千页只需7块钱，Mistral发布世界最强文件扫描API，实测仍有缺陷

AIGC动态3天前发布 almosthuman2014

87 0 0

文章摘要

法国大模型独角兽 Mistral AI 近期推出了其光学字符识别（OCR）产品 Mistral OCR，号称是“世界上最好的 OCR 模型”。该模型以图像和 PDF 作为输入，能够以前所未有的准确度和认知能力理解文档的每个元素，包括媒体、文本、表格和公式。Mistral OCR 特别适用于处理多模式文档，如幻灯片或复杂 PDF，并已与 Le Chat 平台集成，供数百万用户免费试用。此外，Mistral AI 还发布了 API「mistral-ocr-latest」，价格为 1000 页/美元，目前已在开发者套件 la Plateforme 上提供，并计划向云和推理合作伙伴开放。

Mistral OCR 的核心优势在于其对复杂文档的深度理解能力。该模型能够处理交错图像、数学表达式、表格和高级布局（如 LaTeX 格式），尤其擅长解析科学论文中的图表、图形和公式。例如，在 Alphafold 3 的 OCR 识别测试中，Mistral OCR 成功将 PDF 中的文本和图像提取为 markdown 文档。此外，Mistral OCR 在严格的基准测试中表现优异，在文档分析的多个方面均优于其他领先的 OCR 模型。特别是在“仅文本”测试集和网络 PDF 上的性能测试中，Mistral OCR 展现了其卓越的文本和图像提取能力。

Mistral OCR 的另一大亮点是其对多语言的支持。该模型能够解析、理解和转录数千种脚本、字体和语言，适用于全球组织和小众市场的超本地化企业。在“Fuzzy Match in Generation”指标比较中，Mistral OCR 获得了第一，并在多种语言的测试中超越了 Azure OCR 和 Google Doc AI。此外，Mistral OCR 在速度上也表现出色，每分钟可处理 2000 多页文档，显著快于同类产品。

Mistral OCR 还引入了使用文档作为提示的功能，允许用户从文档中提取特定信息并将其格式化为结构化输出，如 JSON。这一功能为下游函数调用和智能体构建提供了便利。对于数据隐私要求严格的组织，Mistral OCR 提供了自行托管选项，确保敏感信息在组织内部的基础设施内保持安全。

尽管 Mistral OCR 在多个方面表现优异，但实际测试也揭示了一些局限性。在处理复杂的财务文档时，Mistral OCR 出现了列错位、精度偏差和丢失关键符号等问题。在法律文档的测试中，复选框检测和表格结构的处理也存在不足。Mistral AI 表示正在收集用户反馈，并计划在未来几周内进一步优化模型。

总体而言，Mistral OCR 在文档理解、多语言支持和处理速度方面展现了显著优势，但在处理复杂商业文档时仍需改进。随着模型的不断优化，Mistral OCR 有望在 OCR 领域树立新的标杆。