Mistral OCR 4.1 升級上線：從「讀文字」變「讀結構」，企業文件 AI 進入可定址時代

編按：本文綜合整理自 Mistral 官方 OCR 4 公告、Mistral Changelog、VentureBeat 報導 及 Hacker News 討論串（OCR 4、OCR 4.1），並加入 Siami 編輯部觀點與分析。

法國 AI 公司 Mistral 在 8 月 13 日悄悄把官方文件站的 OCR 預設版本從 OCR 4.0 換成了 7 月 16 日發布的 OCR 4.1，把 mistral-ocr-latest 與 mistral-ocr-4 兩個 endpoint 都指到新模型。HN 上的討論串在一天之內衝到 401 分、160 則留言，延續 6 月 23 日 OCR 4 發布時的熱度（OCR 4 當時拿到 501 分、136 則留言）。OCR 4.1 本身是小升級，補上 block-level confidence scores 顆粒度，真正的賣點仍是 Mistral 從這一代開始把「文件 OCR」重新定義成「文件理解」這件事。

從「讀文字」升級成「讀結構」

過去十年的 OCR 工具，多半把 PDF 或掃描檔轉成一坨純文字。Mistral OCR 4 把每一塊內容標上 bounding box、分類為 title / table / equation / signature 等結構類型，並附上 page-level 與 word-level 的 confidence score。下游系統因此能直接拿到「這段是標題、這塊是表格、信心分數 0.92」這種可定址、可索引的輸出，而不是要再寫一層 regex 去猜哪行是抬頭。

OCR 4 與前幾代最大的差別是：它不再把頁面攤平成文字牆，而是回傳文件的「語意地圖」。每個區塊都帶座標、類型標籤與信心分數，下游系統可以同時知道內容是什麼、在哪裡、扮演什麼角色、模型對它有多確定。

這對三種工作流特別關鍵：

• RAG 語意切塊：分類好的乾淨區塊直接變成更好的檢索單位，不用再依賴固定 token 切窗。
• Agent 結構化操作：代理人從「讀文件」升級成「對文件動手」，例如自動填表、處理發票、合規檢查。
• 連接器與索引：一致的、有型別的輸出可以直接灌進企業搜尋、知識庫與資料管線。

定價、語言與自架選項

Mistral OCR 4 / 4.1 透過 Mistral Studio、Amazon SageMaker 與 Microsoft Foundry 提供 API，Snowflake Parse Document 整合即將上線。單價如下：

• API：每千頁 4 美元（歐元約 €3.5）
• Batch API 折扣 50%：每千頁 2 美元
• Document AI（含 JSON schema + 圖片註解）：每千頁 5 美元

支援格式涵蓋 PDF、DOC、PPT 與 OpenDocument，支援 170 種語言、10 個語系群，包含印地語、日語、孟加拉語、希伯來語、泰米爾語等低資源語言。對於歐洲企業與公部門，OCR 4 也可以完全自架在單一容器內，讓文件資料留在自家基礎設施，符合歐盟資料主權（data sovereignty）與 AI Act 的合規要求。

OCR 4.1 的具體差異：

• mistral-ocr-latest 與 mistral-ocr-4 都已指向 4.1
• OCR API 的 confidence_scores_granularity 參數新增 "block" 顆粒度，介於 "page" 與 "word" 之間

跑分漂亮，但官方也承認基準有瑕疵

Mistral 公布了三組分數：

但官方自己也寫了兩段「免責聲明」：

• Ground-truth 錯誤：部分參考標註本身就是錯的，例如作者姓名在參考答案裡拼錯，但模型從原圖讀對，仍被算錯。
• 數學式 LaTeX 等價：渲染結果一樣的字串被視為 mismatch，原因是字串比對邏輯沒辦法處理數學符號的等價轉寫。
• 多欄閱讀順序：例如「certifi-cates」被切到跨欄時，模型讀對，計分器算錯。
• 區塊類型歸屬：測試基準不預期 header/footer 出現在輸出，所以 Mistral 先把這兩塊過濾掉再送評分，卻反而讓標題誤判。

因此 Mistral 自己結論是「把 aggregate 數字視為方向性而非定論」，並建議客戶用自己的真實文件測。

為什麼這件事重要

OCR 4 / 4.1 不只是一個新版本，它把 OCR 從「文件前處理」變成「企業 AI 的入口」。

第一，bounding box + block classification 讓 LLM 第一次能「引述」文件內容。沒有座標，RAG 系統只能給出「在某文件中找到這段」；有了座標，模型可以回答「這段位於第 3 頁右側表格第 2 欄」，律師、會計師、稽核人員可以直接把這段當證據。Siami 編輯部認為，這是把企業文件從「可搜尋」推進到「可引用」的關鍵一步。

