Mistral OCR 4 知道每个词的位置以及对其的信任程度

Mistral AI 今天发布了 OCR 4，这是其文档提取模型的最新版本，在其输出中增加了边界框、类型化区块分类和逐词置信度分数。该模型面向企业搜索、检索增强生成 (RAG) 和智能体工作流。它可在单个容器上完全自托管运行。 微软新平台为科学家提供受治理的AI智能体工厂

超越原始文本的结构化输出

旧版本专注于将页面转换为干净的文本和表格。OCR 4 返回结构化表示：每个区块都有一个边界框、一个分类（标题、表格、公式、签名等）以及页面和单词级别的内联置信度分数。下游系统不仅知道文档说了什么，还知道每个元素的位置、扮演什么角色以及模型对每个区域的置信度。

结构化输出直接支持多种工作负载：用于 RAG 的语义分块、用于处理表单填写或发票处理的智能体的结构化基元，以及用于摄取和索引管道的一致类型化输出。 IBM 开源 CUGA 智能体框架：跳过基础设施搭建，直接写提示词

基准性能与人类偏好

Mistral OCR 4 在 OlmOCRBench 上得分 85.20，在 OmniDocBench 上得分 93.07，是这两个公共基准测试中的最高总分。该公司还对来自第三方供应商的 12 多种语言的 600 多份文档进行了直接人工评估。独立标注员对 OCR 4 的偏好超过了所有竞争系统，平均胜率达到 72%。 IFBench：测试AI指令遵循能力的新基准

Mistral 指出了自动化基准测试中已知的局限性。在对他们得分背后不匹配项的审计中，大多数结果并非模型错误，而是基准测试比较输出的方式所导致的：地面真值错误、被视为不匹配的等效数学符号、公式分割问题、多栏阅读顺序假设以及区块类型归属问题。Mistral 将汇总基准分数视为方向性的，而非确定性的。

多语言覆盖与性能

OCR 4 支持 10 个语系中的 170 种语言。在 Mistral 的内部 Crawl Multilingual 评估中，该模型在所有测试的八个语系（英语、西欧语、东欧语、中东语、汉语、东亚语、东南亚语和专门语言）中均处于领先地位。在专门语言和低资源语言方面差距最大，许多竞争系统在此类语言上性能急剧下降，而 OCR 4 仍保持高精度。

部署选项与定价

该模型在单个容器上运行，使具有数据主权要求的组织能够将文档数据保留在自己的基础设施中。通过 API 使用 Mistral OCR 4 的费用为每 1,000 页 4 美元，Batch-API 提供 50% 折扣，降至每 1,000 页 2 美元。Document AI（一个无代码层，将 OCR 输出输入到更小的模型中以生成结构化 JSON）的费用为每 1,000 页 5 美元。 NSF OMAI 上线：Ai2 的全开放 AI 集群是对封闭研究的挑战

OCR 4 可通过 Mistral Studio、Amazon SageMaker 和 Microsoft Foundry 的 API 使用。Snowflake Parse Document 支持即将推出。 阿里云如何跻身20个高德纳象限，这对AI云竞争意味着什么

与搜索工具包的集成

OCR 4 是 Mistral 搜索工具包（一个在 AI Now 峰会上宣布的开源、可组合搜索框架）的一个摄取组件。其结构化输出为工具包的检索和评估工作流（用于 RAG 和企业搜索）提供可引用的输入。

早期用户反馈

Aidan Donohue，Rogo 的 AI 工程师，表示在一个包含大量图表和图形的金融问答数据集上，OCR 4 达到了与领先的智能体文档解析器相当的精度，而成本大约为其八分之一，延迟为其十七分之一。Anaqua 的 AI 工程师 Ivan Mihailov 报告称，Mistral OCR 每页速度大约是其现有供应商的四倍，他认为这对于速度至关重要的高容量案卷管理工作流来说令人印象深刻。 验证地平线：为什么验证编码代理现在比构建它们更难