Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Il-Mudell OCR ta' Mistral (OCR 4)

Lezzjoni 2 / 16 Aġġornat 2 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. VLM Speċjalizzat għall-Estrazzjoni ta’ Dokumenti
  2. Taħt il-Qoxra
  3. Output, Paġna b’Paġna
  4. Meta Tqabbel ma’ Alternattivi
  5. Identifikatur Wieħed Biex Tiftakar
  6. Punti Ewlenin

Aġġornat fit-2 ta’ Novembru, 2026 — OCR. L-OCR 4.0 (mistral-ocr-4-0) ġie rtirat fit-30 ta’ Settembru, 2026. Uża l-OCR 4.1 (mistral-ocr-4-1), li ilu disponibbli ġeneralment mill-31 ta’ Awwissu bl-istess prezz, jew l-alias mistral-ocr-latest, li jipponta lejh mis-16 ta’ Lulju. L-OCR 4.1 iżid punteġġi ta’ kunfidenza fil-livell tal-blokki.

VLM Speċjalizzat għall-Estrazzjoni ta’ Dokumenti

Meta tikteb mistral-ocr-latest fil-kodiċi tiegħek, qed timmira l-aħħar ġenerazzjoni tal-OCR ta’ Mistral: l-OCR 4, is-suċċessur tal-OCR 3. Dan huwa mudell ta’ lingwa viżiva (VLM) irfinut esklussivament biex jestratti t-test minn dokumenti. Din l-ispeċjalizzazzjoni taffettwa direttament il-fattura u r-riżultati tiegħek: kuntrarju għal mudell għal skopijiet ġenerali li jipprova jagħmel kollox, l-OCR 4 huwa ottimizzat għal kompitu wieħed, u jwassal preċiżjoni ogħla bi spiża aktar baxxa.

Żewġ avvanzi strutturali jiddefinixxu din il-ġenerazzjoni l-ġdida meta mqabbla mal-OCR 3. Il-kaxxi tal-limitu fil-livell tal-paragrafu jillokalizzaw preċiżament kull blokka rikonoxxuta fil-paġna: tkun mhux biss x’inhu miktub, imma fejn jinsab ukoll. U l-blokok strutturali jirrestawraw id-dokument bħala struttura ttajpjata minflok test sempliċi, u jiffrankawlek milli terġa’ tinventa parser biex tirkupra l-ġerarkija ta’ rapport.

Taħt il-Qoxra

L-arkitettura tiddependi fuq it-tokenizzazzjoni interkalata: il-mudell jipproċessa tokens tat-test u tokens viżivi fl-istess ħin. Konkretament, ma jaqrax karattri iżolati u mbagħad jipprova jissuspetta l-arranġament tagħhom; huwa jara l-paġna kollha u jirraġuna dwarha. Dan jippermettilu jifhem li dokument huwa organizzat f’żewġ kolonni, li sottotitlu jirregola l-paragrafi li jsegwuh, jew li didaskalija tirreferi għall-immaġni fuqha.

L-OCR 4 jappartjeni għat-tier Premier ta’ Mistral AI. Għad-distribuzzjoni intrapriżali, dan ifisser disponibbiltà għolja permezz tal-API La Plateforme, aġġornamenti regolari applikati mingħajr interruzzjoni tas-servizz, u l-għażla li tissottoskrivi għal SLA intrapriżali meta l-ipproċessar tad-dokumenti jkun fuq il-mogħdija kritika tan-negozju tiegħek.

Is-sostenn lingwistiku jaqbeż il-ħamsin lingwa. Jkopri skritti Latini—Franċiż, Ingliż, Spanjol, Ġermaniż, Taljan, Portugiż—lingwi Asjatiċi bħaċ-Ċiniż, il-Ġappuniż u l-Korean, skritti minn xellug għal lemin bħall-Għarbi u l-Ebrajk, u Ċirilliku għar-Russu u l-Ukren. Punt spiss deċiżiv fil-prattika: il-kitba bl-idejn tiġi rikonoxxuta f’dawn il-lingwi kollha, u b’hekk tiftaħ l-ipproċessar ta’ formuli mimlija manwalment.