第二，歐洲企業有了「非美非中」的全棧選項。Mistral 把模型、推理、文件 AI、自架容器、Microsoft Foundry 與 AWS SageMaker 通路綁在一起。在 Anthropic 出口管制爭議未解、Google Document AI 屬美、阿里 / 百度 / 字節屬中的格局下，巴黎出身的 Mistral 是少數能同時滿足「歐洲合規 + 企業級 SLA + 多元雲部署」三項條件的供應商。HN 留言串就有人直接說：「這不是法規要求，是歐洲企業真的擔心美中供應商的資料主權。」

第三，Mistral 的「文件 → 搜尋 → RAG → Agent」全棧正在成形。OCR 4 已是 Mistral Search Toolkit 的攝取元件，Search Toolkit 是 6 月 AI Now Summit 公布的開源搜尋框架。一旦企業把 OCR 4 接進自家文件庫，後續的 retrieval、citation、agent orchestration 都會自然落到 Mistral 的工具鏈上，形成類似 Snowflake / Databricks 的「資料落地、計算也落地」鎖定效應。

數據解讀與質疑

不過要把 Mistral 的官方數字放到實際採購決策前看，還有幾個地方要打折扣：

• 72% 人類偏好勝率是內部實驗，文件集由第三方供應商提供、評分者也是 Mistral 請來的獨立標註員。VentureBeat 引述第三方獨立驗證（PaddleOCR-VL 92.86 vs Mistral OCR 3 79.75 on OmniDocBench）顯示在表格 TEDS 這個關鍵指標上，Mistral 仍落後百度開源的 PaddleOCR-VL 約 14 分。對需要從表格抽取結構的場景（保險理賠、財報、報關單），這個差距不是「方向性」可掩蓋的。

• HN 上實際使用者回報混雜。SyneRyder 指出 Mistral OCR 4.0「會在頁面中無中生有編造整個句子」，必須再用 Claude 校稿才能上線；ComputerPerson 跑古籍掃描（Fraktur、上標下標、難字）認為「沒有為這種細活特別突出」；kergonath 反而對老排版 + 打字機混手寫讚譽有加。同樣叫 OCR 4.0，三個人講三種故事，差別在文件類型與容錯標準。

• 價格並非市場最低。自建 GPU pipeline 的開發者在 HN 直接報價：1000 頁 0.05–0.10 美元，每頁 0.8 秒，帶完整 bounding box。對每天跑 10 萬頁以上、且不需要 Mistral 多語言或合規優勢的廠商，3.5 美元 1000 頁的差距是 70 倍以上。

• 官方「免責聲明」其實是警訊。Mistral 把 OlmOCRBench 與 OmniDocBench 的評分邏輯拿出來一條一條檢視，結論是「基準評分對正確輸出與錯誤輸出的懲罰不對稱」。這代表目前公開基準對 OCR 模型的鑑別力正在衰減，未來企業若要認真選型，必須自己做黃金測試集。

• OCR 4.1 的「升級」幅度很小。Mistral 在 7 月 16 日釋出 4.1，僅新增 block 信心分數顆粒度，並沒有改 inference 行為或訓練配方。HN 之所以 8 月 13 日才衝分，是因為「4.1 變成 latest 預設」這件事被官方文件站揭露。也就是說，今天大家在討論的「4.1」，實務上跟 6 月發表的 4.0 是同一顆模型加上一個新開關，企業可以暫時把這視為 4.x 系列的小修補。

官方影片：Mistral 在 6 月 23 日釋出 OCR 4 的官方介紹影片，由研究團隊 Pravesh 與 Kayla 主講，內容涵蓋 bounding box、block classification 與 Document AI 整合示範。

延伸閱讀：

• Mistral 官方公告：Mistral OCR 4 發表
• Mistral Changelog（7/16 4.1 釋出紀錄）
• VentureBeat：Mistral 進軍企業 AI 全棧
• Microsoft Foundry 上的 mistral-ocr-4-0 模型卡
• CodeSOTA OmniDocBench Leaderboard（第三方驗證分數）
• Hacker News 討論串：OCR 4.1

Siami 編輯部觀點：OCR 4 / 4.1 不是新技術，而是新介面。當 OCR 開始回傳「座標 + 結構 + 信心分數」，企業文件就不再是文字牆，而是可定址、可引用、可審計的結構化資料。接下來 6–12 個月值得關注的不是「Mistral 又發了什麼模型」，而是歐洲企業是否真的會把文件 AI 的採購預算從 Google Document AI、Azure Document Intelligence 與 AWS Textract 轉向 Mistral。Rogo、Anaqua 等早期客戶的回饋（8x 降本、17x 降延遲、4x 加速）若在更大規模的可重現測試中站穩腳步，這將是 2026 年企業 AI 採購清單上第一次出現「歐洲選項」這個欄位的關鍵一年。