Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Mistrala OCR modelis (OCR 4)

Nodarbība 2 no 16 Atjaunota 2026. gada 2. novembris Programmētājs
Šajā lapā
  1. VLM, kas specializēts dokumentu ekstrakcijai
  2. Aizkulisēs
  3. Izvade, lapa pa lapai
  4. Salīdzinājums ar alternatīvām
  5. Viens identifikators, kas jāatceras
  6. Galvenās atziņas

Atjaunināts 2026. gada 2. novembrī — OCR. OCR 4.0 (mistral-ocr-4-0) tika izņemts no aprites 2026. gada 30. septembrī. Izmanto **OCR 4.1** (mistral-ocr-4-1), kas ir vispārēji pieejams kopš 31. augusta par tādu pašu cenu, vai aliasu mistral-ocr-latest`, kas uz to norāda kopš 16. jūlija. OCR 4.1 pievieno uzticamības rādītājus bloku līmenī.

VLM, kas specializēts dokumentu ekstrakcijai

Kad savā kodā raksti mistral-ocr-latest, tu mērķē uz Mistral jaunāko OCR paaudzi: OCR 4, kas ir OCR 3 pēctecis. Tas ir redzes valodas modelis (VLM), kas pielāgots exclusively teksta ekstrakcijai no dokumentiem. Šī specializācija tieši ietekmē tavus rēķinus un rezultātus: atšķirībā no vispārēja pielietojuma modeļa, kas cenšas darīt visu, OCR 4 ir optimizēts vienam uzdevumam, nodrošinot augstāku precizitāti par zemākām izmaksām.

Divi strukturāli uzlabojumi definē šo jauno paaudzi salīdzinājumā ar OCR 3. Rindkopu līmeņa robežkastes precīzi lokalizē katru atpazīto bloku lapā: tu zini ne tikai to, kas ir uzrakstīts, bet arī kur. Un strukturālie bloki atjauno dokumentu kā tipētu struktūru, nevis vienkāršu tekstu, ietaupot tev laiku, lai izgudrotu parseri ziņojuma hierarhijas atjaunošanai.

Aizkulisēs

Arhitektūra balstās uz mijiedarbīgu tokenizāciju: modelis vienlaikus apstrādā teksta tokenus un vizuālos tokenus. Konkrēti, tas nelasa izolētus simbolus un pēc tam nemēģina minēt to izkārtojumu; tas redz visu lapu un spriež par to. Tas ļauj tam saprast, ka dokuments ir organizēts divās kolonnās, ka apakšvirsraksts pārvalda tam sekojošās rindkopas vai ka paraksts attiecas uz attēlu virs tā.

OCR 4 pieder Mistral AI Premier līmenim. Uzņēmumu izvietošanā tas nozīmē augstu pieejamību, izmantojot La Plateforme API, regulārus atjauninājumus, kas tiek piemēroti bez pakalpojuma pārtraukumiem, un iespēju noslēgt uzņēmuma SLA, ja dokumentu apstrāde ir jūsu biznesa kritiskajā ceļā.

Valodu atbalsts pārsniedz piecdesmit valodas. Tas aptver latīņu rakstzīmes — franču, angļu, spāņu, vācu, itāļu, portugāļu — Āzijas valodas, piemēram, ķīniešu, japāņu un korejiešu, no labās uz kreiso rakstītās valodas, piemēram, arābu un ivritu, un kirilicu krievu un ukraiņu valodai. Praksē bieži izšķirošs punkts: rokraksts tiek atpazīts visās šajās valodās, atverot manuāli aizpildītu veidlapu apstrādi.

