Mistral AI 发布 OCR 4 模型：支持 170 种语言

背景

在文档智能与光学字符识别（OCR）领域，多语言支持能力与结构化输出精度是衡量模型实用性的关键指标。法国人工智能初创企业 Mistral AI 近期发布了其最新的文档内容识别模型——OCR 4。这一发布正值大模型竞争加剧之际，竞争对手如 OpenAI 的 GPT-5.5 Pro 和 Google 的 Gemini 3.1 Pro Preview 等也在不断迭代其多模态与文档处理能力。Mistral AI 此次推出的 OCR 4 旨在通过更小的模型体积和更聚焦的功能设计，在保持高性能的同时，提供更具人类偏好的输出结果，并针对下游应用如检索增强生成（RAG）和智能体（Agent）工作负载进行了专门优化。

核心内容

Mistral AI 正式推出了名为 OCR 4 的最新文档内容识别模型。该模型的核心特性与性能表现如下：

• 超大规模多语言支持：OCR 4 支持横跨 10 个语族的 170 种语言，极大地扩展了其在全球化场景下的适用性。
• 性能表现优异：在 OmniDocBench 基准测试中，OCR 4 取得了 93.07 分的高分。据 Mistral AI 称，其输出质量相较 GPT-5.5 Pro、Gemini 3.1 Pro Preview 等主流竞争对手更受人类青睐。
• 模型架构特点：OCR 4 被定义为一款“小型、聚焦”的模型。这种设计使其在保持高效推理的同时，能够专注于文档识别的核心任务。
• 丰富的结构化输出：与传统仅输出纯文本的 OCR 模型不同，OCR 4 在输出文本时能够同时提供边框（bounding boxes）、区域分类（region classification）以及置信度评分（confidence scores）。这种细粒度的结构化信息对于后续处理至关重要。
• 下游应用兼容性：该模型专为现代 AI 工作负载设计，支持：
  • RAG 语义分块：帮助检索增强生成系统更精准地提取和索引文档片段。
  • 智能体结构化基本单元：为 AI Agent 提供结构清晰、易于解析的数据单元，提升自动化任务执行的准确性。
  • 连接器结构化内容：便于将文档数据无缝集成到各类连接器或数据管道中。

关键要点

• 多语言覆盖广度：支持 170 种语言，覆盖 10 个语族，满足全球多样化文档处理需求。
• 基准测试领先：在 OmniDocBench 上得分 93.07，且在人类偏好评估中优于 GPT-5.5 Pro 和 Gemini 3.1 Pro Preview 等竞品。
• 精细化输出能力：不仅输出文本，还同步提供边框坐标、区域分类标签和置信度分数，提升了数据的可用性。
• 轻量化与专业化：作为小型聚焦模型，OCR 4 在资源效率与特定任务性能之间取得了平衡，适合部署在资源受限或需要低延迟的场景。
• 面向 AI 原生工作流：原生支持 RAG 分块、Agent 数据单元和连接器集成，降低了开发者在处理非结构化文档时的工程复杂度。

意义与影响

Mistral AI 推出 OCR 4 标志着文档智能领域向更精细化、结构化方向发展的趋势。首先，170 种语言的支持意味着该模型能够服务于更多非英语及小语种的全球市场，填补了高端多语言 OCR 模型的空白。其次，提供边框、区域分类和置信度评分等结构化信息，使得 OCR 输出不再仅仅是“可读文本”，而是变成了“可计算数据”。这对于构建复杂的 AI 应用至关重要，特别是在 RAG 系统中，精确的边界和置信度有助于减少噪声，提高检索准确率；在智能体应用中，结构化的数据单元能显著提升自动化流程的鲁棒性。

此外，OCR 4 在 OmniDocBench 上超越 GPT-5.5 Pro 和 Gemini 3.1 Pro Preview 等竞争对手，表明 Mistral AI 在垂直领域的专用模型优化上取得了显著进展。这提示行业，针对特定任务（如文档识别）的小型化、专业化模型，可能在特定指标上优于通用的大型多模态模型，为开发者提供了更具性价比和效率的选择。随着 Mistral AI 此前发布 Small 4 和 Mistral 3 模型，其产品线正逐步完善，从通用推理到多模态再到垂直领域的文档处理，形成了更完整的 AI 能力矩阵。