Salt la conținutul principal
Română— Alege o limbă
Meniu

Modelul OCR Mistral (OCR 4)

Lecția 2 din 16 Actualizată 2 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Un VLM specializat în extragerea din documente
  2. Sub capotă
  3. Ieșire, pagină cu pagină
  4. În fața alternativelor
  5. Un singur identificator de reținut
  6. Puncte cheie

Actualizat pe 2 noiembrie 2026 — OCR. Versiunea OCR 4.0 (mistral-ocr-4-0) a fost retrasă la 30 septembrie 2026. Utilizați OCR 4.1 (mistral-ocr-4-1), disponibil public din 31 august la același preț, sau aliasul mistral-ocr-latest, care indică această versiune începând cu 16 iulie. OCR 4.1 adaugă scoruri de încredere la nivel de bloc.

Un VLM specializat în extragerea din documente

Când scrieți mistral-ocr-latest în codul dumneavoastră, vizați cea mai recentă generație OCR de la Mistral: OCR 4, succesorul lui OCR 3. Acesta este un model lingvistic vizual (VLM) ajustat exclusiv pentru extragerea textului din documente. Această specializare impactează direct factura și rezultatele dumneavoastră: spre deosebire de un model cu scop general care încearcă să facă totul, OCR 4 este optimizat pentru o singură sarcină, oferind o precizie mai mare la un cost redus.

Două avansuri structurale definesc această nouă generație în comparație cu OCR 3. Chenarele la nivel de paragraf localizează precis fiecare bloc recunoscut pe pagină: știți nu doar ce este scris, ci și unde. Iar blocurile structurale restaurează documentul ca o structură tipizată, nu ca text simplu, scutindu-vă de necesitatea de a rescrie un parser pentru a recupera ierarhia unui raport.

Sub capotă

Arhitectura se bazează pe tokenizare intercalată: modelul procesează simultan tokeni de text și tokeni vizuali. Concret, acesta nu citește caractere izolate pentru a ghici apoi aranjamentul lor; vede întreaga pagină și raționează asupra ei. Acest lucru îi permite să înțeleagă faptul că un document este organizat în două coloane, că un subtitlu guvernează paragrafele care îl urmează sau că o legendă se referă la imaginea de deasupra ei.

OCR 4 aparține nivelului Premier al Mistral AI. Pentru implementarea la nivel de întreprindere, acest lucru se traduce prin disponibilitate ridicată prin API-ul La Plateforme, actualizări regulate aplicate fără întreruperea serviciului și opțiunea de a subscrie la un SLA pentru întreprinderi atunci când procesarea documentelor este critică pentru afacerea dumneavoastră.

Suportul lingvistic depășește cincizeci de limbi. Acoperă scripturi latine (franceză, engleză, spaniolă, germană, italiană, portugheză), limbi asiatice precum chineza, japoneza și coreeana, scripturi de la dreapta la stânga cum ar fi araba și ebraica, și chirilica pentru rusă și ucraineană. Un aspect adesea decisiv în practică: scrisul de mână este recunoscut în toate aceste limbi, deschizând calea procesării formularelor completate manual.

Ieșire, pagină cu pagină

Pentru fiecare pagină procesată, OCR 4 returnează un obiect JSON în care veți utiliza în principal două sau trei câmpuri în operațiunile zilnice:

{
    "index": 0,              # Page number (0-indexed)
    "markdown": "## Title\n\nContent...",  # Text in Markdown
    "images": [...],         # Extracted images (base64 optional)
    "tables": [...],         # Detected tables
    "hyperlinks": [...],     # Preserved hyperlinks
    "header": "Header",      # Page header (optional)
    "footer": "Footer",      # Page footer (optional)
    "dimensions": {          # Page dimensions
        "width": 612,
        "height": 792
    }
}

Câmpul markdown transportă grosul conținutului. Randarea tabelelor în acest Markdown este controlată de parametrul table_format, care acceptă trei valori:

  • null (implicit): tabele inline în interiorul Markdown
  • "markdown": tabele în format Markdown standard cu bare verticale |
  • "html": tabele în HTML complet cu tag-uri <table>, <tr>, <td>

Imaginile sunt segmentate automat. Prin activarea opțiunii include_image_base64=True, recuperați fiecare ilustrație codificată în base64, gata de a fi salvată pe disc sau reinjectată într-un document reconstruit. Fără această opțiune, obțineți doar referințe, ceea ce ușurează semnificativ răspunsul atunci când procesați doar text.

În fața alternativelor

În comparație cu Tesseract, diferența este vizibilă de la primul document non-trivial. Tesseract se descurcă decent pe textul tipărit simplu, dar îi lipsește orice înțelegere a structurii tabulare, se poticnește la scrisul de mână, amestecă ordinea de citire în layout-urile cu mai multe coloane și se degradează brusc pe scanările de calitate slabă. OCR 4, deoarece vede pagina, îi reconstruiește structura semantică.

Comparația cu modelele cu scop general—Pixtral, GPT, Gemini—se joacă în altă parte. Aceste modele pot procesa un document, dar imaginile consumă un număr uriaș de tokeni, ceea ce cântărește greu pe măsură ce volumul crește. Ele nu sunt optimizate pentru fidelitatea extragerii și halucinează mai ușor la numere și tabele, exact acolo unde erorile costă cel mai mult: o sumă de factură inventată nu va fi prinsă în timpul revizuirii. OCR 4 este ajustat pentru fidelitate, nu pentru generare.

În benchmark-uri, OCR 4 se poziționează ca fiind cel mai precis model OCR disponibil prin API, cu o acuratețe aproape perfectă la extragerea textului tipărit, reconstrucția fidelă a structurilor de tabele, recunoașterea de înaltă calitate a scrisului de mână multilingv și rezultate puternice pe layout-uri complexe care mixează coloane, bare laterale și grafice încorporate.

Un singur identificator de reținut

În toate apelurile dumneavoastră API, veți folosi acest identificator:

model = "mistral-ocr-latest"

Acesta indică întotdeauna cea mai recentă versiune stabilă a modelului, iar actualizările sunt transparente și compatibile cu versiunile anterioare. Rezistați tentației de a fixa (pin) o versiune datată în codul dumneavoastră: v-ați priva de îmbunătățiri fără a câștiga stabilitate.

Puncte cheie

  • OCR 4 este un VLM ajustat, nu un OCR clasic bazat pe recunoașterea de tipare
  • Produce Markdown structurat pagină cu pagină, cu imagini, tabele și metadate
  • Suportul multilingv acoperă peste 50 de limbi, inclusiv scrisul de mână
  • Depășește OCR-urile clasice și modelele cu scop general în precizia extragerii
  • Identificatorul mistral-ocr-latest garantează accesul la cea mai recentă versiune