Mistral OCR 4是什么

Mistral OCR 4 是 Mistral AI 推出的最新一代文档理解模型。模型支持从 PDF、图片、演示文稿等复杂文档中提取文本，能返回带边框定位、区域类型分类和置信度评分的结构化输出，支持 170 种语言，专为 RAG、智能体工作流和企业搜索等下游场景设计。

Mistral OCR 4的主要功能

• 高精度文档解析：支持 PDF、DOC、PPT、OpenDocument 等常见企业格式，提取文本、表格、公式、图像、签名等丰富元素。
• 结构化输出：每个内容块附带边框坐标、类型标签，如标题、表格、公式、签名等，以及逐页/逐词置信度评分。
• 多语言支持：覆盖横跨 10 个语族的 170 种语言，在低资源语言上表现尤为突出。
• 双模式输出：同一端点支持纯提取模式，Markdown + 结构化元数据和 Document AI 模式（按自定义 Schema 输出结构化 JSON）。
• 超高吞吐量：单节点每分钟可处理多达 2,000 页文档，适合大规模批处理场景。

Mistral OCR 4的技术原理

• 视觉文本检测与分类：基于 CNN/Transformer 架构定位文档中的文字区域，并对每个区块进行语义分类，还原原始文档的层级结构。
• 序列到序列文本识别：用 Seq2Seq 或 CTC 模型将检测到的字符流转换为可编辑文本，结合图像预处理提升识别精度。
• 结构化语义分块：将文档切分为带类型标签和坐标的语义块，为下游 RAG 系统提供可直接用于检索的引用就绪单元，支持智能体进行结构化操作。
• 单容器轻量部署：模型足够紧凑，可在单个容器内完成自托管部署，满足数据驻留与合规要求。

如何使用Mistral OCR 4

• 注册获取 API Key：访问 Mistral AI 开发者平台 La Plateforme，注册账号后进入”API Keys”页面创建并保存密钥。
• 安装 SDK：在 Python 环境中执行 pip install mistralai 安装官方 SDK。
• 调用 API 处理文档 使用 client.ocr.process() 方法，传入文档 URL 或本地文件，设置 model="mistral-ocr-latest"，并开启 include_blocks=True 以获取边框和类型信息，也可通过 confidence_scores_granularity="word" 获取逐词置信度。
• 解析结构化结果：API 返回包含 pages 数组的 JSON，每页包含 markdown 文本、images、tables、hyperlinks、dimensions 和 confidence_scores 等字段，可直接接入 RAG 或智能体工作流。
• 批量处理降本：高吞吐量场景建议通过 Batch Inference API 提交任务，可享受 50% 的价格折扣。