編按：本文綜合整理自 Mistral AI 官方部落格《Mistral OCR 4 : SOTA OCR for Document Intelligence》、OlmOCRBench 公開基準，以及 Hacker News 與 Tech Expert Tutorials 等產業評論，並加入 Siami 編輯部對 2026 年 OCR 賽道（DeepSeek-OCR、Baidu Unlimited OCR、PaddleOCR-VL）的橫向觀察。
Mistral 在 2026 年 6 月 23 日的 AI Now Summit 上正式釋出 Mistral OCR 4。這個版本跳脫「把圖轉成文字」的傳統 OCR 想像，主打 SOTA 文件智慧（Document Intelligence）——除了文字，還會回傳邊界框（bounding boxes）、區塊分類（block classification）和逐字信心分數（inline confidence scores）。官方同時宣布 OCR 4 整合進自家開源搜尋框架 Mistral Search Toolkit，定位為 RAG 與企業搜尋的進料層。
關鍵規格：
- 170 種語言橫跨 10 個語系，特別強化低資源與專業領域語言
- 單一容器即可自架：保留文件資料在企業自家環境，滿足資料落地（data residency）、主權與合規需求
- 支援高吞吐批次處理：成本可控的批次模式，適合企業級文件數位化
Mistral OCR 4 的三大核心突破
這次更新不是「OCR 3 改個數字」，而是把 OCR 從「轉文字」升級成「理解文件結構」。
**第一，邊界框回傳。**這是 Mistral 官方說「最多人許願」的功能。模型不只告訴你「這一頁有『營收 1.2 億』這行字」，還會回傳 [x, y, width, height] 座標，告訴你這行字在文件哪個位置。下游可以拿來做：
- 內文標註（in-context highlighting）：AI 回答時把引用段落高亮起來
- 可靠的資料管線：表格欄位對齊、發票欄位擷取、合約條款定位
- 來源可追溯的引用：每個答案都能反查回原始文件的具體區塊
**第二，區塊分類與信心分數。**OCR 4 會把文件切成不同類型的區塊——標題、表格、方程式、簽名、圖說、頁首頁尾、註腳等，每塊都帶信心分數。這對下游應用至關重要：
- 代理人（agent）層：不再只是「讀」文件，而是能「動」文件（form filling、invoice processing、compliance check）
- 連接器與結構化輸出：把 OCR 結果直接餵給下游 ETL 與商業流程
- 人機協作驗證：信心分數低的區塊可由人工覆核，信心高的直接放行
**第三，深度整合 Mistral Search Toolkit。**OCR 4 是這個開源、可組合搜尋框架的進料元件。結構化輸出（邊界框 + 區塊類型 + 信心分數）會直接轉成 citation-ready 的檢索單元，整條管線從原始 PDF 到 RAG 答案可以一次串完。
為什麼這件事重要
OCR 賽道 2026 年突然變得非常擁擠。PaddleOCR-VL-1.6 在 OmniDocBench v1.6 拿到 96.33 分穩居第一（5 月榜），DeepSeek-OCR-2、GLM-OCR、MinerU2.5-Pro 都擠在 95 分附近。但 Mistral OCR 4 走了一條不一樣的路——它不是要刷 benchmark 第一，而是把 OCR 從「純粹的視覺任務」轉成「企業文件 AI 的基礎設施」。
這個定位差異有三層意義：
- 企業客戶在乎的不是 headline 分數，是結構化輸出。同樣是 95 分，PaddleOCR-VL 只給你文字，Mistral 給你邊界框 + 區塊分類 + 信心分數。對要做表單自動化、發票處理、合約審閱的企業來說，後者直接省下三個月的工程時間。
- 自架能力是歐洲企業的硬需求。Mistral 是法國公司，OCR 4 的「單一容器自架」設計直接對應歐洲企業對資料落地的監管壓力（GDPR、AI Act）。DeepSeek-OCR 與 Baidu Unlimited OCR 都開源，但多部署在中國雲端或需要較大硬體規格，歐洲企業較難直接採用。
