Mistral 发布 OCR 4：支持 170 种语言，文档解析带坐标与置信度

把一份几百页的 PDF 塞给大模型，最让人头疼的往往不是模型读不懂，而是前面的 OCR 把排版搞得一团糟。多栏排版顺序错乱，表格被拆成了乱码碎布，公式直接变成天书。

Mistral 在 6 月 23 日发布了新一代文档理解模型 Mistral OCR 4。它最大的变化是彻底跳出了纯文字转换的思路，在提取文本的同时，直接吐出边界框、内容块分类以及行内置信度评分，把文档直接拆成下游可以直接调用的结构化数据。

不只是认字，还要画出结构图

OCR 4 支持 10 个语系的 170 种语言。和很多同行在大语种上卷指标不同，Mistral 这次把重点放在了小语种和特殊语言上，包括印地语、格鲁吉亚语、泰米尔语和希腊语等。在多语言基准测试 Crawl Multilingual 上，它的得分达到了 0.98。

在传统基准上，OCR 4 在 OlmOCRBench 拿到 85.20 分，在 OmniDocBench 上拿到 93.07 分。Mistral 还拿真实业务文档做了 600 多份盲测，在独立标注员的人工评测中，OCR 4 对比主流 OCR 系统的平均胜率达到了 72%。

除了提取文字，OCR 4 能把标题、表格、公式、签名等几十类内容打上标签，并用边界框标出在页面上的精确坐标。逐字和逐页的置信度得分也会同步输出。这让下游系统不仅知道文档写了什么，还知道这段话在第几页哪个角落、可信度有多高。

早期测试的反馈相当直接。金融问答工具 Rogo 的工程师 Aidan Donohue 表示，在图表密集的金融数据集上，OCR 4 的准确率持平主流智能体解析器，但成本降到了八分之一，延迟降低了大约 17 倍。知识产权服务商 Anaqua 也提到，每页解析速度比之前的供应商快了整整 4 倍。

部署方式也做得很克制。OCR 4 体积足够小，可以直接打包塞进单个容器里，企业能完全私有化部署在自己的内网里。价格方面，API 接口每 1000 页 4 美元，走 Batch 批量接口只要 2 美元，无代码的 Document AI 则是每 1000 页 5 美元。

为什么重要

我们认为，Mistral 这一步走得极其精准，直接戳中了目前 RAG 和 AI Agent 落地的最大瓶颈。现在的开发者做企业知识库，大半时间都在写清洗脚本，去猜文字来自哪个段落、表格有没有串行。OCR 4 给出的边界框和置信度，等于把清洗工作在最前端就做完了，做溯源引用、合规脱敏或者人工复核会省下大量工程时间。

把模型体积压到单个容器里自托管，更是一招杀手锏。银行、医疗和律所这些文档密度极高的行业，对数据不出域有死规定，此前很多云端大模型的视觉解析能力根本进不去。能私有化部署、价格打到千页 2 美元，会让很多在私有化场景卡壳的项目迅速跑起来。

不过也得看到隐患。Mistral 官方坦言公开基准存在不少排版和公式对比的误判，在极度复杂的跨列学术论文和特殊数学符号上，解析依然可能出现断层。官方也特意打了一剂预防针，强调它只是文档理解模型，绝对不能代替人在医疗诊断或高风险金融场景做最终决策。在生产环境里，人工复核的防线依然少不了。