Mistral AI 发布 OCR API，号称能解锁 90% 非结构化数据，且性能超越 Google、Azure 和 OpenAI 等，1 美元可处理 2000 页文档。
原文标题：Mistral AI 发布号称最强 OCR API：能解锁 90% 非结构化数据，1 美元搞定 2000 页文档
原文作者：AI前线
冷月清谈：
怜星夜思：
2、文章提到 Mistral OCR 可以结合大型语言模型（LLM）来理解文档内容，这会给企业带来哪些新的可能性？除了文章中提到的提问、总结、比较等功能，你还能想到哪些应用场景？
3、Mistral OCR 提供了自托管选项，这对数据安全要求高的企业来说是个福音。但是，自托管也意味着更高的技术成本和维护成本。企业在选择自托管还是使用 Mistral 提供的 API 服务时，应该考虑哪些因素？
原文内容
今天，法国 AI 明星创企 Mistral AI 发布了一款名为 Mistral OCR 的光学字符识别（OCR）API，它可以帮助企业更好地理解和处理各种文档。简单来说，就是让电脑不仅能“看到”纸上的文字，还能“理解”这些文字的意思，帮助企业更高效地工作。
该 API 可以从非结构化的 PDF 和图像中高精度地提取内容（包括手写笔记、键入的文本、图像、表格和方程式），并以结构化格式呈现。
结构化数据就像表格一样，有行有列，方便搜索和分析，比如数据库里的名字、地址或财务记录。而非结构化数据则没有固定格式，比如邮件、社交媒体内容、视频、图片和音频，处理起来更麻烦，通常需要用到自然语言处理（NLP）和机器学习（ML）这样的高级技术。
对于企业来说，搞清楚这两种数据的区别很重要，这样才能更好地管理和利用自己的信息。Mistral OCR 支持多种语言，处理速度快，还能结合大型语言模型（LLM）来理解文档内容，帮助企业把文档整理得井井有条，为 AI 应用做好准备。
根据 Mistral 发布新 API 的博客文章，90% 的商业信息都是非结构化的，因此对于寻求数字化和分类数据以用于 AI 应用程序或内部 / 外部知识库的组织来说，新 API 应该是一个巨大的福音。
那么，Mistral OCR 有哪些特点，能完成哪些具体的工作？
据 Mistral AI 介绍，Mistral OCR 具备以下几个特点：
-
原生支持多语言和多格式：Mistral OCR 能够识别和处理数千种文字、字体以及语言，以及不同的文档布局，这对于跨国公司和国际组织来说极为重要。
-
处理速度很快，单节点每分钟可处理 2000 页。
-
保持文档结构：与普通的 OCR 技术不同，Mistral OCR 在转换文档时能够保留原有的格式，如标题、段落、列表和表格等，这使得提取的文本更加有序，便于后续使用。
-
灵活的输出格式：用户可以根据需要提取文档中的特定信息，并将其转换为结构化的数据格式，如 JSON 或 Markdown，这样可以轻松地将数据集成到其他 AI 系统中。
-
自托管选项：对于对数据安全和合规性有严格要求的企业，Mistral OCR 提供了自托管的解决方案，允许企业在自己的服务器上部署该技术，确保数据的安全。
此外，Mistral OCR 不仅仅是一个文本识别工具，它还具备文档理解的能力。在提取文本和结构之后，它可以与大型语言模型结合，使用户能够通过自然语言与文档内容进行交互。这意味着用户可以进行以下操作：
-
对文档内容提出问题并得到答案；
-
自动提取关键信息和进行总结；
-
在多个文档之间进行比较分析；
-
获得基于整个文档上下文的智能回答。
目前，Mistral AI 已将 Mistral OCR 作为 Le Chat 上数百万用户的默认文档理解模型，并以 1000 页 / 美元的价格发布 API mistral-ocr-latest（通过批量推理，每美元的页数大约翻了一番）。
能做这么多工作的 OCR，与其他模型相比，性能如何？
Mistral 强调了其 OCR 技术在现有工具中的竞争优势，并甩出了基准测试结果，显示其表现优于 Google Document AI、Azure OCR 和 OpenAI 的 GPT-4o 等主要替代方案。
在多语言的基准测试上，Mistral OCR 的表现全面超越了 Azure OCR、Google Doc AI 和 Gemini-2.0-Flash-001。
Mistral OCR 的设计运行速度也比其他模型更快，能够在单个节点上每分钟处理多达 2000 页。这种速度优势使其适合于研究、客户服务和历史保存等行业的大批量文档处理。
参考链接：
https://mistral.ai/news/mistral-ocr