Output, Paġna b’Paġna

Għal kull paġna pproċessata, l-OCR 4 jirritorna oġġett JSON fejn primarjament tuża żewġ jew tliet oqsma fl-operazzjonijiet ta’ kuljum:

{
    "index": 0,              # Numru tal-paġna (ibbażat fuq 0)
    "markdown": "## Title\n\nContent...",  # Test f'Markdown
    "images": [...],         # Immaġnijiet estratti (base64 fakultattiv)
    "tables": [...],         # Tabelli skoperti
    "hyperlinks": [...],     # Ħoloq ippreżervati
    "header": "Header",      # Intestatura tal-paġna (fakultattiva)
    "footer": "Footer",      # Piè di paġna (fakultattiv)
    "dimensions": {          # Dimensjonijiet tal-paġna
        "width": 612,
        "height": 792
    }
}

Il-qasam markdown iġorr il-biċċa l-kbira tal-kontenut. Ir-rendering tat-tabelli f’dan il-Markdown huwa kkontrollat mill-parametru table_format, li jaċċetta tliet valuri:

  • null (default): tabelli inklużi fil-Markdown
  • "markdown": tabelli f’format standard ta’ Markdown bil-pajpijiet |
  • "html": tabelli f’HTML sħiħ bit-tags <table>, <tr>, <td>

L-immaġnijiet jiġu ssegmentati awtomatikament. Billi tattivaw l-għażla include_image_base64=True, tirrikupra kull illustrazzjoni kodifikata f’base64, lesta biex tiġi salvata fuq id-disk jew terġa’ tiġi injettata f’dokument rikostruwit. Mingħajr din l-għażla, tikseb biss referenzi, li tħaffef b’mod sinifikanti r-risposta meta tkun qed tipproċessa biss test.

Meta Tqabbel ma’ Alternattivi

Meta mqabbel ma’ Tesseract, id-differenza tidher mill-ewwel dokument mhux trivjali. Tesseract jaħdem deċentement fuq test stampat sempliċi, imma jonqsu kull fehim tal-istruttura tabulari, jitħabat mal-kitba bl-idejn, iħawwad l-ordni tal-qari f’layout b’ħafna kolonni, u jiddeterjora b’mod qawwi fuq skansjonijiet ta’ kwalità fqira. L-OCR 4, peress li jara l-paġna, jirrikostruwixxi l-istruttura semantika tagħha.

Il-konfront ma’ mudelli għal skopijiet ġenerali—Pixtral, GPT, Gemini—jilgħab f’post ieħor. Dawn il-mudelli jistgħu jipproċessaw dokument, imma l-immaġnijiet jikkunsmaw numri enormi ta’ tokens, li jiżen ħafna hekk kif il-volum jikber. Mhumiex ottimizzati għall-fidelità tal-estrazzjoni u jalluċinaw aktar faċilment fuq numri u tabelli, eżattament fejn l-iżbalji jiswew l-aktar: ammont ta’ fattura inventat ma jiġix skopert waqt ir-reviżjoni. L-OCR 4 huwa rfinut għall-fidelità, mhux għall-ġenerazzjoni.

Fuq il-benchmarks, l-OCR 4 jpoġġi ruħu bħala l-aktar mudell OCR preċiż disponibbli permezz ta’ API, b’preċiżjoni kważi perfetta fl-estrazzjoni ta’ test stampat, rikostruzzjoni fidila tal-istrutturi tat-tabelli, rikonoxximent ta’ kwalità għolja ta’ kitba bl-idejn multilingwi, u riżultati b’saħħithom fuq layouts kumplessi li jħalltu kolonni, sidebar, u grafika inkorporata.

Identifikatur Wieħed Biex Tiftakar

Fil-sejħiet kollha tal-API tiegħek, se tuża dan l-identifikatur:

model = "mistral-ocr-latest"

Dan dejjem jipponta lejn l-aħħar verżjoni stabbli tal-mudell, u l-aġġornamenti huma trasparenti u kompatibbli lura. Irreżisti t-tentazzjoni li tiffissa verżjoni datata fil-kodiċi tiegħek: tiċħad lilek innifsek mill-miglioramenti mingħajr ma tikseb stabbiltà.

Punti Ewlenin

  • L-OCR 4 huwa VLM irfinut, mhux OCR klassiku ta’ rikonoxximent ta’ mudelli
  • Jipproduċi Markdown strutturat paġna b’paġna b’immaġnijiet, tabelli u metadata
  • Is-sostenn multilingwi jkopri aktar minn 50 lingwa, inkluża l-kitba bl-idejn
  • Jaqbeż l-OCRs klassiċi u l-mudelli għal skopijiet ġenerali fil-preċiżjoni tal-estrazzjoni
  • L-identifikatur mistral-ocr-latest jiggarantixxi aċċess għall-aħħar verżjoni