MistralがOCR 4を公開：170言語対応、境界ボックス付きで文書を構造化

大規模言語モデルで社内文書を検索しようとすると、最初のOCR処理で段組みが崩れたり表が文字化けしたりして失敗するのが日常茶飯事でした。フランスのMistral AIが公開した新モデルは、まさにこの前処理の壁を壊しにかかっています。

Mistralは6月23日、文書解析に特化した新モデル「Mistral OCR 4」をリリースしました。単にテキストを読み取るだけでなく、各ブロックの座標を示すバウンディングボックス、見出しや表や署名などの属性分類、単語ごとの信頼度スコアを構造化データとして一括出力します。

テキスト抽出から文書の構造化へ

OCR 4は10の言語グループ、計170言語に対応しています。特にヒンディー語やグルジア語、ヘブライ語など、従来のモデルが精度を落としやすかった特殊言語やリソースの少ない言語でも高い認識精度を維持しています。公開ベンチマークのOlmOCRBenchでは85.20を記録し、600件以上の実務文書を用いた人間のブラインド評価でも平均勝率72%を獲得しました。

金融系QAツールを手がけるRogoのエンジニアによると、図表が多い金融データにおいて競合のエージェント型パーサーと同等精度を出しながら、コストは約8分の1、処理遅延は約17分の1に激減したといいます。知的財産管理のAnaquaでも従来のプロバイダと比べて1ページあたり約4倍高速化したと報告されています。

提供形態も実用的です。軽量設計のため単一のコンテナで稼働し、社内インフラへの完全オンプレミス導入に対応しています。API価格は1000ページあたり4ドル、バッチAPIなら半額の2ドル、Mistral Studio内のノーコードツールDocument AIは5ドルに設定されています。

なぜ重要か

私たちは、MistralがRAGやAIエージェントの現場で最も泥臭く手間がかかっていた部分を的確に解消したと評価しています。社内ナレッジの検索システムを作る際、エンジニアが最も苦労するのは段組みの誤読や表データの崩れです。位置座標と信頼度スコアが最初から揃っていれば、回答の根拠箇所のハイライトや、スコアが低い部分だけを人間に確認させるフローが極めて容易に組めるようになります。

単一コンテナで完結し自社環境に閉じ込められる点も、データ主権に厳しい金融や医療、法務などのエンタープライズにとって極めて魅力的です。競合のクラウド型文書解析サービスがデータを外に出せない顧客を取りこぼすなか、低価格と軽さを武器に強固なポジションを築きそうです。ただし、数式表記の揺れなどベンチマーク自体の評価ノイズが示す通り、複雑なレイアウトでは誤認識の余地も残ります。重要業務では過信せず、信頼度スコアを活用した人間のレビュー体制を維持するのが賢明です。