán
  • Sainíonn scéamaí Pydantic struchtúr na sonraí le baint amach
  • Bain úsáid as response_format_from_pydantic_model() chun an scéma a thiontú
  • Treoraíonn an document_annotation_prompt an t-aistriú le treoracha comhthéacsúla
  • Is féidir an dá chineál a chomhcheangal i nglao amháin