Izvade, lapa pa lapai

Katrai apstrādātai lapai OCR 4 atgriež JSON objektu, kur ikdienas operācijās galvenokārt izmantosi divus vai trīs laukus:

{
    "index": 0,              # Lapas numurs (0-indeksēts)
    "markdown": "## Title\n\nContent...",  # Teksts Markdown formātā
    "images": [...],         # Ekstrahēti attēli (base64 pēc izvēles)
    "tables": [...],         # Atpazītas tabulas
    "hyperlinks": [...],     # Saglabātas hipersaites
    "header": "Header",      # Lapas galvene (pēc izvēles)
    "footer": "Footer",      # Lapas kājene (pēc izvēles)
    "dimensions": {          # Lapas izmēri
        "width": 612,
        "height": 792
    }
}

Lauks markdown nes lielāko daļu satura. Tabulu renderēšana šajā Markdown tiek kontrolēta ar parametru table_format, kas pieņem trīs vērtības:

  • null (noklusējums): tabulas iekļautas Markdown ietvaros
  • "markdown": tabulas standarta Markdown formātā ar vertikālajām svītrām |
  • "html": tabulas pilnā HTML formātā ar <table>, <tr>, <td> tagiem

Attēli tiek segmentēti automātiski. Iespējojot opciju include_image_base64=True, tu iegūsti katru ilustrāciju, kodētu base64 formātā, gatavu saglabāšanai diskā vai atkārtotai ievietošanai rekonstruētā dokumentā. Bez šīs opcijas tu saņem tikai atsauces, kas ievērojami atvieglo atbildi, ja apstrādā tikai tekstu.

Salīdzinājums ar alternatīvām

Salīdzinājumā ar Tesseract, atšķirība ir redzama jau pirmajā netriviālajā dokumentā. Tesseract darbojas pieņemami uz vienkārša drukāta teksta, bet tam trūkst jebkādas izpratnes par tabulu struktūru, tas klūp uz rokraksta, sajauc lasīšanas secību daudzkolonnu izkārtojumos un strauji pasliktinās sliktas kvalitātes skenējumos. OCR 4, tāpēc ka tas redz lapu, rekonstruē tās semantisko struktūru.

Salīdzinājums ar vispārēja pielietojuma modeļiem — Pixtral, GPT, Gemini — norisinās citur. Šie modeļi var apstrādāt dokumentu, taču attēli patērē milzīgu tokenus skaitu, kas kļūst smagi, pieaugot apjomam. Tie nav optimizēti ekstrakcijas precizitātei un vieglāk „halucinē” par skaitļiem un tabulām, tieši tur, kur kļūdas maksā visdārgāk: izgudrots rēķina summas skaitlis netiks pamanīts pārskatīšanas laikā. OCR 4 ir pielāgots precizitātei, nevis ģenerēšanai.

Benchmarcos OCR 4 pozicionē sevi kā precīzāko OCR modeli, kas pieejams caur API, ar gandrīz perfektu precizitāti drukāta teksta ekstrakcijā, uzticamu tabulu struktūru rekonstrukciju, augstas kvalitātes daudzvalodu rokraksta atpazīšanu un spēcīgiem rezultātiem sarežģītos izkārtojumos, kas sajauc kolonnas, sānjoslas un iegultos grafiskos elementus.

Viens identifikators, kas jāatceras

Visos savos API izsaukumos tu izmantosi šo identifikatoru:

model = "mistral-ocr-latest"

Tas vienmēr norāda uz jaunāko stabilo modeļa versiju, un atjauninājumi ir caurspīdīgi un atpakaļsaderīgi. Pretojies kārdinājumam savā kodā piesaistīt datētu versiju: tu atņemtu sev uzlabojumus, negūstot stabilitāti.

Galvenās atziņas

  • OCR 4 ir pielāgots VLM, nevis klasisks modeļu atpazīšanas OCR
  • Tas ģenerē strukturētu Markdown lapu pa lapai ar attēliem, tabulām un metadatiem
  • Daudzvalodu atbalsts aptver 50+ valodas, ieskaitot rokrakstu
  • Tas pārspēj klasiskos OCR un vispārēja pielietojuma modeļus ekstrakcijas precizitātē
  • Identifikators mistral-ocr-latest garantē piekļuvi jaunākajai versijai