Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Mistralio OCR modelis (OCR 4)

Paskaita 2 iš 16 Atnaujinta 2026 m. lapkričio 2 d. Kūrėjas
Šiame puslapyje
  1. VLM, specializuotas dokumentų išgavimui
  2. Kaip tai veikia
  3. Išvestis, puslapis po puslapio
  4. Alternatyvų akivaizdoje
  5. Vienas identifikatorius, kurį verta įsiminti
  6. Svarbiausi punktai

Atnaujinta 2026 m. lapkričio 2 d. — OCR. OCR 4.0 (mistral-ocr-4-0) buvo nutrauktas 2026 m. rugsėjo 30 d. Naudokite OCR 4.1 (mistral-ocr-4-1), kuris visuotinai prieinamas nuo rugpjūčio 31 d. ta pačia kaina, arba aliasą mistral-ocr-latest, kuris į jį nukreiptas nuo liepos 16 d. OCR 4.1 pridėjo pasitikėjimo įverčius bloko lygmeniu.

VLM, specializuotas dokumentų išgavimui

Kai savo kode rašai mistral-ocr-latest, taikaisi į naujausią Mistralio OCR kartą: OCR 4, kuri pakeitė OCR 3. Tai regos kalbos modelis (VLM), specialiai derintas tik tekstui iš dokumentų išgauti. Ši specializacija tiesiogiai veikia tavo sąskaitą ir rezultatus: skirtingai nei bendrosios paskirties modelis, bandantis daryti viską, OCR 4 optimizuotas vienai užduočiai, todėl užtikrina didesnį tikslumą mažesne kaina.

Du struktūriniai patobulinimai apibrėžia šią naująją kartą, lyginant su OCR 3. Pastraipų lygmens apribojimo dėžutės tiksliai nustato kiekvieno atpažinto bloko vietą puslapyje: žinai ne tik tai, kas parašyta, bet ir kur. O struktūriniai blokai atkuria dokumentą kaip tipizuotą struktūrą, o ne kaip paprastą tekstą, taip sutaupydami tau laiko, kurį kitaip skirtum kurti analizatoriui atkurti ataskaitos hierarchijai.

Kaip tai veikia

Architektūra remiasi tarpusavyje persipynusiu tokenizavimu: modelis vienu metu apdoroja teksto ir vaizdo tokenus. Konkrečiai kalbant, jis neskaito pavienių simbolių ir tada bando spėlioti jų išdėstymą; jis mato visą puslapį ir apie jį samprotauja. Tai leidžia jam suprasti, kad dokumentas suskirstytas į dvi stulpelius, kad paantraštė valdo po ja einančias pastraipas arba kad antraštė susijusi su viršuje esančiu paveikslėliu.

OCR 4 priklauso „Mistral AI“ „Premier“ lygiui. Diegiant įmonėse, tai reiškia didelį prieinamumą per „La Plateforme“ API, reguliarius atnaujinimus be paslaugų trikdžių ir galimybę prenumeruoti įmonės SLA, kai dokumentų apdorojimas yra kritinis tavo verslo procesas.

Kalbų palaikymas apima daugiau nei penkiasdešimt kalbų. Jis apima lotyniškus rašmenis (prancūzų, anglų, ispanų, vokiečių, italų, portugalų), Azijos kalbas (kinų, japonų, korėjiečių), iš dešinės į kairę rašomas kalbas (arabų, hebrajų) ir kirilicą (rusų, ukrainiečių). Praktikoje dažnai lemiamas aspektas: rankraštis atpažįstamas visomis šiomis kalbomis, todėl galima apdoroti ranka pildomas formas.

