Mistral-ը թողարկել է OCR 4-ը՝ շրջանակներով ու բլոկների դասակարգմամբ

Mistral AI-ն թողարկել է OCR 4 փաստաթղթերի վերլուծության մոդելը, որը արտահանված տեքստի հետ մեկտեղ վերադարձնում է էջի կառուցվածքային ներկայացում՝ տեքստային բլոկների շրջանակներ, բլոկների տեսակային դասակարգում և վստահության գնահատականներ։ Ընկերությունը մոդելը ներկայացրել է 2026 թվականի հունիսի 23-ին և դիտարկում է որպես ձեռնարկային որոնման, RAG-ի և ոլորտային որոնման խողովակաշարերի մուտքային բաղադրիչ։

Ինչ է նոր

OCR-ի նախորդ սերունդները էջը հիմնականում վերածում էին մաքուր տեքստի և աղյուսակների։ OCR 4-ը վերադարձնում է կառուցվածք. յուրաքանչյուր բլոկ տեղորոշվում է շրջանակով, դասակարգվում է ըստ տեսակի՝ վերնագրեր, աղյուսակներ, բանաձևեր, ստորագրություններ և այլն, և ուղեկցվում է էջի ու բառի մակարդակով հաշվարկված վստահության գնահատականներով։ Ըստ Mistral-ի՝ շրջանակները եղել են ամենապահանջված հնարավորությունը. դրանք ապահովում են ենթատեքստային ընդգծում և ավելի հուսալի տվյալների խողովակաշարեր, իսկ բլոկների տեսակներն ու գնահատականները աջակցում են աղբյուրին հղված մեջբերումներին, խմբագրմանը և մարդու կողմից ստուգմանը։

Մոդելը ընդունում է ձեռնարկային տարածված ձևաչափեր՝ PDF, DOC, PPT և OpenDocument, և աջակցում է 170 լեզու 10 լեզվական խմբերում։ Ըստ Mistral-ի՝ առավելությունը նկատելի է մասնագիտացված և քիչ ռեսուրս ունեցող լեզուներում, որտեղ մրցակից շատ համակարգեր զգալիորեն թուլանում են։ Քանի որ մոդելը բավական կոմպակտ է մեկ կոնտեյներում աշխատելու համար, OCR 4-ը կարելի է ամբողջությամբ տեղադրել սեփական ենթակառուցվածքում՝ փաստաթղթերի տվյալները պահելով կազմակերպության ներսում։

Բենչմարկեր և գներ

Ավելի քան 600 փաստաթուղթ և 12-ից ավելի լեզու ընդգրկած մարդկային գնահատման թեստում անկախ գնահատողները նախընտրել են OCR 4-ը փորձարկված բոլոր առաջատար OCR և փաստաթղթային AI համակարգերի փոխարեն. հաղթանակների միջին ցուցանիշը կազմել է 72 տոկոս։ Մոդելը նաև ամենաբարձր ընդհանուր միավորն ունի OlmOCRBench հանրային բենչմարկում (85.20) և 93.07 միավոր OmniDocBench-ում։ Mistral-ը նշում է, որ երկու բենչմարկերն էլ ունեն գնահատման հայտնի սահմանափակումներ՝ սխալ հղումային նշումներից մինչև նույն տեսքն ունեցող LaTeX նշանակումների՝ որպես անհամապատասխանություն հաշվարկում, և ընդհանուր միավորները համարում է ուղղորդող։

OCR 4-ի օգտագործումը API-ի միջոցով արժե 4 դոլար 1 000 էջի համար, իսկ Batch API-ի 50 տոկոս զեղչը գինը իջեցնում է 2 դոլարի՝ 1 000 էջի դիմաց։ Document AI-ը, որը նույն ծայրակետում ավելացնում է սխեմայով պայմանավորված կառուցվածքային պատասխան, արժե 5 դոլար 1 000 էջի համար։ Մոդելը հասանելի է API-ի միջոցով Mistral Studio-ում, Amazon SageMaker-ում և Microsoft Foundry-ում. Snowflake Parse Document-ը կավելանա շուտով։

Որտեղ է կիրառվում

Mistral-ը OCR 4-ը նկարագրում է որպես իր Search Toolkit-ի՝ AI Now Summit-ում ներկայացված բաց, կոմպոզիցիոն որոնման շրջանակի մուտքային բաղադրիչ։ Առաջին օգտվողները այն կիրառում են հաշիվները կառուցվածքային դաշտերի վերածելու, ընկերությունների արխիվները թվայնացնելու, տեխնիկական և գիտական զեկույցներից տեքստ արտահանելու և ձեռնարկային որոնումը սնուցելու համար։ Mistral-ը նաև թվարկում է, թե ինչի համար մոդելը նախատեսված չէ՝ բժշկական ախտորոշում, իրավաբանական խորհրդատվություն կամ որոշում, բարձր ռիսկով ֆինանսական որոշումներ, անվտանգության համար կրիտիկական համակարգեր, իրական ժամանակի մշակում և ոչ փաստաթղթային մուտքեր, ինչպիսիք են աուդիոն կամ վիդեոն։