A Mistral bemutatja az OCR 4-et, amely a dokumentumkivonást teljes vállalati mesterséges intelligencia megoldássá alakítja.

A Mistral AI kedden kiadta az OCR 4-et, egy dokumentumintelligencia modellt, amely túlmutat a nyers szövegek kinyerésén, és strukturált reprezentációkat ad vissza az egész dokumentumokról — tele keretdobozokkal, blokk típusú klaszterezéssel és szótagszintű bizalmi pontszámokkal. A kiadás a Mistral negyedik generációs optikai karakterfelismerő technológiáját jelzi körülbelül 15 hónap alatt, és olyan időszakra érkezik, amikor a cég európai AI szuverenitásra irányuló ajánlata soha nem volt ennyire kereskedelmileg releváns. A modell 170 nyelvet támogat 10 nyelvcsoportban, elfogad PDF, DOC, PPT és OpenDocument formátumokat, és egyetlen konténerként telepíthető a szervezet saját infrastruktúráján — ez a képesség közvetlenül a szabályozott iparágakban működő vállalatok számára van pozicionálva, akik nem tudják az érzékeny dokumentumokat az Egyesült Államok joghatósága alá tartozó felhő API-okon keresztül továbbítani. "Az OCR 4 széles körű dokumentumokból kinyeri és strukturálja a tartalmat," mondta a cég a bejelentésében. "Míg a korábbi generációk a lapokat tiszta szöveggé és táblázatokká alakításra összpontosítottak, az OCR 4 strukturált reprezentációt ad vissza a dokumentumról." A modell azonnal elérhető a Mistral API-n keresztül, a Mistral Studio Document AI-ján, az Amazon SageMaker-en és a Microsoft Foundry-n, a Snowflake Parse Document támogatás hamarosan érkezik. Az árak 4 dollárral kezdődnek 1000 oldalonként, amely 2 dollárra csökken 1000 oldalonként a batch API kedvezményen keresztül. Az OCR 4 minden dokumentumot szemantikai térképként kezel, nem csupán szövegfalként. Az OCR 4 központi mérnöki változása struktúrális. Ahelyett, hogy egy lapos kinyert szöveges adatfolyamot adna vissza — amely évtizedekig határozta meg az OCR-t — a modell egy rétegzett reprezentációt ad vissza, amelyben minden blokkot keretdoboz határol, típus szerint (cím, táblázat, egyenlet, aláírás és mások) klasszifikálva van, és bizalmi pontszámot kap mind az oldalon, mind a szavak szintjén. A Mistral azt mondja, hogy a keretdobozok voltak a legkeresettebb képességeik. Ennek oka egyszerű: helyadatok nélkül a downstream rendszerek nem tudják visszakeresni az kinyert tényeket, hogy azok konkrét oldalon hol találhatók. Ez a visszakeresési hiányosság tartós frikciót jelentett azok számára a vállalatok számára, akik visszakeresés-augmentált generálási (RAG) pipeline-okat, megfelelőségi munkafolyamatokat vagy bármilyen alkalmazást építettek, ahol "honnan származik ez a szám?" olyan kérdés, amely auditálható választ igényel. A blokkos klaszterezés egy kapcsolódó problémát is megold. Egy "cím" címkével ellátott bekezdő blokkkal hierarchikus darabokra lehet bontani a dokumentumot a szemantikai keresés számára. Egy "táblázat" címkével ellátott blokkot struktúrált adatfolyamba lehet továbbítani, nem szöveges összegzőbe. Egy "aláírás" címkével ellátott blokk megfelelőségi rendszerben egy lezárási folyamatot indíthat el. Ezek az ötletek nem újak önállóan, de ha az OCR modell elsődleges kimeneteként csomagolják őket — ahelyett, hogy külön layout-analizáló szakaszra lenne szükség — eltávolítanak egy integrációs réteget, amelyet a vállalati csapatok eddig saját maguknak kellett megépíteniük és karbantartaniuk. A bizalmi pontszámok kettős célt szolgálnak. Nagyobb léptékben lehetővé teszik a szervezetek számára, hogy programozottan alacsony bizalmi szintű területeket emberek által történő felülvizsgálatra irányítsanak, és automatikusan jóváhagyják a magas bizalmi szintű kinyeréseket, ezzel építve azt, amit az ipar emberi közbeavatkozással történő validálásnak hív. A termelési rendszerekben az OCR ritkán a végső cél — ez az első lépés egy nagyobb pipeline-ban. A RAG rendszereket, ügynök munkafolyamatait vagy dokumentumautomatizálást építő fejlesztők gyakran több időt töltenek a kinyert szerkezet és elrendezés helyreállításával, mint a downstream AI logikával magával. Az OCR 4 célja ennek a helyreállítási lépésnek a kiküszöbölése, és ha teljesíti ezt az ígéretet, az érték nem csak az OCR