Mistral-მა OCR 4 გამოუშვა — ჩარჩოები, ბლოკების კლასიფიკაცია და სიზუსტის ქულები

Mistral AI-მ გამოუშვა OCR 4 — დოკუმენტების ამოკითხვის მოდელი, რომელიც ამოღებულ ტექსტთან ერთად გვაძლევს გვერდის სტრუქტურირებულ აღწერას: ტექსტური ბლოკების ჩარჩოებს, ბლოკების ტიპებით კლასიფიკაციას და სიზუსტის ქულებს. კომპანიამ მოდელი 2026 წლის 23 ივნისს წარადგინა და მას საწარმოო ძებნის, RAG-ისა და დომენური მოძიების პაიპლაინების შემავალ კომპონენტად განიხილავს.

რა არის ახალი

OCR-ის წინა თაობები გვერდს ძირითადად სუფთა ტექსტად და ცხრილებად გარდაქმნიდნენ. OCR 4 დოკუმენტის სტრუქტურირებულ წარმოდგენას აბრუნებს: ყოველი ბლოკი ჩარჩოთი ლოკალიზდება, ტიპის მიხედვით კლასიფიცირდება — სათაურები, ცხრილები, ფორმულები, ხელმოწერები და სხვა — და თან ერთვის გვერდისა და სიტყვის დონეზე გამოთვლილი სიზუსტის ქულები. Mistral-ის თანახმად, ჩარჩოები მომხმარებლების ყველაზე ხშირად მოთხოვნილი ფუნქცია იყო: ისინი კონტექსტურ მონიშვნასა და საიმედო მონაცემთა პაიპლაინებს უზრუნველყოფს, ბლოკების ტიპები და ქულები კი წყაროზე დაფუძნებულ ციტირებას, რედაქტირებასა და ადამიანის მიერ შემოწმებას ეხმარება.

მოდელი იღებს საწარმოო ფორმატებს, მათ შორის PDF-ს, DOC-ს, PPT-სა და OpenDocument-ს, და მხარს უჭერს 170 ენას 10 ენობრივ ჯგუფში. Mistral-ის ცნობით, გაუმჯობესება განსაკუთრებით შესამჩნევია სპეციალიზებულ და ნაკლებად რესურსიან ენებზე, სადაც კონკურენტი სისტემები ხშირად უარესდებიან. ვინაიდან მოდელი ერთ კონტეინერშიც კი ეტევა, OCR 4 სრულად თვითჰოსტინგით განთავსდება — ეს მნიშვნელოვანია იმ ორგანიზაციებისთვის, რომლებსაც მონაცემთა რეზიდენტობის, სუვერენიტეტისა და შესაბამისობის მოთხოვნები აქვთ.

ბენჩმარკები და ფასები

ადამიანური შეფასების ტესტში, რომელიც 600-ზე მეტ დოკუმენტსა და 12-ზე მეტ ენას მოიცავდა, დამოუკიდებელი შემფასებლები OCR 4-ს ყველა გატესტილ წამყვან OCR და დოკუმენტურ AI სისტემას ამჯობინებდნენ; საშუალო გამარჯვების მაჩვენებელი 72% იყო. მოდელს ასევე აქვს საუკეთესო საერთო ქულა OlmOCRBench-ზე (85.20) და 93.07 ქულა OmniDocBench-ზე. Mistral აღნიშნავს, რომ ორივე ბენჩმარკს შეფასების ცნობილი ნაკლოვანებები აქვს — არასწორი საცნობარო ანოტაციებიდან დაწყებული ერთნაირად გამოსახული LaTeX-ის აღნიშვნებით დამთავრებული — და ჯამურ ქულებს მიმართულების მაჩვენებლად თვლის.

OCR 4-ის გამოყენება API-ით 1 000 გვერდზე 4 დოლარი ღირს; Batch API-ის 50-პროცენტიანი ფასდაკლებით ფასი 1 000 გვერდზე 2 დოლარამდე ეცემა. Document AI, რომელიც იმავე ენდპოინტზე სქემაზე დაფუძნებულ სტრუქტურირებულ პასუხს ამატებს, 1 000 გვერდზე 5 დოლარი ღირს. მოდელი ხელმისაწვდომია API-ის მეშვეობით Mistral Studio-ში, Amazon SageMaker-სა და Microsoft Foundry-ში; Snowflake Parse Document მალე დაემატება.

სად გამოიყენება

Mistral OCR 4-ს საკუთარი Search Toolkit-ის — AI Now Summit-ზე წარდგენილი ღია, კომპოზიციური საძიებო ჩარჩოს — შემავალ კომპონენტად აღწერს. პირველი მომხმარებლები მას ინვოისების სტრუქტურირებულ ველებად გარდაქმნისთვის, კომპანიის არქივების ციფრულიზაციისთვის, ტექნიკური და სამეცნიერო მოხსენებებიდან ტექსტის ამოღებისა და საწარმოო ძებნისთვის იყენებენ. Mistral ასევე ჩამოთვლის, რისთვისაც მოდელი არ არის განკუთვნილი: სამედიცინო დიაგნოზი, იურიდიული რჩევა ან გადაწყვეტილება, მაღალი რისკის ფინანსური გადაწყვეტილებები, კრიტიკული უსაფრთხოების სისტემები, რეალურ დროში დამუშავება და არადოკუმენტური მონაცემები, როგორიცაა აუდიო ან ვიდეო.