Išvestis, puslapis po puslapio

Kiekvienam apdorotam puslapiui OCR 4 grąžina JSON objektą, kuriame kasdienėje veikloje daugiausia naudosai du ar tris laukus:

{
    "index": 0,              # Puslapio numeris (nuo 0)
    "markdown": "## Title\n\nContent...",  # Tekstas „Markdown“ formatu
    "images": [...],         # Išgauti paveikslėliai (base64 neprivaloma)
    "tables": [...],         # Aptiktos lentelės
    "hyperlinks": [...],     # Išsaugotos hipersaitos
    "header": "Header",      # Puslapio antraštė (neprivaloma)
    "footer": "Footer",      # Puslapio poraštė (neprivaloma)
    "dimensions": {          # Puslapio matmenys
        "width": 612,
        "height": 792
    }
}

Laukas markdown neša didžiąją dalį turinio. Lentelių atvaizdavimas šiame „Markdown“ valdomas parametru table_format, kuris priima tris reikšmes:

  • null (numatytoji): lentelės įterptos tiesiai į „Markdown“
  • "markdown": lentelės standartiniu „Markdown“ formatu su vertikaliomis brūkšneliais |
  • "html": lentelės pilnu HTML formatu su žymomis <table>, <tr>, <td>

Paveikslėliai segmentuojami automatiškai. Įjungus parinktį include_image_base64=True, gauni kiekvieną iliustraciją užkoduotą base64 formatu, paruoštą įrašyti į diską arba vėl įterpti į atkurtą dokumentą. Be šios parinkties gauni tik nuorodas, o tai žymiai palengvina atsakymą, kai apdoroji tik tekstą.

Alternatyvų akivaizdoje

Palyginti su „Tesseract“, skirtumas matomas jau nuo pirmojo nesudėtingo dokumento. „Tesseract“ gana gerai tvarkosi su paprastu spausdintu tekstu, tačiau jam trūksta bet kokio supratimo apie lentelių struktūrą, jis stringa ties rankraščiu, painioja skaitymo eiliškumą išdėstymuose su keliais stulpeliais ir smarkiai prastėja esant blogos kokybės skenuotėms. OCR 4, nes mato visą puslapį, atkuria jo semantinę struktūrą.

Palyginimas su bendrosios paskirties modeliais („Pixtral“, „GPT“, „Gemini“) vyksta kitoje srityje. Šie modeliai gali apdoroti dokumentą, tačiau vaizdai suvartoja didžiulį kiekį tokenų, kas tampa sunkia našta didėjant apimtims. Jie nėra optimizuoti išgavimo tikslumui ir lengviau „haliucinuoja“ skaičius bei lenteles – būtent ten, kur klaidos kainuoja brangiausiai: sugalvota sąskaitos suma peržiūros metu nebus pastebėta. OCR 4 derintas tikslumui, o ne generavimui.

Etaloniniuose testuose OCR 4 pozicionuojamas kaip tiksliausias OCR modelis, prieinamas per API, pasižymintis beveik tobulu spausdinto teksto išgavimo tikslumu, ištikimu lentelių struktūrų atkūrimu, aukštos kokybės daugiakalbiu rankraščio atpažinimu ir stipriais rezultatais dirbant su sudėtingais išdėstymais, kuriuose maišomi stulpeliai, šoninės juostos ir įterpta grafika.

Vienas identifikatorius, kurį verta įsiminti

Visuose savo API kvietimuose naudosai šį identifikatorių:

model = "mistral-ocr-latest"

Jis visada nukreipia į naujausią stabilią modelio versiją, o atnaujinimai yra skaidrūs ir suderinami su ankstesnėmis versijomis. Nepasiduok pagundai savo kode fiksuoti senesnę versiją: taip atimtumei iš savęs patobulinimus nieko nelaimėdamas stabilumo srityje.

Svarbiausi punktai

  • OCR 4 yra specialiai derintas VLM, o ne klasikinis rašmenų atpažinimo OCR
  • Jis generuoja struktūruotą „Markdown“ puslapis po puslapio su paveikslėliais, lentelėmis ir metaduomenimis
  • Daugiakalbis palaikymas apima daugiau nei 50 kalbų, įskaitant rankraštį
  • Išgavimo tikslumu jis lenkia klasikinius OCR ir bendrosios paskirties modelius
  • Identifikatorius mistral-ocr-latest garantuoja prieigą prie naujausios versijos