Mistral OCR 4 - Mistral AIの最新世代文書理解モデル

Mistral OCR 4とは何ですか？

Mistral OCR 4は、Mistral AIが提供する最新世代の文書理解モデルです。このモデルは、PDF、画像、プレゼンテーションなどの複雑な文書からテキストを抽出することができ、境界ボックスによる位置特定、領域タイプの分類、信頼度スコアを含む構造化された出力を返します。170言語に対応し、RAG（リソースアクセスグループ）、エージェントワークフロー、エンタープライズ検索などの下流シナリオ向けに設計されています。

Mistral OCR 4の主な機能

• 高精度文書解析PDF、DOC、PPT、OpenDocumentなどの一般的な企業向けフォーマットをサポートし、テキスト、表、数式、画像、署名などの豊富な要素を抽出します。
• 構造化された出力各コンテンツブロックには、境界座標、タイトル、表、数式、署名などのタイプタグ、およびページごと／単語ごとの信頼度スコアが含まれています。
• 多言語対応このシステムは10の言語族にわたる170の言語を網羅しており、特にリソースの少ない言語において優れた性能を発揮する。
• デュアルモード出力同じエンドポイントは、純粋な抽出モード、Markdown + 構造化メタデータ、およびドキュメントAIモード（カスタムスキーマに従って構造化JSONを出力）をサポートしています。
• 超高スループット単一ノードで毎分最大2,000ページの文書を処理できるため、大規模なバッチ処理シナリオに適しています。

Mistral OCR 4の技術的原理

• 視覚的なテキスト検出と分類CNN/Transformerアーキテクチャに基づいて、文書内のテキスト領域を特定し、各領域を意味的に分類することで、元の文書の階層構造を復元します。
• シーケンス・ツー・シーケンスのテキスト認識検出された文字ストリームは、Seq2SeqまたはCTCモデルを使用して編集可能なテキストに変換され、認識精度を向上させるために画像前処理が組み合わされます。
• 構造化された意味的チャンキングこれは、文書をタイプラベルと座標を持つ意味的なブロックに分割し、下流のRAGシステムに検索に直接使用できる参照可能な単位を提供するとともに、エージェントが構造化された操作を実行できるように支援します。
• 単一コンテナによる軽量展開このモデルは、単一コンテナ内での自己ホスト型デプロイメントを可能にするほどコンパクトであり、データ所在地の要件とコンプライアンス要件を満たします。

Mistral OCR 4 の使い方

• APIキーを取得するには登録してくださいMistral AI開発者プラットフォーム（La Platformforme）にアクセスし、アカウントを登録した後、「APIキー」ページに移動してキーを作成して保存してください。
• SDKをインストールするPython環境で実行する pip install mistralai 公式SDKをインストールしてください。
• ドキュメントを処理するためにAPIを呼び出す 使用 client.ocr.process() このメソッドは、ドキュメントのURLまたはローカルファイルを入力として受け取り、設定します... model="mistral-ocr-latest"そして電源を入れる include_blocks=True 境界線や文字情報を取得するには、他にも以下の方法があります。 confidence_scores_granularity="word" 一語一語に自信をつけて。
• 構造化された結果を解析するAPIは、以下の情報を返します... pages ページごとの配列のJSON markdown 文章、images、tables、hyperlinks、dimensions そして confidence_scores このようなフィールドは、RAGやエージェントのワークフローに直接統合できます。
• コスト削減のためのバッチ処理高スループットのシナリオでは、バッチ推論APIを介してタスクを送信することで、50%の割引料金が適用されることをお勧めします。