Wprowadzenie do Document AI i inteligentnego OCR
Na tej stronie
Aktualizacja z 2 listopada 2026 r. — Le Chat staje się Vibe. Od 28 maja 2026 r. usługa Le Chat zmieniła nazwę na Vibe (nadal dostępna pod adresem chat.mistral.ai): to pojedynczy agent do pracy i programowania, który zachowuje Twoje konwersacje, ustawienia i subskrypcje. Starsza wersja Le Chat pozostaje dostępna w trybie Chat; w trybie Work agenci przekształcili się w umiejętności (wywoływane za pomocą `@»), pamięci tworzą bazę wiedzy, a głębokie wyszukiwanie to teraz umiejętność Deep Research. Plany noszą teraz nazwy Mistral Free, Pro, Team i Enterprise. W tej lekcji używamy nazwy Vibe; niektóre opisane tu menu mogły zmienić nazwy lub lokalizację.
Znacznie więcej niż zwykły czytnik dokumentów
W sekcji poświęconej Vision dowiedziałeś się, że Vibe potrafi odczytywać tekst zawarty w obrazie. Jednak gdy chodzi o przetwarzanie złożonych dokumentów — wielostronicowych plików PDF, zeskanowanych formularzy czy raportów finansowych pełnych zagnieżdżonych tabel — potrzebujesz wyspecjalizowanego narzędzia. Właśnie to oferuje Document AI od Mistral, napędzany silnikiem OCR 3. Ta lekcja stanowi fundament całej sekcji: zrozumiesz, czym jest OCR, jak podejście Mistral przełamuje schematy klasycznych rozwiązań i co najważniejsze — kiedy użyć go zamiast Vision.
OCR to skrót od Optical Character Recognition (optyczne rozpoznawanie znaków). Jest to technologia przekształcająca obraz zawierający tekst — czy to skan, zdjęcie, czy plik PDF oparty na obrazach — w użyteczny tekst cyfrowy: taki, który możesz kopiować, wyszukiwać lub analizować jak każdy dokument born-digital. Stawka jest codzienna: pomyśl o fakturze, którą współpracownik przesłał jako zdjęcie, albo o kontrakcie zeskanowanym dziesięć lat temu, w którym musisz odnaleźć konkretny zapis. Bez OCR te dokumenty pozostają niemymi obrazami.
Dlaczego klasyczny OCR nie wystarczał
OCR istnieje od dziesięcioleci, ale tradycyjne rozwiązania — Tesseract jest tu najbardziej znanym przykładem — cierpiały na poważne ograniczenia, które zna każdy, kto kiedykolwiek skanował dokument. Traciliśmy układ strony: tekst wychodził pomieszany, ignorując strukturę dokumentu, zamieniając starannie zorganizowany raport w bezładną masę akapitów. Tabele były ignorowane, kolumny i wiersze mieszały się tak bardzo, że dane stawały się bezużyteczne. Pismo ręczne pozostawało niemal nieczytelne. Dokumenty wielojęzyczne dawały słabe wyniki, gdy tylko wychodziliśmy poza język angielski. Obrazy osadzone w tekście — wykresy, diagramy — były po prostu pomijane.
Silnik OCR 3 od Mistral całkowicie zmienia zasady gry, a przyczyna leży w jego architekturze. Zamiast stosować klasyczne techniki rozpoznawania znaków, opiera się on na wielomodalnym modelu językowym (VLM), wyszkolonym specjalnie do rozumienia dokumentów. Różnica jest fundamentalna: klasyczny OCR rozpoznaje pojedyncze znaki i próbuje złożyć je w słowa, niczym ktoś odszyfrowujący litera po literze bez zrozumienia zdania. Natomiast OCR napędzany sztuczną inteligencją od Mistral rozumie dokument jako całość — jego strukturę, treść i kontekst. W obliczu częściowo zatartego słowa potrafi je wywnioskować z kontekstu, tak jak zrobiłby to ludzki czytelnik.
W praktyce Document AI wydobywa tekst z plików PDF, obrazów i zeskanowanych dokumentów, zachowując oryginalny układ. Odtwarza tabele wraz z nagłówkami, kolumnami i danymi, generując czysty format Markdown. Odczytuje pismo ręczne — notatki lekarskie, formularze wypełniane odręcznie, adnotacje na marginesach. Przetwarza dokumenty wielojęzyczne z wysoką dokładnością w wielu językach, opisuje obrazy i wykresy zawarte w dokumencie, generując do nich podpisy tekstowe, oraz rozumie kontekst na tyle dobrze, by odpowiadać na pytania dotyczące treści.
OCR 3 w liczbach
Pod względem wydajności silnik zapewnia najnowocześniejszą dokładność w benchmarkach dotyczących rozpoznawania tekstu, pisma ręcznego i tabel. Przetwarza do 2000 stron na minutę na pojedynczym procesorze GPU — to wystarczy, aby przetworzyć całe archiwa. Akceptuje wiele formatów: PDF, Word, zeskanowane obrazy i zdjęcia o różnej jakości. Jego wynik jest ustrukturyzowany: otrzymujesz czysty Markdown z odwołaniami do obrazów, a nie surowy tekst wymagający dodatkowej obróbki.
Czym różni się od Vision w Vibe?
Możesz pytać: „Dlaczego po prostu nie przesłać mojego PDF do Vibe i nie użyć Vision?“. To słuszne pytanie, a odpowiedź na nie kształtuje cały Twój przepływ pracy. Vision w Vibe, omówione w pierwszej sekcji tego kursu, idealnie nadaje się do analizy pojedynczego, izolowanego obrazu — zdjęcia, wykresu, zrzutu ekranu. Jednak w przypadku wielostronicowych dokumentów o złożonym układzie Document AI oferuje decydujące przewagi: przetwarzanie strona po stronie z odbudową ogólnej struktury dokumentu, ekstrakcję tabel wierną oryginałowi, a nie będącą przybliżeniem, adnotacje i metadane, o które możesz wyraźnie poprosić — autor, data, kwoty — oraz prawdziwe问答 (Q&A) dotyczące dokumentów o dużej objętości.
Zapamiętaj tę zasadę: dla pojedynczego obrazu z tekstem wystarczy Vision; dla wielostronicowego dokumentu, który chcesz dogłębnie przeanalizować, uruchom Document AI. Prawnik robiący zdjęcie klauzuli, aby ją wyjaśnić, używa Vision; ten sam prawnik przesyłający pełny, 40-stronicowy kontrakt w celu audytu zobowiązań, używa Document AI.
W kolejnych lekcjach tej sekcji nauczysz się, jak przesłać plik PDF do Vibe i uzyskać automatyczną ekstrakcję, wydobywać ustrukturyzowane dane — tabele, nagłówki, liczby — z dowolnego dokumentu, a następnie zadawać pytania dotyczące treści dokumentu, aby uzyskać precyzyjne odpowiedzi.
Kluczowe wnioski
- Document AI to rozwiązanie Mistral do inteligentnego przetwarzania dokumentów, napędzane przez OCR 3
- W przeciwieństwie do klasycznego OCR, OCR 3 rozumie strukturę i kontekst dokumentu
- Obsługuje tabele, pismo ręczne, dokumenty wielojęzyczne i osadzone obrazy
- Do prostego obrazu użyj Vision; do złożonego dokumentu użyj Document AI
- Przetwarzanie jest szybkie: do 2000 stron na minutę