一提到文档识别，很多人会觉得OCR（光学字符识别）技术已经相当成熟了。但Mistral AI最近发布的OCR 4模型，试图用结构化的方式重新定义这件事。它在600多份文档的盲测中，拿到了独立评审72%的偏好率，这个数字一公布就引来了关注：是真的技高一筹，还是评测方法讨了巧？
从官方信息看，OCR 4的核心差异不在单纯的字符识别率，而是对页面元素的“角色理解”。它能处理PDF、Word文档和PowerPoint演示文稿，同时标注出每个区块是标题、表格、公式还是签名。这种块级分类提供了一种自动将文档切分成有意义的段落的能力——想把这堆文档扔进搜索系统，或是让AI代理按结构抓取信息，就不再需要手工切割。模型还会输出每一页、每个词的置信度分数，让下游应用知道哪些地方读得不太确定，方便触发人工复核或自动过滤。
语言覆盖是另一个卖点。OCR 4声称支持170种语言，即使是一些使用频率不高的小语种也能保持不错的效果，省去为不同语种切换多个引擎的折腾。加上在API、Mistral Studio和微软Foundry里都能调用，接入障碍被降得很低。
不过，72%这个优胜率背后，还有不少细节没公开。Mistral虽然邀请了独立评审员评估了超过600份文档，但并没有说明对比的竞品模型具体是哪些、文档类型如何分布、以及“偏好”究竟依据什么标准。如果测试集偏向版面规整的商务文档，那么OCR 4在元素角色标注上的天然优势就会被放大；而遇到潦草手写体或随手拍的文档时，这种优势还能否保持，外界目前无从判断。另外，块分类的准确率和置信度与真实错误率之间的相关性，同样缺少第三方验证。
定价信息倒是很清楚：每处理1000页收费4美元，批量模式下减半到2美元。对于有海量文档数字化需求的企业来说，这价格不算跳楼价。尤其在开源OCR与文档理解项目不断涌现的背景下，能不能用足够清晰的准确率提升来撑起这笔支出，需要在实际业务场景中量一量。
整体来看，OCR 4给机器阅读加上了“空间感”，让后续的AI代理先梳理结构再抓重点，这个方向有它的实用价值。但单凭一份厂商组织的盲测摘要，还很难判断它的真正成色。如果你的团队正好在为多语种、多格式的文档管理头疼，不妨拿自己的文档样本在API上跑一跑，看看它在真实数据中，到底还能不能守住那72%的胜率。
热门跟贴