Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

A Mistral OCR-modellje (OCR 4)

2. lecke 16 közül Frissítve 2026. november 2. Fejlesztő
Ezen az oldalon
  1. Dokumentumkinyerésre specializálódott VLM
  2. A motorháztető alatt
  3. Kimenet, oldalról oldalra
  4. Alternatívákkal szemben
  5. Egy azonosító, amit érdemes megjegyezni
  6. Főbb megállapítások

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 a mistral-ocr-latest aliast, 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-latest azonosító garantálja hozzáférést a legfrissebb verzióhoz