Mistral AI 推出 Mistral OCR

光学字符识别（OCR）是把图片或扫描页里的文字转成机器可读字符的技术。早期的 OCR 主要解决认字问题；很多现在的文档处理流程还要保留阅读顺序、标题、表格等版面信息，这样软件才能把一页纸当作数据来处理，而不只是当作一张图。Mistral OCR 就是在这样的需求背景下出现的。

发布

2025年3月6日，Mistral AI 推出 Mistral OCR，并将其称为文档理解（document understanding）应用程序接口（API）^[1]。API 的作用是让软件调用现成服务，而不必在本地运行模型。用在 OCR 上，应用可以把文档页面交给服务，再接收解析后的内容供自己的程序使用。这样，文档读取就从需要自行搭建的流水线，变成可以调用的服务能力。

速度与价格

按照 Mistral 公布的数据，Mistral OCR 在单个节点（node）上每分钟最多可处理 2000 页 ^[1]。价格约为每美元 1000 页 ^[1]。这两个数字针对的是文档处理中的现实约束：扫描档案、发票、报告和表格往往成批出现，数量很大。一个服务如果能快速吞入页面，又把公布的单页成本控制得较低，就适合需要处理整批资料、而不是只看几个文件的团队。需要说明的是，这些是 Mistral 自己公布的数字，描述的是其设定的服务能力。

文字与语言覆盖

Mistral 表示，Mistral OCR 能解析数千种文字系统（scripts）、字体和语言，覆盖所有大洲 ^[1]。覆盖面之所以重要，是因为文档集合很少是整齐划一的。一个机构可能同时保存多种语言的页面，不同年代使用不同字体，还会出现非拉丁字母的文字系统。能不能处理多种文字和字体，不只是附加功能，它决定一套 OCR 能否用于整个档案，而不只是用于其中很小的一部分。

基准测试

Mistral 报告称，Mistral OCR 在其基准测试（benchmark）中得分 94.89，GPT-4o 为 89.77 ^[1]。Mistral 还表示，在严格的基准测试中，Mistral OCR 持续优于其他领先的 OCR 模型 ^[1]。这些是 Mistral 报告的结果，说明了它选择公开的比较对象，也说明了它如何为这次发布定调，但它们不是独立机构给出的 OCR 系统排名。基准分数可以作为参考信号；真正采用前，团队仍需要用自己的文档、语言和版式做测试。

影响

文档摄取（document ingestion）是很多软件系统的瓶颈。模型要想搜索、总结或分析一批文档，先得有东西把页面图像变成可用的文字和版面数据。Mistral OCR 的意义在于，它把这一步打包成 API，并同时公布速度、价格、语言覆盖和基准成绩。开发者因此可以给应用加上文档读取能力，而不必自己搭建和运维一套 OCR 系统。是否采用，则取决于它在用户自己材料上的准确率、集成工作量、数据处理方式和实际用量下的成本。可以说，这次发布是把文档理解做成一种可调用服务层的具体尝试，Mistral 公布的性能和价格是它给出的第一组理由。