A Mistral OCR-modellje (OCR 4)
Ezen az oldalon
Frissítve: 2026. november 2. — OCR. Az OCR 4.0 (
mistral-ocr-4-0) modell támogatása 2026. szeptember 30-án megszűnt. Használd az OCR 4.1 (mistral-ocr-4-1) verziót, amely augusztus 31. óta általánosan elérhető ugyanazon az áron, vagy amistral-ocr-latestaliast, amely július 16. óta erre mutat. Az OCR 4.1 blokk szintű megbízhatósági pontszámokat is biztosít.
Dokumentumkinyerésre specializálódott VLM
Amikor a kódodban a mistral-ocr-latest kifejezést használod, a Mistral legfrissebb OCR-generációját, az OCR 4-et célozod meg, amely az OCR 3 utódja. Ez egy kifejezetten dokumentumok szövegének kinyerésére finomhangolt látási nyelvi modell (VLM). Ez a specializáció közvetlenül befolyásolja a számládat és az eredményeidet: ellentétben az általános célú modellekkel, amelyek mindent megpróbálnak csinálni, az OCR 4 egyetlen feladatra van optimalizálva, így nagyobb pontosságot biztosít alacsonyabb költségen.
Két strukturális újítás határozza meg ezt az új generációt az OCR 3-hoz képest. A bekezdés szintű határoló dobozok pontosan lokalizálják a felismert összes blokkot az oldalon: nemcsak azt tudod meg, mi van leírva, hanem azt is, hol. A strukturális blokkok pedig a dokumentumot gépelhető struktúraként állítják helyre, nem pedig egyszerű szövegként, így megspórolod egy saját parser újrafejlesztését a jelentések hierarchiájának visszaállításához.
A motorháztető alatt
Az architektúra interleaved (váltakozó) tokenizáláson alapul: a modell egyszerre dolgozza fel a szöveges és a vizuális tokeneket. Konkrétabban: nem olvas el elszigetelt karaktereket, hogy aztán kitalálja az elrendezésüket; hanem látja a teljes oldalt, és következtetéseket von le belőle. Ez lehetővé teszi számára, hogy megértse: a dokumentum két oszlopos, egy alcím irányítja az utána következő bekezdéseket, vagy hogy egy képaláírás a felette lévő képre vonatkozik.
Az OCR 4 a Mistral AI Premier szintjébe tartozik. Vállalati bevezetés esetén ez magas rendelkezésre állást jelent a La Plateforme API-n keresztül, rendszeres frissítéseket szolgáltatáskiesés nélkül, valamint lehetőséget vállalati SLA (szolgáltatási szintű megállapodás) kötésére, ha a dokumentumfeldolgozás üzleted kritikus útvonalán helyezkedik el.
A nyelvi támogatás meghaladja az ötven nyelvet. Lefedi a latin betűs nyelveket (francia, angol, spanyol, német, olasz, portugál), az ázsiai nyelveket (kínai, japán, koreai), a jobbról balra írt scripts nyelveket (arab, héber) és a cirill betűs nyelveket (orosz, ukrán). A gyakorlatban gyakran döntő szempont: a kézírás felismerése minden ezen nyelveken támogatott, ami megnyitja az útját a kézzel kitöltött űrlapok feldolgozásának is.
Kimenet, oldalról oldalra
Minden feldolgozott oldalhoz az OCR 4 egy JSON objektumot ad vissza, ahol a napi műveletek során elsősorban két-három mezőt fogsz használni:
{
"index": 0, # Oldalszám (0-tól indexelt)
"markdown": "## Cím\n\nTartalom...", # Szöveg Markdown formátumban
"images": [...], # Kinyert képek (base64 opcionális)
"tables": [...], # Észlelt táblázatok
"hyperlinks": [...], # Megőrzött hivatkozások
"header": "Fejléc", # Oldalfejléc (opcionális)
"footer": "Lábléc", # Oldallábléc (opcionális)
"dimensions": { # Oldalméretek
"width": 612,
"height": 792
}
}
A markdown mező tartalmazza a tartalom nagy részét. A táblázatok Markdownon belüli megjelenítését a table_format paraméter szabályozza, amely három értéket fogad el:
null(alapértelmezett): táblázatok beágyazva a Markdown szövegbe"markdown": táblázatok szabványos Markdown formátumban, pipe|karakterekkel"html": táblázatok teljes HTML formátumban<table>,<tr>,<td>címkékkel
A képek automatikusan szegmentálódnak. Az include_image_base64=True opció engedélyezésével minden illusztrációt base64 kódolással kapsz meg, így azok készen állnak a lemezre mentésre vagy egy újraépített dokumentumba való visszahelyezésre. Ezen opció nélkül csak hivatkozásokat kapsz, ami jelentősen csökkenti a válasz méretét, ha csak szöveget dolgozol fel.
Alternatívákkal szemben
A Tesseracthez képest a különbség már az első nem triviális dokumentumnál is látható. A Tesseract tisztán nyomtatott szövegeknél tisztességesen teljesít, de hiányzik belőle a táblázatos struktúrák megértése, megakad a kézírásnál, összekeveri az olvasási sorrendet többoszlopos elrendezéseknél, és drasztikusan romlik a teljesítménye gyenge minőségű szkenneléseknél. Az OCR 4, mivel „látja“ az oldalt, visszaépíti annak szemantikai struktúráját.
Az általános célú modellekkel (Pixtral, GPT, Gemini) való összehasonlítás más terepen zajlik. Ezek a modellek képesek feldolgozni egy dokumentumot, de a képek hatalmas mennyiségű tokent emésztenek fel, ami a volumen növekedésével súlyos teherként jelentkezik. Nem a kinyerési hűségre vannak optimalizálva, és könnyebben hallucinálnak számok és táblázatok esetén – pontosan ott, ahol a hibák a legdrágábbak: egy kitalált számlaösszeget nem fognak észrevenni az ellenőrzés során. Az OCR 4-et a hűségre, nem pedig generálásra hangolták.
A benchmark tesztek alapján az OCR 4 a API-n keresztül elérhető legpontosabb OCR-modellként pozicionálja magát: közel tökéletes pontosságot ér el a nyomtatott szöveg kinyerésében, hűen rekonstruálja a táblázatszerkezeteket, kiváló minőségű többnyelvű kézírás-felismerést nyújt, és erős eredményeket mutat a oszlopokat, oldalsávokat és beágyazott grafikákat vegyítő összetett elrendezéseken is.
Egy azonosító, amit érdemes megjegyezni
Minden API-hívásodban ezt az azonosítót fogod használni:
model = "mistral-ocr-latest"
Ez mindig a legfrissebb stabil modellverzióra mutat, a frissítések pedig átláthatóak és visszafelé kompatibilisek. Állj ellen a kísértésnek, hogy rögzített, dátumozott verziót használj a kódodban: ezzel csak megfosztanád magad a fejlesztésektől anélkül, hogy stabilitást nyernél.
Főbb megállapítások
- Az OCR 4 egy finomhangolt VLM, nem pedig klasszikus mintafelismerő OCR
- Strukturált Markdownt állít elő oldalanként, képekkel, táblázatokkal és metaadatokkal
- A többnyelvű támogatás 50+ nyelvet fed le, beleértve a kézírást is
- Pontosságban felülmúlja a klasszikus OCR-eket és az általános célú modelleket is
- A
mistral-ocr-latestazonosító garantálja hozzáférést a legfrissebb verzióhoz