Mistoqsijiet u Tweġibiet fuq Dokumenti Multipli
F'din il-paġna
Aġġornat fit-2 ta’ Novembru, 2026 — OCR. L-OCR 4.0 (
mistral-ocr-4-0) ġie rtirat fit-30 ta’ Settembru, 2026. Uża OCR 4.1 (mistral-ocr-4-1), li ilu disponibbli ġeneralment mill-31 ta’ Awwissu bl-istess prezz, jew l-aliasmistral-ocr-latest, li jipponta lejh mis-16 ta’ Lulju. L-OCR 4.1 iżid punteġġi ta’ kunfidenza fil-livell tal-blokki. Addendum fit-3 ta’ Novembru, 2026: PDF lokali jiġi trażmess f’base64 bħala{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; it-tipdocument_base64minn eżempji aktar antiki ma jeżistix la fid-dokumentazzjoni u lanqas fl-SDKmistralai, u dawk l-eżempji kienu jfallu. Sorsi: OCR Processor · Document QnA. Ikkoreġut fit-3 ta’ Novembru, 2026: Il-kodiċi qabel kien jaqrapage.document_annotationpaġna b’paġna; fl-SDKmistralai3.7.0, l-annotazzjoni tad-dokument hija qasam wieħed fir-risposta (response.document_annotation), u l-annotazzjoni ta’ stampa tinqara minnimage.image_annotation.
Meta t-Tweġiba Tifrex fuq Fajls Multipli
F’ħafna xenarji professjonali, it-tweġiba għal mistoqsija ma tinstabx f’dokument wieħed. Jista’ jkollok bżonn tqabbel kuntratti, tirreferenza fatturi ma’ ordnijiet ta’ xiri, jew tanalizza serje ta’ rapporti. Jeżistu tliet strateġiji, u l-aħjar approċċ huwa li tagħżel ibbażat fuq il-volum minflok ma taqbeż direttament għall-għażla l-aktar sofistikata.
Ibgħat Kollox f’Sejħa Waħda
L-aktar metodu dirett huwa li tpoġġi blokok multipli ta’ document_url fl-istess messaġġ. Il-mudell jara ż-żewġ kuntratti ħdejn xulxin u jista’ jqabbilhom verament, ħaġa li l-ipproċessar paġna b’paġna ma jistax jikseb. Hawnhekk nibdlu għal mistral-large-latest għax it-tqabbil jinvolvi raġunament, mhux biss qari.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": (
"Compare the payment terms "
"of these two contracts."
)
},
{
"type": "document_url",
"document_url": "https://example.com/contract-A.pdf"
},
{
"type": "document_url",
"document_url": "https://example.com/contract-B.pdf"
}
]
}
]
)
print(response.choices[0].message.content)
Il-limitazzjoni tidher malajr: is-somma tad-dokumenti m’għandhiex taqbeż it-tieqa tal-kuntest tal-mudell. Żewġ broċuri ta’ għaxar paġni jgħaddu mingħajr diffikultà; żewġ ftehimiet qafas ta’ mitt paġna le.
Estrazzjoni Separata mill-Istħarriġ
Għal volumi kbar, l-istrateġija rrakkomandata tissepara dawn iż-żewġ passi. tgħaddi kull dokument mill-OCR, iżżomm il-Markdown li jirriżulta, u mbagħad tibni manwalment il-kuntest mibgħut lill-LLM. Il-benefiċċju huwa l-kontroll: it-tronkament għal 5,000 karattru viżibbli fl-eżempju, iż-żamma tal-isem ta’ kull dokument bħala intestatura ta’ taqsima, u l-messaġġ tas-sistema li jistabbilixxi r-rwol ta’ assistent legali. Inti tiddeċiedi eżattament x’jidħol fit-tieqa tal-kuntest minflok ma tħalli dan iseħħ awtomatikament.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def extract_text(url: str) -> str:
"""Testraċċja t-test minn dokument permezz tal-OCR."""
response = client.ocr.process(
model="mistral-ocr-latest",
document={"type": "document_url", "document_url": url}
)
return "\n\n".join(p.markdown for p in response.pages)
# Estrazzjoni OCR għal kull dokument
documents = {
"Kuntratt A": extract_text("https://example.com/contract-A.pdf"),
"Kuntratt B": extract_text("https://example.com/contract-B.pdf"),
"Kuntratt C": extract_text("https://example.com/contract-C.pdf"),
}
# Ibni l-prompt bil-kuntest
context = "\n\n---\n\n".join(
f"## {name}\n\n{text[:5000]}" # Illimita jekk meħtieġ
for name, text in documents.items()
)
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": (
"You are a legal assistant. Analyze the "
"provided documents and answer questions."
)
},
{
"role": "user",
"content": (
f"Here are the documents:\n\n{context}\n\n"
f"Question: Which contract offers the best "
f"early termination conditions?"
