Mistral 推出 OCR 4.1：文档 AI 进入段落级时代

法国人工智能公司 Mistral 于 7 月发布 OCR 4.1 公开预览版，把文档识别从单纯的「文字提取」推进到「结构化理解」。新模型最大的变化，是能够输出段落级的边界框（Bounding Box）、结构化区块标签，以及区块级的置信度评分，让企业在把纸质或扫描文档喂给检索增强生成（RAG）系统之前，先对提取质量做更细的把控。

不只是识别文字

传统 OCR 只关心「图里是什么字」，而 OCR 4.1 试图理解文档的结构。它借助计算机视觉处理复杂排版、手写体以及数学公式，把图像和 PDF 中的文本、公式与表格布局，以较高的精度转换为结构化的 Markdown 格式。对于 RAG 管线而言，这意味着预处理步骤可以被压缩成一次 API 调用。

Mistral 在官方文档中介绍，OCR 4.1 的 API 新增了「block」级别的置信度粒度选项：除了原有的「page」（页面级）与「word」（词级）之外，开发者现在可以拿到页面级与区块级两套评分，从而判断某一段落、某张表格的提取是否可靠，再决定是自动入库还是转人工复核。

对手与定位

在企业文档智能领域，Mistral 的对手包括亚马逊的 Textract 与谷歌云的 Document AI。前者能提取文本、手写、表格与表单，后者则将 OCR 与版式分析、分类、结构化提取结合。相比这些背靠大型云生态的平台，Mistral 选择了一条更聚焦的路线：用一个连接自有模型、Studio 工具链与企业 AI 栈的专用文档模型切入。

不过价格引发了讨论。OCR 4.1 定价约为每千页 3.5 欧元（约合 4.38 美元），有开发者指出这比部分竞品贵出近一倍。但在处理历史文献、复杂版式时的稳定性，以及在合规与数据主权方面支持开放权重、可本地私有化部署的特性，让它成为文档 AI 赛道一个值得关注的变量。

为什么重要

文档摄取是智能体（agent）落地企业场景的关键入口。一个模型即便推理能力很强，只要把表格压平错了、把页脚误认成正文，或者把低置信度的数字直接写进检索索引，最终输出仍可能出错。OCR 4.1 把改进点放在「喂给搜索、智能体与自动化决策的那条文档管道」内部，用段落级输出与置信度评分，给开发者更细的检视、路由与索引能力。在头部大模型比拼通用能力的当下，押注细分工具模型，也是欧洲 AI 避开正面战场的一种务实选择。

来源：Mistral 官方文档与多家科技媒体综合整理