Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Mistrals OCR-modell (OCR 4)

Lektion 2 av 16 Uppdaterad 2 november 2026 Utvecklare
På denna sida
  1. En VLM specialiserad på dokumentextraktion
  2. Under huven
  3. Utdata, sida för sida
  4. Jämförelse med alternativ
  5. En identifierare att komma ihåg
  6. Viktiga punkter

Uppdaterad 2 november 2026 – OCR. OCR 4.0 (mistral-ocr-4-0) togs ur bruk den 30 september 2026. Använd OCR 4.1 (mistral-ocr-4-1), som har varit allmänt tillgänglig sedan 31 augusti till samma pris, eller aliaset mistral-ocr-latest, som har pekat på den sedan 16 juli. OCR 4.1 lägger till konfidenspoäng på blocknivå.

En VLM specialiserad på dokumentextraktion

När du skriver mistral-ocr-latest i din kod riktar du dig till Mistrals senaste OCR-generation: OCR 4, efterföljaren till OCR 3. Detta är en språkmodell för vision (VLM) som är finjusterad uteslutande för att extrahera text från dokument. Denna specialisering påverkar direkt både din faktura och dina resultat: till skillnad från en generell modell som försöker göra allt, är OCR 4 optimerad för en enda uppgift, vilket ger högre noggrannhet till lägre kostnad.

Två strukturella framsteg definierar denna nya generation jämfört med OCR 3. Begränsningsrutor på styckesnivå lokaliserar exakt varje igenkänt block på sidan: du vet inte bara vad som står skrivet, utan också var. Och strukturella block återskapar dokumentet som en typad struktur snarare än ren text, vilket sparar dig från att behöva uppfinna en parser för att återskapa hierarkin i en rapport.

Under huven

Arkitekturen bygger på sammanflätad tokenisering: modellen bearbetar texttoken och visuella token samtidigt. Konkret läser den inte isolerade tecken för att sedan gissa deras arrangemang; den ser hela sidan och resonerar kring den. Detta gör att den kan förstå att ett dokument är organiserat i två kolumner, att en underrubrik styr de efterföljande styckena, eller att en bildtext hör till bilden ovanför.

OCR 4 tillhör Mistrals Premier-nivå. För företagsdistribution innebär detta hög tillgänglighet via La Plateforme API, regelbundna uppdateringar som appliceras utan driftavbrott, och möjligheten att teckna ett företags-SLA när dokumentbearbetning är kritisk för din verksamhet.

Språkstödet omfattar över femtio språk. Det täcker latinska skriftspråk – franska, engelska, spanska, tyska, italienska, portugisiska – asiatiska språk som kinesiska, japanska och koreanska, höger-till-vänster-skrifter som arabiska och hebreiska, samt kyrilliska för ryska och ukrainska. En ofta avgörande punkt i praktiken: handstil känns igen på alla dessa språk, vilket öppnar upp för bearbetning av manuellt ifyllda formulär.

Utdata, sida för sida

För varje bearbetad sida returnerar OCR 4 ett JSON-objekt där du främst kommer att använda två eller tre fält i den dagliga driften:

{
    "index": 0,              # Sidnummer (0-indexerat)
    "markdown": "## Titel\n\nInnehåll...",  # Text i Markdown
    "images": [...],         # Extraherade bilder (base64 valfritt)
    "tables": [...],         # Upptäckta tabeller
    "hyperlinks": [...],     # Bevarade hyperlänkar
    "header": "Sidhuvud",      # Sidhuvud (valfritt)
    "footer": "Sidfot",      # Sidfot (valfritt)
    "dimensions": {          # Siddimensioner
        "width": 612,
        "height": 792
    }
}

Fältet markdown bär huvuddelen av innehållet. Renderingen av tabeller inom denna Markdown styrs av parametern table_format, som accepterar tre värden:

  • null (standard): tabeller inline inom Markdown
  • "markdown": tabeller i standard Markdown-format med pipe-tecken |
  • "html": tabeller i fullständig HTML med taggarna <table>, <tr>, <td>

Bilder segmenteras automatiskt. Genom att aktivera alternativet include_image_base64=True hämtar du varje illustration kodad i base64, redo att sparas till disk eller injiceras på nytt i ett rekonstruerat dokument. Utan detta alternativ får du endast referenser, vilket lättar svaret avsevärt när du bara bearbetar text.

Jämförelse med alternativ

Jämfört med Tesseract syns skillnaden redan vid första icke-triviala dokumentet. Tesseract presterar hyfsat på enkel tryckt text, men saknar helt förståelse för tabellstruktur, snubblar på handstil, blandar ihop läsordningen i layouter med flera kolumner och försämras kraftigt vid skanningar av dålig kvalitet. OCR 4, eftersom den ser hela sidan, rekonstruerar dess semantiska struktur.

Jämförelsen med generella modeller – Pixtral, GPT, Gemini – utspelar sig på annat håll. Dessa modeller kan bearbeta ett dokument, men bilder konsumerar enorma mängder token, vilket blir tungt när volymen ökar. De är inte optimerade för extraktionsnoggrannhet och hallucinerar lättare när det gäller siffror och tabeller, precis där fel kostar som mest: ett påhittat fakturabelopp upptäcks inte vid granskning. OCR 4 är finjusterad för trogenhet, inte generering.

I benchmark-tester positionerar sig OCR 4 som den noggrannaste OCR-modellen tillgänglig via API, med nästan perfekt noggrannhet vid extraktion av tryckt text, trogen rekonstruktion av tabellstrukturer, högkvalitativ flerspråkig igenkänning av handstil och starka resultat på komplexa layouter som blandar kolumner, sidofält och inbäddad grafik.

En identifierare att komma ihåg

I alla dina API-anrop kommer du att använda denna identifierare:

model = "mistral-ocr-latest"

Den pekar alltid på den senaste stabila modellversionen, och uppdateringar är transparenta och bakåtkompatibla. Motstå frestelsen att låsa en daterad version i din kod: du skulle beröva dig själv förbättringar utan att vinna stabilitet.

Viktiga punkter

  • OCR 4 är en finjusterad VLM, inte en klassisk mönsterigenkännings-OCR
  • Den producerar strukturerad Markdown sida för sida med bilder, tabeller och metadata
  • Flerspråkstöcket täcker över 50 språk, inklusive handstil
  • Den överträffar klassiska OCR:er och generella modeller i extraktionsnoggrannhet
  • Identifieraren mistral-ocr-latest garanterar tillgång till den senaste versionen