Įvadas į Document AI ir išmanųjį OCR
Šiame puslapyje
Atnaujinimas 2026 m. lapkričio 2 d. – „Le Chat“ tampa „Vibe“. Nuo 2026 m. gegužės 28 d. „Le Chat“ buvo pervadintas į Vibe (vis tiek adresu chat.mistral.ai): tai vienas agentas darbui ir kodui, perkeliantis jūsų pokalbius, nustatymus ir prenumeratas. Senoji „Le Chat“ patirtis vis dar pasiekiama režimu Chat; režimu Work agentai tapo įgūdžiais (iškviečiami naudojant
@), atmintys sudaro žinių bazę, o giluminė paieška dabar yra įgūdis „Deep Research“. Planai dabar vadinami „Mistral Free“, „Pro“, „Team“ ir „Enterprise“. Šioje pamokoje naudojamas pavadinimas „Vibe“; kai kurie čia aprašyti meniu punktai galėjo pakeisti pavadinimus arba vietą.
Daug daugiau nei paprastas dokumentų skaitytuvas
Skyriuje „Vision“ matėte, kad „Vibe“ gali nuskaityti tekstą paveikslėlyje. Tačiau kai reikia apdoroti sudėtingus dokumentus – daugialapius PDF failus, nuskaitytas formas ar finansines ataskaitas, perpildytas įterptomis lentelėmis, – jums reikia specializuoto įrankio. Būtent tai ir siūlo „Mistral“ Document AI, varomas OCR 3 variklio. Ši pamoka kloja pamatus visam šiam skyriui: suprasite, kas yra OCR, kaip „Mistral“ požiūris skiriasi nuo klasikinių sprendimų ir, svarbiausia, kada jį naudoti vietoj „Vision“.
OCR reiškia optinį simbolių atpažinimą (angl. Optical Character Recognition). Tai technologija, kuri konvertuoja vaizdą, kuriame yra teksto – nesvarbu, ar tai nuskaitytas dokumentas, nuotrauka, ar vaizdinis PDF failas – į naudojamą skaitmeninį tekstą: tekstą, kurį galite kopijuoti, ieškoti arba analizuoti taip pat, kaip ir bet kurį iš pradžių skaitmeninį dokumentą. Situacijos kasdienės: pagalvokite apie sąskaitą faktūrą, kurią kolega atsiuntė kaip nuotrauką, arba prieš dešimt metų nuskaitytą sutartį, kurioje reikia rasti konkretų punktą. Be OCR šie dokumentai lieka nebyliais vaizdais.
Kodėl klasikinio OCR nepakako
OCR egzistuoja jau dešimtmečius, tačiau tradiciniai sprendimai – „Tesseract“ yra žinomiausias pavyzdys – kentėjo nuo didelių trūkumų, kuriuos puikiai pažįsta kiekvienas, kada nors skenavęs dokumentus. Būdavo prarandamas maketas: tekstas išeidavo sumaišytas, nepaisant dokumento struktūros, o kruopščiai sutvarkyta ataskaita virsdavo pastraipų koše. Lentelės būdavo ignoruojamos, stulpeliai ir eilutės taip sumaišomi, kad duomenys tapdavo nenaudojami. Rankraščio įskaitymas likdavo beveik neįmanomas. Daugiakalbiai dokumentai duodavo prastus rezultatus vos tik išeinant už anglų kalbos ribų. O į tekstą įterpti vaizdai – diagramos, schemos – būdavo tiesiog ignoruojami.
„Mistral“ OCR 3 variklis visiškai pakeičia žaidimo taisykles, ir priežastis slypi jo architektūroje. Vietoj klasikinių simbolių atpažinimo technikų jis remiasi multimodaliniu kalbos modeliu (VLM), specialiai apmokytu suprasti dokumentus. Skirtumas esminis: klasikinis OCR atpažįsta atskirus simbolius ir bando juos surinkti į žodžius, tarsi kas nors dešifruotų raidę po raidės nesuprasdamas sakinio. Tuo tarpu „Mistral“ dirbtinio intelekto varomas OCR supranta visą dokumentą – jo struktūrą, turinį ir kontekstą. Susidūręs su iš dalies ištrintu žodžiu, jis gali jį atspėti iš konteksto, lygiai taip, kaip tai darytų žmogus skaitytojas.
