Mistral 发布 OCR 4
来自 Mistral AI · 期号 2026-06-23
摘要
Mistral AI 发布 OCR 4，一款面向企业的文档 AI 模型。它支持 170 种语言，能输出文字位置（bounding box），并允许自托管部署。
深读
导读 Mistral AI 发布了第四代文档理解模型 OCR 4，核心升级在于不仅提取文字，还返回每个内容块的位置（bounding box）、类型（标题/表格/公式等）和置信度分数。对于需要构建 RAG 管道、agent 工作流或企业搜索的团队，这套结构化输出能直接作为下游系统的输入，而 170 种语言覆盖和单容器自托管部署则解决了数据主权和合规需求。 关键信息 - OCR 4 支持 170 种语言，覆盖 10 个语系，在低资源语言上保持高准确率，而多个竞品在这些语言上性能显著下降。 - 在人类偏好评估中，OCR 4 在 600+ 份文档（12+ 种语言）上的平均胜率为 72%，领先所有被测试的 OCR 和文档 AI 系统。 - 在公开基准 OlmOCRBench 上得分为 85.20，在内部 Crawl Multilingual 评估上得分为 0.98，均排第一；OmniDocBench 得分为 93.07。 - API 定价为每 1000 页 4 美元，Batch API 折扣后为 2 美元；Document AI 定价为每 1000 页 5 美元。 - 用户 Rogo 的 AI 工程师 Aidan Donohue 反馈，在图表密集的金融 QA 数据集上，OCR 4 达到同等精度，成本约为竞品的 1/8，延迟约为 1/17。 - 用户 Anaqua 的 AI 工程师 Ivan Mihailov 反馈，OCR 4 每页处理速度约为原供应商的 4 倍。 逐节讲解 核心升级：从文字提取到结构化文档理解 OCR 4 不再只是把一页文档转成干净文本和表格，而是返回每个内容块的结构化表示：每个块都有 bounding box 定位、类型分类（标题、表格、公式、签名等），以及逐页和逐词的置信度分数。下游系统因此能知道文档说了什么、每个元素在哪里、是什么角色、模型对这块有多确定。 这种结构化输出直接支撑三类工作负载：RAG 的语义分块（干净的分类块成为更好的检索单元）、agent 的结构化原语（从读文档到执行操作，如表单填写、发票处理、合规检查）、以及连接器的结构化内容（统一的类型化输出供索引管道使用）。 模型支持 PDF、DOC、PPT、OpenDocument 等常见企业格式，单容器即可部署，适合成本敏感和高吞吐场景，且可完全自托管以满足数据主权要求。 定价与部署选项 OCR 4 API 定价为每 1000 页 4 美元，Batch API 折扣后降至 2 美元。Document AI（同一引擎的应用层无代码路径）定价为每 1000 页 5 美元。开发者可通过 API 集成，团队也可在 Mistral Studio 中使用 Document AI。 基准测试与人类偏好评估 Mistral 指出自动基准测试存在已知的评分缺陷，因此补充了人类偏好评估：从第三方供应商收…