Mistral AIが「Mistral OCR」公開：1000ページ1ドルで図表も高精度抽出

社内文書や研究論文を RAG システムに読み込ませようとして、複雑な表が崩れたり数式が文字化けしたりして頭を抱えた経験のある開発者は多いはずです。

Mistral はこの課題を解決するため、複雑なドキュメントの構造を丸ごと理解してデータ化する新 API「Mistral OCR」の提供を開始しました。

複雑なレイアウトをそのまま Markdown 化

Mistral OCR は、単に文字をなぞる従来の OCR とは異なり、ドキュメントの文脈や視覚要素をそのまま把握します。PDF や画像を入力すると、本文と画像が正しい順序で組み合わされた Markdown 形式で出力されます。

学術論文に出てくる難解な数式は LaTeX 形式で正確に書き起こされ、埋め込まれた図表やグラフもテキストと一緒に抽出されます。

特筆すべきはその処理速度と価格設定です。軽量モデルとして設計されているため、シングルノードで毎分最大 2000 ページを処理できます。

API の利用料金は 1000 ページあたり 1 ドルで、バッチ処理を利用すれば 1 ドルで約 2000 ページまでコストを抑えられます。すでに同社の対話型 AI「Le Chat」の標準エンジンとして数百万人に提供されているほか、開発者向けプラットフォーム「la Plateforme」でも API が公開されています。

主要モデルやクラウド各社を上回る精度

Mistral が公表した内部ベンチマークによると、Mistral OCR の総合スコアは 94.89 を記録しました。比較対象となった GPT-4o の 89.77 や Azure OCR の 89.52、Google Document AI の 83.42 を明確に上回っています。

分野別でも、数式で 94.29、スキャン文書で 98.96、表構造の抽出で 96.12 と高い精度を示しています。

多言語対応にも力を入れており、全体のファジーマッチ精度は 99.02% に達しています。中国語の認識スコアでも 97.11 を記録し、90% 台前半にとどまる Azure や Google の既存ツールに差をつけました。

また、文書自体をプロンプトとして扱い、必要な情報だけを JSON などの構造化データとして抽出する機能も備えています。機密性の高いデータを扱う組織向けには、オンプレミスでのセルフホスト導入にも個別対応する方針です。

なぜ重要か

RAG や社内検索を構築する現場において、PDF からの正確なテキスト抽出は最も工数がかかり、トラブルが起きやすい領域でした。オープンソースの OCR やレイアウト解析ツールをいくつも組み合わせる必要があった作業が、毎分 2000 ページという驚異的な速度の単一 API で片付く価値は極めて大きいです。

業界全体で見ても、巨大な汎用フロンティアモデルに何千ページもの文書を直接読ませる手法から、軽量で特化したマルチモーダル OCR を前処理に使う形へのシフトが進むと見られます。コストと速度の両面で圧倒的な差があるためです。

Mistral の戦略は非常にスマートだと考えられます。派手なモデル性能競争だけでなく、企業のデータ基盤に直結する泥臭い実用領域を低価格で抑えにきました。さらに機密文書を抱える企業向けにオンプレミス展開を用意したことで、Azure や Google Cloud のドキュメント AI サービスにとっても手ごわい対抗馬になりそうです。