Mistral AI opublikowało wczoraj czwartą generację swojego narzędzia do rozpoznawania treści z dokumentów. OCR 4 to nie kolejna wersja z poprawką błędów, lecz całkiem inny poziom ambicji. Model przestaje być narzędziem do przepisywania tekstu ze skanów, a staje się silnikiem do rozumienia struktury dokumentu.
Kluczowe fakty:
- Mistral AI opublikowało OCR 4 – model, który nie tylko odczytuje tekst ze skanów, ale rozpoznaje strukturę dokumentu, przypisując każdemu blokowi treści typ (np. tytuł, tabela, równanie), współrzędne na stronie oraz ocenę pewności słowo po słowie.
- W ślepych testach porównawczych na ponad 600 dokumentach w ponad 12 językach OCR 4 uzyskał 72% zwycięstw nad konkurencją, a na benchmarkach OlmOCRBench i OmniDocBench osiągnął odpowiednio 85,20 i 93,07 punktu.
- Firma Rogo odnotowała zbliżoną dokładność przy 8-krotnie niższym koszcie i 17-krotnie mniejszym opóźnieniu w porównaniu z poprzednim rozwiązaniem, a kancelaria patentowa Anaqua zmierzyła 4-krotnie szybsze przetwarzanie strony.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Czym właściwie jest OCR 4 i dlaczego to zmiana jakościowa
Poprzednie wersje robiły to, czego oczekujesz od OCR: czytały strony i oddawały tekst. OCR 4 idzie kilka kroków dalej. Każdy blok treści na stronie dostaje teraz swój typ (tytuł, tabela, równanie, podpis, nagłówek), lokalizację w postaci współrzędnych na stronie oraz ocenę pewności modelu, słowo po słowie. System wie nie tylko co jest napisane, ale też gdzie i jak bardzo jest tego pewny.
To brzmi jak techniczna ciekawostka, ale w praktyce zmienia bardzo wiele. Agenty AI mogą teraz nie tylko odczytywać faktury, ale faktycznie je weryfikować i oznaczać niezgodności. Systemy RAG dostają czyste, sklasyfikowane bloki zamiast chaotycznego ciągu liter. Zespoły compliance mogą automatycznie anonimizować tylko te fragmenty dokumentu, które zawierają dane osobowe, bo model dokładnie wie, gdzie one się znajdują.
Liczby, którymi Mistral uzasadnia premierę
Mistral przeprowadziło testy z udziałem niezależnych oceniających, którzy porównywali wyniki OCR 4 z konkurencją na ponad 600 dokumentach w ponad 12 językach. Wynik: 72% zwycięstw w ślepych testach porównawczych ze wszystkimi testowanymi systemami. Na publicznym benchmarku OlmOCRBench model uzyskał 85,20 punktu. Na OmniDocBench: 93,07.
Użytkownicy cytowani przez Mistral podają jeszcze bardziej konkretne liczby. Firma Rogo zajmująca się finansową analizą dokumentów odnotowała zbliżoną dokładność przy 8-krotnie niższym koszcie i 17-krotnie mniejszym opóźnieniu w porównaniu z dotychczasowym rozwiązaniem. Kancelaria patentowa Anaqua zmierzyła 4-krotnie szybsze przetwarzanie strony niż u poprzedniego dostawcy.
Ale uczciwie: to są dane od klientów cytowanych przez samego Mistral. Nie niezależne badanie. Warto to mieć z tyłu głowy.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Co z wielojęzycznością
Obsługa 170 języków w 10 grupach językowych, w tym języków o ograniczonych zasobach, to jeden z głównych argumentów sprzedażowych. I tu OCR 4 wydaje się naprawdę wyróżniać. Większość konkurencyjnych systemów traci na jakości przy językach takich jak gruziński, ormiański, bengalski czy tamilski. Mistral twierdzi, że właśnie tu przewaga jest największa.
Dla polskiego rynku to ma znaczenie pośrednie, ale realne. Dokumenty wielojęzyczne, umowy z zagranicznymi partnerami, archiwa historyczne, materiały z różnych jurysdykcji. Im szersze pokrycie językowe, tym bardziej system nadaje się do użytku globalnego bez ręcznych wyjątków.
Mistral OCR 4 to dla mnie interesujący przypadek strategiczny. Francuzi nie walczą o bycie kolejnym chatbotem, lecz budują pionową warstwę infrastruktury dla przedsiębiorstw. OCR 4 nie jest produktem dla przeciętnego użytkownika, to cegiełka wbudowywana w większe systemy: archiwa prawne, systemy ERP, pipeline’y compliance. I tu Mistral ma szansę wygrać nie ze względu na benchmarki, lecz dlatego że można go postawić lokalnie, w zamkniętej sieci, bez wysyłania danych na zewnątrz. W branżach takich jak medycyna, prawo czy finanse to jest argument trudniejszy do zbicia niż jakikolwiek wynik testowy. Pytanie, czy cena 4 dolarów za 1000 stron (albo 2 dolary w trybie wsadowym) przekona działy IT, które dziś płacą za Google Document AI lub Azure. Na razie nie wiem. Ale obserwuję to uważnie.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Cena i dostępność
OCR 4 jest dostępny od wczoraj przez API Mistral, Mistral Studio, Amazon SageMaker i Microsoft Foundry. Wkrótce ma dołączyć Snowflake Parse Document. Cennik wygląda następująco:
- OCR 4 przez API: 4 USD za 1000 stron
- OCR 4 przez Batch API (przetwarzanie wsadowe): 2 USD za 1000 stron
- Document AI (wyższy poziom z możliwością definiowania schematów JSON): 5 USD za 1000 stron
To prawie dwa razy więcej niż kosztował OCR 3 w wersji podstawowej (2 USD za 1000 stron). Ale OCR 4 to też więcej niż sam odczyt tekstu, więc porównanie jeden do jednego nie jest uczciwe.
Dla organizacji z restrykcyjnymi wymaganiami dotyczącymi przechowywania danych dostępna jest opcja własnego hostingu w jednym kontenerze. To rozwiązanie skierowane do klientów korporacyjnych, wymagające bezpośredniego kontaktu ze sprzedażą.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Czego OCR 4 nie zrobi
Mistral wprost zaznacza, że model nie jest przeznaczony do diagnostyki medycznej, wydawania opinii prawnych, podejmowania decyzji finansowych o wysokiej stawce ani do przetwarzania w czasie rzeczywistym tam, gdzie liczy się każda millisekunda. To ważne zastrzeżenie, bo modele AI mają tendencję do bycia sprzedawanymi jako rozwiązanie na wszystko.
OCR 4 jest narzędziem do wyciągania i strukturyzowania treści. Co z nią zrobisz dalej, to już Twoja sprawa.
Sam Mistral przyznaje też, że benchmarki mają swoje ograniczenia. W dokumentacji wymienia konkretne przypadki, w których automatyczne testy karzą poprawne odpowiedzi: błędy w zbiorach referencyjnych, różne notacje LaTeX dające ten sam wynik matematyczny, problemy z kolejnością czytania tekstu w układach wielokolumnowych. Doceniam tę przejrzystość. Rzadko się zdarza, żeby firma w ogłoszeniu produktu pisała o słabościach własnych benchmarków.
Tak czy inaczej, OCR 4 to produkt, który warto sprawdzić na własnych dokumentach. Mistral organizuje webinar 7 lipca o 18:00 czasu środkowoeuropejskiego, gdzie pokażą możliwości modelu z demonstracjami na żywo.
