Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Mistralov OCR model (OCR 4)

Lekcija 2 od 16 Ažurirano 2. studenoga 2026. Programer
Na ovoj stranici
  1. VLM specijaliziran za ekstrakciju dokumenata
  2. Ispod haube
  3. Izlaz, stranica po stranica
  4. Suočavanje s alternativama
  5. Jedan identifikator za pamćenje
  6. Ključne točke

Ažurirano 2. studenoga 2026. — OCR. Verzija OCR 4.0 (mistral-ocr-4-0) povučena je iz upotrebe 30. rujna 2026. Koristi OCR 4.1 (mistral-ocr-4-1), koji je općenito dostupan od 31. kolovoza po istoj cijeni, ili alias mistral-ocr-latest, koji na njega pokazuje od 16. srpnja. OCR 4.1 dodaje ocjene pouzdanosti na razini blokova.

VLM specijaliziran za ekstrakciju dokumenata

Kada u svoj kod upišeš mistral-ocr-latest, ciljaš najnoviju generaciju Mistralovog OCR-a: OCR 4, nasljednika OCR-a 3. Riječ je o jezičnom vizualnom modelu (VLM) fino podešenom isključivo za ekstrakciju teksta iz dokumenata. Ova specijalizacija izravno utječe na tvoje troškove i rezultate: za razliku od modela opće namjene koji pokušava raditi sve, OCR 4 optimiziran je za jedan zadatak, isporučujući veću točnost uz niže troškove.

Dva strukturna napretka definiraju ovu novu generaciju u usporedbi s OCR-om 3. Okvirni okviri na razini odlomaka precizno lociraju svaki prepoznati blok na stranici: znaš ne samo što je napisano, već i gdje. A strukturni blokovi obnavljaju dokument kao tipiziranu strukturu, a ne kao običan tekst, štedeći ti trud ponovnog izmišljanja parsera za obnovu hijerarhije izvješća.

Ispod haube

Arhitektura se oslanja na isprepleteno tokeniziranje: model istovremeno obrađuje tekstualne i vizualne tokene. Konkretno, on ne čita izolirane znakove pa pokušava pogoditi njihov raspored; on vidi cijelu stranicu i rezonira o njoj. To mu omogućuje da shvati kako je dokument organiziran u dva stupca, da podnaslov upravlja odlomcima koji slijede ili da se opis odnosi na sliku iznad njega.

OCR 4 pripada Mistral AI-jevom Premier sloju. Za poslovnu implementaciju to znači visoku dostupnost putem La Plateforme API-ja, redovita ažuriranja koja se primjenjuju bez prekida usluge te mogućnost pretplate na poslovni SLA kada je obrada dokumenata na kritičnom putu tvog poslovanja.

Podrška za jezike obuhvaća više od pedeset jezika. Pokriva latinična pisma—francuski, engleski, španjolski, njemački, talijanski, portugalski—azijske jezike poput kineskog, japanskog i korejskog, pisma koja se čitaju zdesna nalijevo poput arapskog i hebrejskog te ćirilicu za ruski i ukrajinski. Često presudna točka u praksi: rukopis se prepoznaje na svim ovim jezicima, što otvara mogućnost obrade ručno popunjenih obrazaca.

Izlaz, stranica po stranica

Za svaku obrađenu stranicu, OCR 4 vraća JSON objekt u kojem ćeš u svakodnevnom radu prvenstveno koristiti dva ili tri polja:

{
    "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
    }
}

Polje markdown nosi najveći dio sadržaja. Prikaz tablica unutar ovog Markdowna kontrolira parametar table_format, koji prihvaća tri vrijednosti:

  • null (zadano): tablice ugrađene unutar Markdowna
  • "markdown": tablice u standardnom Markdown formatu s cijevima |
  • "html": tablice u punom HTML-u s oznakama <table>, <tr>, <td>

Slike se automatski segmentiraju. Omogućavanjem opcije include_image_base64=True dohvaćaš svaku ilustraciju kodiranu u base64, spremnu za spremanje na disk ili ponovno ubacivanje u rekonstruirani dokument. Bez ove opcije dobivaš samo reference, što značajno olakšava odgovor kada obrađuješ samo tekst.

Suočavanje s alternativama

U usporedbi s Tesseractom, razlika je vidljiva već na prvom netrivijalnom dokumentu. Tesseract pristojno radi na jednostavnom tiskanom tekstu, ali mu nedostaje bilo kakvo razumijevanje tablične strukture, posrće kod rukopisa, miješa redoslijed čitanja u rasporedima s više stupaca i naglo degradira na skenovima loše kvalitete. OCR 4, jer vidi stranicu, rekonstruira njezinu semantičku strukturu.

Usporedba s modelima opće namjene—Pixtral, GPT, Gemini—odvija se drugdje. Ti modeli mogu obraditi dokument, ali slike troše ogroman broj tokena, što jako opterećuje sustav kako volumen raste. Nisu optimizirani za vjernost ekstrakcije i lakše haluciniraju kod brojeva i tablica, upravo tamo gdje greške najviše koštaju: izmišljeni iznos na računu neće biti uhvaćen tijekom pregleda. OCR 4 fino je podešen za vjernost, a ne za generiranje.

Na mjerilima (benchmarkima), OCR 4 pozicionira se kao najtočniji OCR model dostupan putem API-ja, s gotovo savršenom točnošću ekstrakcije tiskanog teksta, vjernom rekonstrukcijom struktura tablica, visokokvalitetnim višejezičnim prepoznavanjem rukopisa i snažnim rezultatima na složenim rasporedima koji miješaju stupce, bočne trake i ugrađenu grafiku.

Jedan identifikator za pamćenje

U svim svojim API pozivima koristit ćeš ovaj identifikator:

model = "mistral-ocr-latest"

On uvijek pokazuje na najnoviju stabilnu verziju modela, a ažuriranja su transparentna i unatrag kompatibilna. Odupri se iskušenju da u kodu fiksiraš datiranu verziju: time bi se lišio poboljšanja, a ne bi dobio na stabilnosti.

Ključne točke

  • OCR 4 je fino podešeni VLM, a ne klasični OCR za prepoznavanje uzoraka
  • Proizvodi strukturirani Markdown stranica po stranicu sa slikama, tablicama i metapodacima
  • Višejezična podrška obuhvaća 50+ jezika, uključujući rukopis
  • Nadmašuje klasične OCR-ove i modele opće namjene u točnosti ekstrakcije
  • Identifikator mistral-ocr-latest jamči pristup najnovijoj verziji