Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Mistralov model OCR (OCR 4)

Lekcija 2 od 16 Posodobljeno 2. november 2026 Razvijalec
Na tej strani
  1. VLM, specializiran za ekstrakcijo dokumentov
  2. Pod pokrovom
  3. Izhod, stran za stranjo
  4. Soočenje z alternativami
  5. En identifikator, ki si ga je treba zapomniti
  6. Ključne ugotovitve

Posodobljeno 2. novembra 2026 — OCR. Različica OCR 4.0 (mistral-ocr-4-0) je bila ukinjena 30. septembra 2026. Uporabite OCR 4.1 (mistral-ocr-4-1), ki je splošno dostopen od 31. avgusta po enaki ceni, ali vzdevek mistral-ocr-latest, ki kaže nanj od 16. julija. OCR 4.1 dodaja ocene zanesljivosti na ravni blokov.

VLM, specializiran za ekstrakcijo dokumentov

Ko v svoji kodi napišeš mistral-ocr-latest, ciljaš na najnovejšo generacijo Mistralovega OCR: OCR 4, naslednika OCR 3. To je jezikovni vizualni model (VLM), fino prilagojen izključno za ekstrakcijo besedila iz dokumentov. Ta specializacija neposredno vpliva na tvoje stroške in rezultate: za razliko od modela splošne namembnosti, ki poskuša početi vse, je OCR 4 optimiziran za eno samo nalogo, kar zagotavlja večjo natančnost ob nižjih stroških.

Dva strukturna napredka opredeljujeta to novo generacijo v primerjavi z OCR 3. Mejni okvirji na ravni odstavkov natančno locirajo vsak prepoznan blok na strani: veš ne le, kaj je napisano, temveč tudi kje. In strukturni bloki obnovijo dokument kot tipizirano strukturo namesto kot golo besedilo, kar te reši potrebe po ponovnem izumljanju razčlenjevalnika za obnovitev hierarhije poročila.

Pod pokrovom

Arhitektura temelji na prepleteni tokenizaciji: model hkrati obdeluje besedilne in vizualne žetone. Konkretno ne bere izoliranih znakov in nato ugiba njihove razporeditve; vidi celotno stran in o njej razmišlja. To mu omogoča, da razume, da je dokument organiziran v dveh stolpcih, da podnaslov ureja odstavke, ki mu sledijo, ali da se napis nanaša na sliko nad njim.

OCR 4 spada v najvišji razred (Premier) podjetja Mistral AI. Za podjetniško uporabo to pomeni visoko razpoložljivost prek API-ja La Plateforme, redne posodobitve brez prekinitve storitve in možnost naročnine na podjetniško SLA, kadar je obdelava dokumentov kritična za vaše poslovanje.

Podpora za jezike presega petdeset jezikov. Zajema latinične pisave – francoščino, angleščino, španščino, nemščino, italijanščino, portugalščino – azijske jezike, kot so kitajščina, japonščina in korejščina, pisave od desne proti levi, kot sta arabščina in hebrejščina, ter cirilico za ruščino in ukrajinščino. Točka, ki je v praksi pogosto odločilna: rokopis je prepoznan v vseh teh jezikih, kar odpira možnosti za obdelavo ročno izpolnjenih obrazcev.

Izhod, stran za stranjo

Za vsako obdelano stran OCR 4 vrne objekt JSON, kjer boš pri vsakodnevnem delu primarno uporabljal dve ali tri polja:

{
    "index": 0,              # Številka strani (indeksirano od 0)
    "markdown": "## Naslov\n\nVsebina...",  # Besedilo v Markdownu
    "images": [...],         # Izvlečene slike (opcijsko base64)
    "tables": [...],         # Zaznane tabele
    "hyperlinks": [...],     # Ohranjene hiperpovezave
    "header": "Glava",      # Glava strani (opcijsko)
    "footer": "Noga",      # Noga strani (opcijsko)
    "dimensions": {          # Dimenzije strani
        "width": 612,
        "height": 792
    }
}

Polje markdown nosi večino vsebine. Upodabljanje tabel znotraj tega Markdowna nadzoruje parameter table_format, ki sprejme tri vrednosti:

  • null (privzeto): tabele vgrajene znotraj Markdowna
  • "markdown": tabele v standardni obliki Markdown s cevmi |
  • "html": tabele v polnem HTML z oznakami <table>, <tr>, <td>

Slike so samodejno segmentirane. Z omogočitvijo možnosti include_image_base64=True pridobiš vsako ilustracijo kodirano v base64, pripravljeno za shranjevanje na disk ali ponovno vstavljanje v rekonstruirani dokument. Brez te možnosti dobiš le reference, kar bistveno olajša odziv, ko obdeluješ samo besedilo.

Soočenje z alternativami

V primerjavi s Tesseractom je razlika vidna že pri prvem netrivialnem dokumentu. Tesseract deluje spodobno na preprostem tiskanem besedilu, vendar mu manjka kakršno koli razumevanje tabularne strukture, spotika se ob rokopisu, zamenja vrstni red branja v postavitvah z več stolpci in se močno poslabša pri skeniranjih slabe kakovosti. OCR 4, ker vidi stran, rekonstruira njeno semantično strukturo.

Primerjava s modeli splošne namembnosti – Pixtral, GPT, Gemini – poteka drugje. Ti modeli lahko obdelajo dokument, vendar slike porabijo ogromno število žetonov, kar močno obremeni sistem pri večjih količinah. Niso optimizirani za zvestobo ekstrakcije in lažje halucinirajo pri številkah in tabelah, prav tam, kjer so napake najdražje: izmišljen znesek na računu med pregledom ne bo odkrit. OCR 4 je fino prilagojen za zvestobo, ne za generiranje.

Na referenčnih testih se OCR 4 uvršča kot najbolj natančen model OCR, dostopen prek API-ja, z近乎 popolno natančnostjo pri ekstrakciji tiskanega besedila, zvesto rekonstrukcijo struktur tabel, visokokakovostnim večjezikovnim prepoznavanjem rokopisa in močnimi rezultati pri kompleksnih postavitvah, ki mešajo stolpce, stranske vrstice in vgrajeno grafiko.

En identifikator, ki si ga je treba zapomniti

V vseh klicih API-ja boš uporabil ta identifikator:

model = "mistral-ocr-latest"

Vedno kaže na najnovejšo stabilno različico modela, posodobitve pa so pregledne in nazaj združljive. Upri se skušnjavi, da bi v svoji kodi fiksiral datirano različico: s tem bi se prikrajšal za izboljšave, ne da bi pridobil na stabilnosti.

Ključne ugotovitve

  • OCR 4 je fino prilagojen VLM, ne klasičen OCR za prepoznavanje vzorcev
  • Proizvaja strukturiran Markdown stran za stranjo s slikami, tabelami in metapodatki
  • Večjezična podpora zajema več kot 50 jezikov, vključno z rokopisom
  • Prekaša klasične OCR in modele splošne namembnosti pri natančnosti ekstrakcije
  • Identifikator mistral-ocr-latest zagotavlja dostop do najnovejše različice