Mistral AI今日发布了堪称「世界上最好」的OCR模型，登顶Hacker News热榜。
它以图像和PDF作为输入，能以前所未有的认知能力，准确理解文档中的每个元素（图像、文本、表格和公式）。
它是与RAG系统结合使用的理想模型，适用于幻灯片或复杂PDF等文档的处理。
Le Chat已将其设为默认的文档理解模型，同时发布的API「mistral-ocr-latest」1美元可处理1000页（批量推理时每页成本约减半）。
API现已在开发者套件la Plateforme上提供，很快将在云服务、推理合作伙伴以及本地环境中部署。
网友表示，谷歌和Azure OCR迎来了严峻的挑战。
然而，也有网友不买账，对官方测试结果提出了质疑。
实测发现，模型在处理财务和法律文件时，仍存在精度问题。
前沿的复杂文档理解能力
以往的OCR技术对于穿插的图像、数学表达式、表格以及高级布局（如LaTeX）的识别和理解能力有限。
Mistral OCR在这些方面实现了重大突破，能深入剖析文档的每一个细节，尤其是包含图表和公式的科学论文。
下面是从给定PDF中提取文本和图像到markdown文档的示例。
顶尖的基准测试成绩
在基准测试中，Mistral OCR展现出压倒性优势。
Mistral OCR能从文档中提取嵌入的图像和文本，而其他模型不具备这一能力。为了公平比较，团队在内部的纯文本测试集上进行评估。
与一众领先的OCR模型相比，Mistral OCR的综合得分一骑绝尘，达到了94.89。
在数学、多语言、扫描文档、表格等各个细分领域的测试中，均有出色表现。
其中，数学领域的得分高达94.29，远超其他对手。
扫描文档得分达到了98.96，对于一些模糊、老旧的文档扫描件，它也能清晰地识别。
原生多语言支持
Mistral OCR自诞生起就肩负着服务全球的使命，它能理解和解析全球各大洲的数千种文字和语言。
常见的语言和小语种，Mistral OCR都能轻松应对。
「Fuzzy Match in Generation」（生成模糊匹配）指标中，Mistral OCR得分达到了99.02，远超竞争对手。
在处理国际商务合同时，Mistral OCR能准确识别不同语言的条款，为跨国企业提供了极大的便利。
这种多语言适应性对于全球化企业至关重要，同时也适用于专注于特定市场的本土化企业。
在多语言的基准测试上，Mistral OCR的表现全面超越了Azure OCR、Google Doc AI和Gemini-2.0-Flash-001。
同类产品中速度最快
在追求准确性的同时，Mistral OCR还在处理速度上实现了质的飞跃。
它比大多数同类模型更轻量化，在单个节点上每分钟可处理多达2000页文档，这一速度远超传统OCR模型。
这种快速处理文档的能力，确保了即使在高吞吐量环境中，也能持续学习和优化。
文档即提示，结构化输出
Mistral OCR创新性地引入了「文档即提示」功能，支持更强大、精确的指令。
用户可以根据自身需求，利用该功能从文档中提取特定信息，并将其格式化为结构化输出，如JSON格式。
这种结构化输出方式便于链接下游函数调用，从而构建智能体。
例如，在处理企业的财务报表时，用户可通过Mistral OCR快速提取关键的财务数据，并将其输出为结构化的JSON文件。
自行托管，保障数据安全
对于有严格数据隐私要求的组织，Mistral OCR提供了自行托管选项。
