Mistral OCR

是什么

Mistral OCR 是一个文档理解（document understanding）API：输入是文档页面，输出是结构化、机器可读的内容。它不只做纯文本抽取，而是能理解文档中出现的媒体、文本、表格和公式^[1]。它还能解析横跨各大洲的数千种文字、字体和语言^[1]，这一点对同一份文件里混着多种字母体系和版式的档案、合同、票据类材料尤其重要。

由来

Mistral AI 于 2025 年 3 月 6 日发布该 API^[1]。最初支撑它的模型标识为 mistral-ocr-2503，这个原始模型已于 2025 年 12 月 31 日退役^[3]，由后续版本接替。

速度与成本

Mistral 给出的数据是：单节点每分钟最多处理 2,000 页，成本约为每美元 1,000 页；使用批处理推理（batch inference）时，每美元可处理的页数大约再翻一倍^[1]。对要数字化大批资料的人来说，这组数字才是实际的部分：吞吐和单页价格，往往在质量问题被讨论清楚之前，就已经决定了一个大档案库能不能做下去。

基准表现

Mistral 报告该模型的整体基准得分为 94.89，GPT-4o-2024-11-20 为 89.77，Gemini-1.5-Flash-002 为 90.23^[1]；Mistral 表示，在严格的基准测试中，它稳定优于其他主流 OCR 模型^[1]。这类汇总分数值得细看：单个数字掩盖了测试集里究竟是哪些文档——干净的印刷页、手机拍摄的照片、手写稿，还是密集的表格——而在混合基准上，OCR 质量在文档类型之间的差别通常比模型之间的差别更大。

部署与获取方式

对有严格隐私要求的机构，Mistral 有选择地提供自托管（self-hosting）^[1]。这针对的是文档工作中常见的障碍：最需要转写的材料，往往正是不能送到第三方服务上去的那些，比如病历、法律文书和内部报告。

后续版本

这条产品线继续演进：OCR 2（2025 年 5 月 22 日）、OCR 3（2025 年 12 月 18 日）、OCR 4（2026 年 6 月 23 日）和 OCR 4.1（2026 年 7 月 16 日）^[2]。Mistral 的 OCR 页面现在写明，该模型已不再维护，并已由更新的 OCR 模型取代^[1]。

在发展中的位置

OCR 处在许多文档处理流程的前端。搜索索引、检索系统，以及对扫描记录做的各种分析，第一步都是把页面图像变成文字，因此这一步的错误会一路传下去：表格的某一列读错、公式被丢掉，最后就变成一个错误的答案，而且很难追溯到转换环节。所以厂商竞争的重点，是吞吐量、能覆盖多少种文字和字体，以及表格和公式在经过转换后是否还能保留下来，而不是化成一堆散落的字符^[1]。

Mistral OCR 是 Mistral AI 以独立计价 API 的形式进入这一层的尝试，而不是把它埋在一个聊天产品里的附属功能。它给出的可量化说法——每分钟页数、每美元页数、与具名对手对比的基准分数^[1]——正是今天衡量文档服务时常用的口径；而这个模型作为具名型号存在的时间很短，也说明这套比较被重做的速度有多快。在一年多一点的跨度里，最初的接口从发布走到了退役^[3]，由带编号的后继版本接替^[2]。