- 搜尋整合是商業護城河。Mistral 把 OCR 4 鎖進 Search Toolkit，等於讓採用者很難單獨換掉——一旦文件進料管線綁死，要換全家桶的成本極高。這跟 AWS 把 OCR 鎖進 Textract 是同一套邏輯。
數據解讀與質疑
官方公布的 benchmark 數字很漂亮，但魔鬼藏在細節裡：
**OlmOCRBench 85.20 分是什麼水準？**這是 Mistral 內部維護的基準（OlmOCR），不是業界通用的 OmniDocBench。在 OmniDocBench v1.6 上，PaddleOCR-VL-1.6 拿到 96.33、MinerU2.5-Pro 拿到 95.69、GLM-OCR 約 95。Mistral 沒公布 OCR 4 在 OmniDocBench 的分數，這個缺席本身就說明了一些事。
**72% 偏好率怎麼算的？**Mistral 強調「獨立標註者更偏好 OCR 4」，平均勝率 72%。但這是 pairwise 比較（OCR 4 vs 其他系統），不是絕對分數。在 LLM-as-judge 的評測中，這種 pairwise 通常會偏向「看起來更結構化、看起來更像完整文件」的輸出，這對 Mistral 這種「給完整結構」的模型有利。
**「170 種語言」的實用性？**支援語言數 ≠ 實用品質。Mistral 提到「在低資源與專業領域語言上有可測量進步」，但沒列出哪些語言的進步幅度最大。對台灣企業來說，繁體中文 + 台語（閩南語）的處理品質才是重點，這部分 Mistral 沒提供具體測試數據。
Siami 編輯部的判斷：OCR 4 對企業客戶是有意義的升級，但對純技術玩家不是「必裝」的東西。如果你已經用 PaddleOCR 或 DeepSeek-OCR 跑得順，OCR 4 帶來的邊界框 + 區塊分類要重新整和進管線，CP 值需要實際專案評估。
業界怎麼看？Hacker News 討論重點
Mistral OCR 4 在 HN 拿下 375 分、97 則留言，主流聲音有三種：
「終於等到邊界框！這是 PaddleOCR 一直沒給的東西。」 — ocr_dev_2026 HN 上不少開發者表示「OCR 4 的邊界框功能值得付費」，因為 PaddleOCR 雖然開源但沒有原生 bounding box API，要自己做 layout detection 再對齊，極為痛苦。
「自架單一容器對歐洲企業是殺手鐧，但對美國企業沒差。」 — sre_mistral 留言區有網友指出 Mistral 的「單一容器自架」設計對 GDPR 高度敏感的歐洲企業特別有吸引力，但在美國市場大家早就習慣把文件丟上 AWS Textract 或 Google Document AI，自架反而是負擔。
「benchmark 分數比 PaddleOCR-VL 低，但結構化輸出比 PaddleOCR 好 100 倍——這是 trade-off。」 — ocr_researcher 這個觀點被多人附議。OCR 賽道已經從「刷 benchmark」演進到「看誰的結構化輸出更好用」的階段，Mistral 顯然押對了後者的需求。
結論：OCR 4 是 Mistral 的企業戰略錨
Mistral 從 2024 年開始強調「歐洲 AI 主權」，OCR 4 是這個敘事的第一個真正可商業化的產品錨點。它不是開源社群最愛的「突破性研究」，但它是企業 CTO 會認真考慮的「可落地基礎設施」。
對 Siami 的讀者來說，重點不是 Mistral OCR 4 是不是 SOTA（它可能不是），而是 OCR 這個品類正在從「視覺任務」變成「企業 AI 基礎設施」。當你的下游應用需要可靠的結構化文件輸出（不只是文字），OCR 4 跟同類產品（PaddleOCR-VL、DeepSeek-OCR-2、GLM-OCR）的設計哲學差異，就會直接影響你的系統架構。
如果你是企業架構師，正在評估 OCR 升級路徑，建議把 OCR 4 跟 PaddleOCR-VL-1.6、DeepSeek-OCR-2、GLM-OCR、Mistral Document AI API 一起做 POC。不要只追 headline 分數，要實際用你的真實文件（合約、發票、研究報告）跑一輪，看哪家的結構化輸出最貼近你的下游需求。
相關閱讀：
網友熱門留言 (5)