Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Model OCR od Mistralu (OCR 4)

Lekcia 2 z 16 Aktualizované 2. novembra 2026 Vývojár
Na tejto strane
  1. VLM špecializovaný na extrakciu z dokumentov
  2. Pod kapotou
  3. Výstup, stránka po stránke
  4. Konfrontácia s alternatívami
  5. Jeden identifikátor, ktorý si treba zapamätať
  6. Kľúčové poznatky

Aktualizované 2. novembra 2026 — OCR. Verzia OCR 4.0 (mistral-ocr-4-0) bola vyradená 30. septembra 2026. Používaj OCR 4.1 (mistral-ocr-4-1), ktorá je všeobecne dostupná od 31. augusta za rovnakú cenu, alebo alias mistral-ocr-latest, ktorý na ňu odkazuje od 16. júla. OCR 4.1 pridáva hodnoty spoľahlivosti na úrovni blokov.

VLM špecializovaný na extrakciu z dokumentov

Keď do kódu napíšeš mistral-ocr-latest, cieliš na najnovšiu generáciu OCR od Mistralu: OCR 4, nástupcu verzie OCR 3. Ide o jazykový model s vizuálnymi schopnosťami (VLM), ktorý bol jemne doladený výlučne na extrakciu textu z dokumentov. Táto špecializácia priamo ovplyvňuje tvoje náklady aj výsledky: na rozdiel od univerzálneho modelu, ktorý sa snaží robiť všetko, je OCR 4 optimalizovaný na jedinú úlohu, čo prináša vyššiu presnosť za nižšiu cenu.

Túto novú generáciu oproti OCR 3 definujú dva štrukturálne pokroky. Orámovanie na úrovni odsekov presne lokalizuje každý rozpoznaný blok na stránke: vieš nielen to, čo je napísané, ale aj kde sa to nachádza. A štrukturálne bloky obnovujú dokument ako typovanú štruktúru namiesto prostého textu, čo ťa zbavuje potreby vymýšľať vlastný parser na obnovu hierarchie správy.

Pod kapotou

Architektúra využíva prelínanú tokenizáciu: model spracúva textové tokeny a vizuálne tokeny súčasne. Konkrétne nečíta izolované znaky a následne sa nesnaží uhádnuť ich usporiadanie; vidí celú stránku a uvažuje o nej. To mu umožňuje pochopiť, že dokument je organizovaný do dvoch stĺpcov, že podnadpis riadi nasledujúce odseky alebo že popis súvisí s obrázkom nad ním.

OCR 4 patrí do tieru Premier spoločnosti Mistral AI. Pre nasadenie v podnikoch to znamená vysokú dostupnosť prostredníctvom API La Plateforme, pravidelné aktualizácie aplikované bez prerušenia služby a možnosť predplatiť si podnikové SLA, keď je spracovanie dokumentov pre tvoje podnikanie kritické.

Podpora jazykov presahuje päťdesiat jazykov. Pokrýva latinské písma – francúzštinu, angličtinu, španielčinu, nemčinu, taliančinu, portugalčinu –, ázijské jazyky ako čínština, japončina a kórejčina, písma čítané sprava doľava, ako sú arabčina a hebrejčina, a cyriliku pre ruštinu a ukrajinčinu. Často rozhodujúci bod v praxi: rukopis je rozoznávaný vo všetkých týchto jazykoch, čo otvára možnosti spracovania ručne vyplnených formulárov.

Výstup, stránka po stránke

Pre každú spracovanú stránku vráti OCR 4 objekt JSON, kde budeš pri bežných operáciách primárne využívať dva alebo tri polia:

{
    "index": 0,              # Číslo stránky (indexované od 0)
    "markdown": "## Title\n\nContent...",  # Text vo formáte Markdown
    "images": [...],         # Extrahované obrázky (voliteľné base64)
    "tables": [...],         # Detegované tabuľky
    "hyperlinks": [...],     # Zachované hypertextové odkazy
    "header": "Header",      # Hlavička stránky (voliteľné)
    "footer": "Footer",      # Pätička stránky (voliteľné)
    "dimensions": {          # Rozmery stránky
        "width": 612,
        "height": 792
    }
}

Pole markdown nesie väčšinu obsahu. Vykresľovanie tabuliek v rámci tohto Markdownu je riadené parametrom table_format, ktorý prijíma tri hodnoty:

  • null (predvolené): tabuľky inline v rámci Markdownu
  • "markdown": tabuľky v štandardnom formáte Markdown s zvislítkami |
  • "html": tabuľky v plnom HTML so značkami <table>, <tr>, <td>

Obrázky sú segmentované automaticky. Povolením možnosti include_image_base64=True získaš každú ilustráciu zakódovanú v base64, pripravenú na uloženie na disk alebo opätovné vloženie do rekonštruovaného dokumentu. Bez tejto možnosti dostaneš iba odkazy, čo výrazne odľahčí odpoveď, keď spracúvaš iba text.

Konfrontácia s alternatívami

V porovnaní s nástrojom Tesseract je rozdiel viditeľný už pri prvom netriviálnom dokumente. Tesseract podáva slušné výsledky pri jednoduchom tlačenom texte, ale chýba mu akékoľvek pochopenie tabuľkovej štruktúry, zakopáva pri rukopise, mieša si poradie čítania vo viacstĺpcových rozloženiach a prudko degraduje pri skenoch nízkej kvality. OCR 4, pretože vidí stránku, rekonštruuje jej sémantickú štruktúru.

Porovnanie s univerzálnymi modelmi – Pixtral, GPT, Gemini – sa odohráva inde. Tieto modely dokážu spracovať dokument, ale obrázky spotrebúvajú obrovské množstvo tokenov, čo pri rastúcom objeme výrazne zaťažuje náklady. Nie sú optimalizované na vernosť extrakcie a ľahšie halucinujú pri číslach a tabuľkách, presne tam, kde chyby stoja najviac: vymyslená suma na faktúre nebude pri kontrole odhalená. OCR 4 je jemne doladený na vernosť, nie na generovanie.

V benchmarkoch sa OCR 4 позиcionuje ako najpresnejší model OCR dostupný cez API, s takmer dokonalou presnosťou pri extrakcii tlačeného textu, vernou rekonštrukciou štruktúr tabuliek, vysokokvalitným viacjazyčným rozpoznávaním rukopisu a silnými výsledkami pri komplexných rozloženiach kombinujúcich stĺpce, bočné panely a vloženú grafiku.

Jeden identifikátor, ktorý si treba zapamätať

Vo všetkých svojich volaniach API použiješ tento identifikátor:

model = "mistral-ocr-latest"

Vždy odkazuje na najnovšiu stabilnú verziu modelu a aktualizácie sú transparentné a spätne kompatibilné. Odolaj pokušeniu pripnúť v kóde datovanú verziu: pripravil by si sa o vylepšenia bez získania stability.

Kľúčové poznatky

  • OCR 4 je jemne doladený VLM, nie klasický OCR založený na rozpoznávaní vzorov
  • Produkuje štruktúrovaný Markdown stránku po stránke s obrázkami, tabuľkami a metadátami
  • Viacjazyčná podpora pokrýva viac ako 50 jazykov vrátane rukopisu
  • Prekonáva klasické OCR aj univerzálne modely v presnosti extrakcie
  • Identifikátor mistral-ocr-latest garantuje prístup k najnovšej verzii