Praktiškai „Document AI“ išgauna tekstą iš PDF failų, paveikslėlių ir nuskaitytų dokumentų, išlaikydamas originalų maketą. Jis atkuria lenteles su jų antraštėmis, stulpeliais ir duomenimis, generuodamas švarų „Markdown“ formatą. Jis skaito rankraščius – gydytojo užrašus, ranka pildomas formas, paraštės pastabas. Jis apdoroja daugiakalbius dokumentus dideliu tikslumu daugeliu kalbų, aprašo dokumente esančius vaizdus ir diagramas sugeneruodamas tekstines antraštes bei pakankamai gerai supranta kontekstą, kad galėtų atsakyti į klausimus apie turinį.
OCR 3 skaičiais
Kalbant apie našumą, variklis pasiekia pažangiausią tikslumą teksto atpažinimo, rankraščio ir lentelių etaloniniuose testuose. Jis apdoroja iki 2 000 puslapių per minutę naudojant vieną GPU – to pakanka visiems archyvams įkelti. Jis priima įvairius formatus: PDF, „Word“, nuskaitytus vaizdus ir įvairios kokybės nuotraukas. Jo išvestis yra struktūruota: rezultatas – švarus „Markdown“ su nuorodomis į vaizdus, o ne neapdorotas tekstas, kurį reikia tvarkyti iš naujo.
Kuo jis skiriasi nuo „Vibe Vision“?
Galite klausti: „Kodėl tiesiog neįkėlus savo PDF failo į „Vibe“ ir nenaudojus „Vision“?” Tai teisėtas klausimas, ir atsakymas lemia visą jūsų darbo eigą. „Vibe Vision“, aptartas pirmajame šio kurso skyriuje, puikiai tinka analizuoti vieną atskirą vaizdą – nuotrauką, diagramą, ekrano kopiją. Tačiau daugialapiams dokumentams su sudėtingu maketu „Document AI“ suteikia lemiamų pranašumų: puslapis po puslapio apdorojimas atkuriant bendrą dokumento struktūrą, lentelių išgavimas, tiksliai atitinkantis originalą, o ne apytikslis, anotacijos ir metaduomenys, kuriuos galite aiškiai paprašyti (autorius, data, sumos), ir tikras dokumentų klausimų ir atsakymų režimas ilgiems dokumentams.
Įsiminkite šią taisyklę: vienam vaizdui su tekstu pakanka „Vision“; daugialapiam dokumentui, kurį norite išsamiai išanalizuoti, naudokite „Document AI“. Teisininkas, nufotografuojantis punktą, kad jam būtų paaiškintas, naudoja „Vision“; tas pats teisininkas, įkeliantis visą 40 puslapių sutartį jos įsipareigojimams audituoti, naudoja „Document AI“.
Kitose šio skyriaus pamokose sužinosite, kaip įkelti PDF failą į „Vibe“ ir gauti automatinį išgavimą, išgauti struktūruotus duomenis – lenteles, antraštes, figūras – iš bet kurio dokumento, o tada užduoti klausimus apie dokumento turinį ir gauti tikslius atsakymus.
Svarbiausi punktai
- „Document AI“ yra „Mistral“ sprendimas išmaniam dokumentų apdorojimui, varomas „OCR 3“
- Skirtingai nei klasikinis OCR, „OCR 3“ supranta dokumento struktūrą ir kontekstą
- Jis tvarko lenteles, rankraščius, daugiakalbius dokumentus ir įterptus vaizdus
- Paprastam vaizdui naudokite „Vision“; sudėtingam dokumentui – „Document AI“
- Apdorojimas greitas: iki 2 000 puslapių per minutę