Model OCR firmy Mistral (OCR 4)
Na tej stronie
Zaktualizowano 2 listopada 2026 r. — OCR. Wersja OCR 4.0 (
mistral-ocr-4-0) została wycofana 30 września 2026 r. Używaj wersji OCR 4.1 (mistral-ocr-4-1), która jest ogólnie dostępna od 31 sierpnia w tej samej cenie, lub aliasumistral-ocr-latest, który wskazuje na nią od 16 lipca. OCR 4.1 dodaje wyniki pewności (confidence scores) na poziomie bloków.
VLM wyspecjalizowany w ekstrakcji dokumentów
Gdy wpisujesz mistral-ocr-latest w swoim kodzie, celujesz w najnowszą generację OCR firmy Mistral: OCR 4, następcę OCR 3. Jest to model językowo-wizualny (VLM) dostrojony wyłącznie do ekstrakcji tekstu z dokumentów. Ta specjalizacja ma bezpośredni wpływ na Twoje rachunki i wyniki: w przeciwieństwie do modelu ogólnego przeznaczenia, który próbuje robić wszystko, OCR 4 jest zoptymalizowany pod kątem jednego zadania, zapewniając wyższą dokładność przy niższym koszcie.
Dwa postępy strukturalne definiują tę nową generację w porównaniu z OCR 3. Prostokąty ograniczające na poziomie akapitów precyzyjnie lokalizują każdy rozpoznany blok na stronie: wiesz nie tylko, co jest napisane, ale także gdzie. Z kolei bloki strukturalne odtwarzają dokument jako strukturę typowaną, a nie zwykły tekst, co избавia Cię od konieczności pisania własnego parsera w celu odzyskania hierarchii raportu.
Pod maską
Architektura opiera się na przeplatanej tokenizacji: model przetwarza tokeny tekstowe i wizualne jednocześnie. Konkretnie rzecz biorąc, nie odczytuje on pojedynczych znaków, a następnie nie próbuje zgadywać ich układu; widzi całą stronę i rozumuje na jej temat. Pozwala mu to zrozumieć, że dokument jest zorganizowany w dwie kolumny, że podtytuł dotyczy następujących po nim akapitów lub że podpis odnosi się do obrazu znajdującego się powyżej.
OCR 4 należy do poziomu Premier w ofercie Mistral AI. W przypadku wdrożeń korporacyjnych przekłada się to na wysoką dostępność poprzez API La Plateforme, regularne aktualizacje wprowadzane bez przerwy w działaniu usługi oraz możliwość wykupienia korporacyjnej umowy SLA, gdy przetwarzanie dokumentów leży na krytycznej ścieżce biznesowej.
Wsparcie językowe obejmuje ponad pięćdziesiąt języków. Pokrywa skrypty łacińskie – francuski, angielski, hiszpański, niemiecki, włoski, portugalski – języki azjatyckie, takie jak chiński, japoński i koreański, skrypty pisane od prawej do lewej, takie jak arabski i hebrajski, oraz cyrylicę dla rosyjskiego i ukraińskiego. Punkt często decydujący w praktyce: pismo ręczne jest rozpoznawane we wszystkich tych językach, co otwiera możliwość przetwarzania formularzy wypełnianych ręcznie.
Wyjście, strona po stronie
Dla każdej przetworzonej strony OCR 4 zwraca obiekt JSON, w którym w codziennych operacjach będziesz głównie korzystać z dwóch lub trzech pól:
{
"index": 0, # Numer strony (indeksowany od 0)
"markdown": "## Tytuł\n\nTreść...", # Tekst w formacie Markdown
"images": [...], # Wyodrębnione obrazy (opcjonalnie base64)
"tables": [...], # Wykryte tabele
"hyperlinks": [...], # Zachowane hiperłącza
"header": "Nagłówek", # Nagłówek strony (opcjonalnie)
"footer": "Stopka", # Stopka strony (opcjonalnie)
"dimensions": { # Wymiary strony
"width": 612,
"height": 792
}
}
Pole markdown zawiera większość treści. Renderowanie tabel wewnątrz tego Markdownu jest kontrolowane przez parametr table_format, który przyjmuje trzy wartości:
null(domyślnie): tabele osadzone inline wewnątrz Markdownu"markdown": tabele w standardowym formacie Markdown z użyciem pionowych kresek|"html": tabele w pełnym HTML z tagami<table>,<tr>,<td>
Obrazy są segmentowane automatycznie. Włączając opcję include_image_base64=True, pobierasz każdą ilustrację zakodowaną w formacie base64, gotową do zapisu na dysku lub ponownego wstrzyknięcia do zrekonstruowanego dokumentu. Bez tej opcji otrzymujesz tylko odniesienia, co znacznie odciąża odpowiedź, gdy przetwarzasz wyłącznie tekst.
Konfrontacja z alternatywami
W porównaniu z Tesseractem różnica jest widoczna już przy pierwszym nietrywialnym dokumencie. Tesseract radzi sobie przyzwoicie z prostym tekstem drukowanym, ale brakuje mu jakiegokolwiek zrozumienia struktury tabelarycznej, potyka się przy piśmie ręcznym, myli kolejność czytania w układach wielokolumnowych i drastycznie traci na jakości przy skanach słabej jakości. OCR 4, ponieważ „widzi“ stronę, rekonstruuje jej strukturę semantyczną.
Porównanie z modelami ogólnego przeznaczenia – Pixtral, GPT, Gemini – wygląda inaczej. Modele te mogą przetwarzać dokument, ale obrazy zużywają ogromną liczbę tokenów, co mocno obciąża koszty wraz ze wzrostem wolumenu. Nie są zoptymalizowane pod kątem wierności ekstrakcji i łatwiej halucynują na liczbach i tabelach, czyli dokładnie tam, gdzie błędy kosztują najwięcej: zmyślona kwota na fakturze nie zostanie wykryta podczas przeglądu. OCR 4 jest dostrojony do wierności, a nie generacji.
W benchmarkach OCR 4 pozycjonuje się jako najdokładniejszy model OCR dostępny przez API, osiągając niemal idealną dokładność w ekstrakcji tekstu drukowanego, wierne odtwarzanie struktur tabel, wysokiej jakości rozpoznawanie pisma ręcznego w wielu językach oraz świetne wyniki w przypadku złożonych układów mieszających kolumny, paski boczne i osadzoną grafikę.
Jeden identyfikator do zapamiętania
We wszystkich wywołaniach API użyjesz tego identyfikatora:
model = "mistral-ocr-latest"
Zawsze wskazuje on na najnowszą stabilną wersję modelu, a aktualizacje są przezroczyste i zachowują wsteczną kompatybilność. Oprzyj się pokusie sztywnego przypinania przestarzałej wersji w swoim kodzie: pozbawiłbyś się ulepszeń, nie zyskując na stabilności.
Kluczowe wnioski
- OCR 4 to dostrojony model VLM, a nie klasyczny OCR oparty na rozpoznawaniu wzorców
- Generuje ustrukturyzowany Markdown strona po stronie, zawierający obrazy, tabele i metadane
- Wsparcie wielojęzyczne obejmuje ponad 50 języków, w tym pismo ręczne
- Przewyższa klasyczne systemy OCR i modele ogólnego przeznaczenia pod względem dokładności ekstrakcji
- Identyfikator
mistral-ocr-latestgwarantuje dostęp do najnowszej wersji