Mistral AI 推出文件理解 API，實現多模態 OCR
Mistral AI 推出全新的光學字元識別（OCR）API，旨在改變文件理解領域的遊戲規則。「Mistral OCR」技術，以前所未有的文件理解能力，將挑戰現有市場上的競爭產品。
在資訊技術發展的長河中，從象形文字到數字化，每一次飛躍都讓人類知識更加易於獲取與應用。而現在，我們正站在下一個技術躍進的邊緣。據統計，全球約 90% 的組織數據以文件形式儲存，Mistral OCR 正是為了釋放這些數據的潛力而生。
超越傳統的文件理解模型
與市場上其他 OCR 解決方案不同，Mistral OCR 能夠以前所未有的精準度理解文件中的所有元素，包括媒體、文字、表格和方程式。它接收圖像和 PDF 作為輸入，並按順序提取交錯的文字和圖像內容。
這使得 Mistral OCR 成為與處理多模態文件（如幻燈片或複雜 PDF）的 RAG 系統結合使用的理想模型。目前，這一模型已在 Le Chat 平台上向數百萬用戶開放，並以 API 形式「mistral-ocr-latest」發布，價格為 1000 頁/美元（使用批處理推理可將每美元處理的頁面數提高約一倍）。
卓越的技術特點
Mistral OCR 擁有多項突出特點，使其在競爭激烈的市場中脫穎而出：
- 頂尖的複雜文件理解能力：卓越於處理交錯的圖像、數學表達式、表格和 LaTeX 格式等複雜排版，能深入理解包含圖表、圖形、方程式和圖像的科學論文。
- 原生多語言和多模態支持：能夠解析、理解和轉錄全球數千種字體和語言，這對於處理來自不同語言背景文件的全球組織至關重要。
- 行業領先的基準表現：在嚴格的基準測試中，Mistral OCR 一直優於其他領先的 OCR 模型，其在文件分析各方面的準確性都超越競爭對手。
- 同類產品中速度最快：作為同類產品中重量最輕的模型之一，Mistral OCR 處理速度顯著快於同行，單節點每分鐘可處理高達 2000 頁。
- 文件即提示，結構化輸出：創新地將文件作為提示使用，使指令更加強大和精確，允許用戶從文件中提取特定資訊並格式化為結構化輸出。
- 選擇性自部署選項：為具有嚴格數據隱私要求的組織提供自部署選項，確保敏感或機密信息保持安全。
性能基準展示壓倒性優勢
參考分數：
| Model | Fuzzy Match in Generation |
|---|---|
| Google-Document-AI | 95.88 |
| Gemini-2.0-Flash-001 | 96.53 |
| Azure OCR | 97.31 |
| Mistral OCR 2503 | 99.02 |
| Language | Azure OCR | Google Doc AI | Gemini-2.0-Flash-001 | Mistral OCR 2503 |
|---|---|---|---|---|
| ru | 97.35 | 95.56 | 96.58 | 99.09 |
| fr | 97.50 | 96.36 | 97.06 | 99.20 |
| hi | 96.45 | 95.65 | 94.99 | 97.55 |
| zh | 91.40 | 90.89 | 91.85 | 97.11 |
| pt | 97.96 | 96.24 | 97.25 | 99.42 |
| de | 98.39 | 97.09 | 97.19 | 99.51 |
| es | 98.54 | 97.52 | 97.75 | 99.54 |
| tr | 95.91 | 93.85 | 94.66 | 97.00 |
| uk | 97.81 | 96.24 | 96.70 | 99.29 |
| it | 98.31 | 97.69 | 97.68 | 99.42 |
| ro | 96.45 | 95.14 | 95.88 | 98.79 |
根據公開的基準測試數據，Mistral OCR 在多項指標上均超越了包括 Google Document AI、Azure OCR、Gemini 系列和 GPT-4o 在內的主要競爭對手。
在整體表現方面，Mistral OCR 2503 版本達到了 94.89% 的準確率，而最接近的競爭對手 Gemini-2.0-Flash-001 僅為 88.69%。在數學內容處理方面，差距更為明顯，Mistral OCR 達到 94.29%，遠超 Gemini-1.5-Flash-002 的 89.11%。
多語言能力方面，Mistral OCR 同樣表現卓越。在模糊匹配生成測試中，Mistral OCR 達到了 99.02% 的準確率，超過 Azure OCR 的 97.31% 和 Gemini-2.0-Flash-001 的 96.53%。更令人印象深刻的是，在中文處理上，Mistral OCR 達到 97.11% 的準確率，而競爭對手普遍徘徊在 90-92% 之間。
廣泛的應用場景
Mistral OCR 目前已在多個領域展現其強大價值：
- 科學研究數位化：領先研究機構使用 Mistral OCR 將科學論文和期刊轉換為 AI 就緒格式，加速科學工作流程。
- 歷史和文化遺產保存：各大機構和非營利組織利用該技術數位化歷史文件和文物，確保它們的保存並使更廣泛的受眾能夠訪問。
- 客戶服務流程優化：客戶服務部門將文檔和手冊轉換為索引知識，減少響應時間並提高客戶滿意度。
- 教育、法律、設計等文獻 AI 化：幫助公司將技術文獻、工程圖紙、講義、演示文稿和監管文件等轉換為可索引、可回答的格式，為數百萬文件解鎖智能和生產力。
目前，Mistral OCR 功能已在 Le Chat 平台上免費提供試用，開發者也可以通過 La Plateforme 嘗試 API。作為戰略合作計劃的一部分，Mistral AI 還將選擇性地提供本地部署選項。
TechApple 觀點：OCR 技術的新戰場與產業洗牌即將來臨
Mistral AI 的這次強勢出擊無疑將重塑整個 OCR 市場格局，與谷歌、微軟和 OpenAI 等巨頭直接在基準測試數據上取勝，不僅是技術實力的展示，更象徵著 AI 領域新秀對傳統巨頭的挑戰。特別值得關注的是 Mistral OCR 在中文等亞洲語言上的突出表現。在這些傳統被視為西方 AI 模型弱項的語言上，Mistral OCR 取得了接近 97% 的高準確率，這對於亞洲市場的商業布局具有極大意義。
不過，Mistral AI 在定價上似乎沒有明顯優勢，每千頁一美元的價格並不特別便宜。這表明他們可能正將自己定位為高端市場的玩家，而非通過價格戰爭來獲取市場份額。這種策略在高度競爭的 AI 服務市場是否奏效，仍需時間檢驗。隨著 OCR 技術與 LLM 的深度結合，文件理解不再是簡單的文字識別，而是演變為一種複雜的多模態認知過程，意味著傳統的 OCR 供應商如果不能快速轉型，很可能在這場技術革命中被淘汰。對於企業用戶而言，這也預示著文檔處理和知識管理的革命性變化即將到來。
資料來源：https://mistral.ai/en/news/mistral-ocr