)
}
]
)
Imxi lejn RAG tad-Dokumenti
Lil hinn minn ftit għexieren ta’ dokumenti, l-ebda tieqa tal-kuntest ma tkun biżżejjed. Imbagħad trid tibgħat biss il-passaġġi rilevanti, li jeħtieġ li taqsam it-testi, tivvetturalihom b’mistral-embed, u tfittex bis-similarità fil-ħin tal-mistoqsija. It-tqassim b’sovrappożizzjoni ta’ 200 karattru jipprevjeni li sentenza maqtugħa bin-nofs titlef it-tifsira tagħha bejn il-biċċiet, u top_k jiddetermina kemm-il passaġġ fl-aħħar mill-aħħar se jakkumpanjaw il-mistoqsija.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def create_embeddings(text: str) -> list[float]:
"""Joħloq embeddings għal test."""
response = client.embeddings.create(
model="mistral-embed",
inputs=[text]
)
return response.data[0].embedding
def chunker(text: str, size: int = 1000, overlap: int = 200) -> list[str]:
"""Jaqsam it-test f'biċċiet b'sovrappożizzjoni."""
chunks = []
start = 0
while start < len(text):
end = start + size
chunk = text[start:end]
chunks.append(chunk)
start = end - overlap
return chunks
# Pipeline RAG issimplifikata
def index_document(name: str, text: str) -> list[dict]:
"""Tindiciża dokument għat-tiftix."""
chunks = chunker(text)
index = []
for i, chunk in enumerate(chunks):
embedding = create_embeddings(chunk)
index.append({
"document": name,
"chunk_id": i,
"text": chunk,
"embedding": embedding
})
return index
def search(query: str, index: list[dict], top_k: int = 5) -> list[dict]:
"""Ifittex l-aktar biċċiet rilevanti."""
q_embedding = create_embeddings(query)
# Kalkolu tas-similarità tal-kożinu
import numpy as np
scores = []
for item in index:
score = np.dot(q_embedding, item["embedding"])
scores.append((score, item))
scores.sort(key=lambda x: x[0], reverse=True)
return [item for _, item in scores[:top_k]]
Ejja ngħaqqdu l-loġika tal-għażla. L-ibgħat ta’ dokumenti multipli f’sejħa waħda jibqa’ l-aħjar għas-sempliċità u jaħdem tajjeb għal żewġ jew tliet dokumenti qosra. L-OCR separat segwit minn QnA joffri flessibbiltà u jagħtik kontroll fuq x’jintbagħat lill-LLM, bl-ispiża ta’ ftit kodiċi addizzjonali. Ir-RAG tad-dokumenti huwa eħfef biex tiġi stabbilita iżda ssir essenzjali hekk kif il-korp jikber, għax hija l-uniku approċċ li jiskala.
Fluss ta’ Ħidma ta’ Tqabbil End-to-End
Iż-żewġ tekniki jistgħu jiġu kkombinati: xejn ma jipprevjenik milli l-ewwel testraċċja data strutturata permezz tal-annotazzjoni, u mbagħad tgħaddi dik id-data lill-LLM għall-analiżi. Fuq lott ta’ fatturi, kull dokument jitnaqqas għal tliet oqsma—fornitur, ammont, data—qabel ma talba waħda titlob lill-mudell jidentifika x-xejriet u l-anomaliji. L-ispiża tat-tokens issir negliġibbli, u l-analiżi tiffoka fuq ċifri estratti b’mod nadif minflok test interpretat fuq il-post.
import os
from pydantic import BaseModel, Field
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
class InvoiceSummary(BaseModel):
vendor: str = Field(..., description="Vendor name")
amount_inc_tax: float = Field(..., description="Amount including tax")
date: str = Field(..., description="Date (YYYY-MM-DD)")
def compare_invoices(paths: list[str]) -> str:
"""Tqabbel fatturi multipli u tirritorna analiżi."""
import base64
invoices = []
for path in paths:
with open(path, "rb") as f:
doc_b64 = base64.b64encode(f.read()).decode("utf-8")
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{doc_b64}"
},
document_annotation_format=response_format_from_pydantic_model(
InvoiceSummary
)
)
if response.document_annotation:
invoice = InvoiceSummary.model_validate_json(
response.document_annotation
)
invoices.append(invoice)
# Analiżi komparattiva permezz tal-LLM
summary = "\n".join(
f"- {f.vendor}: €{f.amount_inc_tax} ({f.date})"
for f in invoices
)
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "user",
"content": (
f"Here are {len(invoices)} invoices:\n{summary}\n\n"
f"Analyze trends and anomalies."
)
}
]
)
return response.choices[0].message.content
Punti Ewlenin
- Tliet approċċi għal QnA fuq dokumenti multipli: inline, OCR separat, RAG
- L-approċċ inline jaħdem għal 2–3 dokumenti qosra
- OCR separat + QnA joffri aktar kontroll fuq it-tokens ikkunsmati
- RAG huwa essenzjali għal korpi kbar (għexieren ta’ dokumenti)
- Ikkombina annotazzjonijiet strutturati ma’ QnA għal analiżi preċiżi