Mistral 釋出 OCR 4：支援 170 種語言，文件解析帶座標與置信度

把一份幾百頁的 PDF 塞給大模型，最讓人頭疼的往往不是模型讀不懂，而是前面的 OCR 把排版搞得一團糟。多欄排版順序錯亂，表格被拆成了亂碼碎布，公式直接變成天書。

Mistral 在 6 月 23 日釋出了新一代文件理解模型 Mistral OCR 4。它最大的變化是徹底跳出了純文字轉換的思路，在提取文本的同時，直接吐出邊界框、內容塊分類以及行內建信度評分，把文件直接拆成下游可以直接呼叫的結構化資料。

不只是認字，還要畫出結構圖

OCR 4 支援 10 個語系的 170 種語言。和很多同行在大語種上卷指標不同，Mistral 這次把重點放在了小語種和特殊語言上，包括印地語、喬治亞語、泰米爾語和希臘語等。在多語言基準測試 Crawl Multilingual 上，它的得分達到了 0.98。

在傳統基準上，OCR 4 在 OlmOCRBench 拿到 85.20 分，在 OmniDocBench 上拿到 93.07 分。Mistral 還拿真實業務文件做了 600 多份盲測，在獨立標註員的人工評測中，OCR 4 對比主流 OCR 系統的平均勝率達到了 72%。

除了提取文字，OCR 4 能把標題、表格、公式、簽名等幾十類內容打上標籤，並用邊界框標出在頁面上的精確座標。逐字和逐頁的置信度得分也會同步輸出。這讓下游系統不僅知道文件寫了什麼，還知道這段話在第幾頁哪個角落、可信度有多高。

早期測試的反饋相當直接。金融問答工具 Rogo 的工程師 Aidan Donohue 表示，在圖表密集的金融資料集上，OCR 4 的準確率持平主流智慧體解析器，但成本降到了八分之一，延遲降低了大約 17 倍。智慧財產權服務商 Anaqua 也提到，每頁解析速度比之前的供應商快了整整 4 倍。

部署方式也做得很剋制。OCR 4 體積足夠小，可以直接打包塞進單個容器裡，企業能完全私有化部署在自己的內網裡。價格方面，API 介面每 1000 頁 4 美元，走 Batch 批次介面只要 2 美元，無程式碼的 Document AI 則是每 1000 頁 5 美元。

為什麼重要

我們認為，Mistral 這一步走得極其精準，直接戳中了目前 RAG 和 AI Agent 落地的最大瓶頸。現在的開發者做企業知識庫，大半時間都在寫清洗指令碼，去猜文字來自哪個段落、表格有沒有序列。OCR 4 給出的邊界框和置信度，等於把清洗工作在最前端就做完了，做溯源引用、合規脫敏或者人工複核會省下大量工程時間。

把模型體積壓到單個容器裡自託管，更是一招殺手鐧。銀行、醫療和律所這些文件密度極高的行業，對資料不出域有死規定，此前很多雲端大模型的視覺解析能力根本進不去。能私有化部署、價格打到千頁 2 美元，會讓很多在私有化場景卡殼的專案迅速跑起來。

不過也得看到隱患。Mistral 官方坦言公開基準存在不少排版和公式對比的誤判，在極度複雜的跨列學術論文和特殊數學符號上，解析依然可能出現斷層。官方也特意打了一劑預防針，強調它只是文件理解模型，絕對不能代替人在醫療診斷或高風險金融場景做最終決策。在生產環境裡，人工複核的防線依然少不了。