költségmegtakarításában, hanem a teljes dokumentum pipe-linen belüli mérnöki órák csökkentésében is nő. A független ellenőrök az esetek 72%-ában a Mistral kimenetét részesítették előnyben, de a tesztek összetett történetet mesélnek. A Mistral arról számolt be, hogy az OCR 4 egy 72% -os átlagos győzelmi arányt ért el egy fej-fej elleni emberi értékelésben a vezető versenytársakkal szemben, amelyet független annotátorok végeztek több mint 600 valós dokumentum között, 12 nyelven. A modell a legmagasabb összesített pontszámot is elérte az OlmOCRBench-en 85.20, és 93.07 pontot kapott az OmniDocBench-en. De a cég maga óvatosságra intett a számok értelmezésével kapcsolatban. A kiadásában a Mistral azt a szokatlan lépést tette, hogy auditálta és nyilvánosan nyilvánosságra hozta a konkrét típusú pontszámelőrejelzési artefaktumokat, amelyekkel találkozott, beleértve a referencia-annotációk alap igazság hibáit, az egyenértékű LaTeX notációkat, amelyek eltérőként voltak megszámítva, az oszlop olvasási sorrendi feltételezéseket és a fejléc / lábléc hozzárendelési problémákat. "Ezért az összesített pontszámot inkább irányadónak, mint véglegesnek tekintjük," mondta a cég — egy figyelemre méltóan átlátható álláspont egy terméket bejelentő szolgáltatótól. Ez az átláthatóság jól időzített. Az OlmOCRBench nyilvános ranglistáján néhány kutató megjegyezte, hogy az OCR 4 jelenleg a harmadik helyen áll, a Chandra OCR 2 nyílt modellek mögött. Néhány nyíltsúlyú modell pedig önbevallással magasabb OmniDocBench összesített pontszámokat közöl — a PaddleOCR-VL-1.6 96.33-at állít, bár ezeket az eredményeket nem reprodukálták függetlenül a nyilvános ranglistán. A korai vállalati visszajelzések ennek ellenére kedvezőek voltak. Aidan Donohue, a pénzügyi AI cég, a Rogo AI mérnöke azt mondta, hogy a cég az OCR 4-et a vezető ügynöki dokumentumfeldolgozókkal tesztelte egy grafikon sűrű pénzügyi QA adathalmazon, és "megfelelő pontosságot ért el körülbelül 8x alacsonyabb költséggel és 17x alacsonyabb késleltetéssel." Ivan Mihailov, az Anaqua szellemi tulajdonkezelő vállalat AI mérnöke azt mondta, hogy az OCR 4 "körülbelül 4x gyorsabb lapont, mint a jelenlegi szolgáltatónk." A vállalati vásárlóknak azonban saját értékeléseket kell végezniük, ahelyett, hogy bármely szolgáltató benchmark számaira támaszkodnának. A gyakorlati kérdés nem az, hogy melyik modell ér el a legmagasabb pontszámot egy ranglistán, hanem az, hogy melyik modell a legkevesebb hibát produkál a specifikus dokumentumainkon, a specifikus nyelveinken, az Ön munkafolyamatára illő áron és késleltetéssel. Az Anthropic exporttilalma megerősítette a Mistral szuverenitási ajánlatának szükséges bizonyítékot. A Mistral kiadása egy geopolitikai kontextusban történik, amely aligha lehetne kedvezőbb a stratégiai pozicionálása számára. Június 12-én az Anthropic kénytelen volt letiltani a hozzáférést legújabb AI modelljeihez, a Fable 5-höz és a Mythos 5-höz, miután az Egyesült Államok Kereskedelmi Minisztériuma nemzeti biztonsági exportellenőrzéseket alkalmazott, hogy megakadályozza a céget abban, hogy a modelleket bármely külföldi állampolgár számára terjessze. A pénzügyi, egészségügyi, SaaS és kritikus infrastruktúrájú vállalatok fős intelligenciaszolgáltatásaik hirtelen letiltásra kerültek, előzetes figyelmeztetés vagy hatékony jogorvoslat nélkül. Június 24-én mindkét modell offline maradt, a piaci előrejelzések csak 57%-os esélyt adtak a helyreállításra július 1. előtt. Ez az eset megerősítette azt a figyelmeztetést, amelyet a Mistral vezérigazgatója, Arthur Mensch már több mint egy éve hangoztatott. A Business Insider tudósítása szerint Mensch figyelmeztetett a londoni Tech Week-en 2025 júniusában arról, hogy az amerikai AI cégek "kézben tartják" modelljeiket, ezt pedig olyan forgatókönyvnek nevezve, ahol az európai cégek "a szolgáltatóiknak adnak előnyöket." Hozzátette: "Eljön az idő, amikor képesnek kell lenned leállítani vagy elindítani, és nem akarod egy másik országra bízni." A helyzet sürgősége tovább nőtt, ahogy Mensch szélesebb szuverenitási ajánlata az utóbbi hónapokban fokozódott. Ahogy a CNBC május végén beszámolt róla, Mensch megemlítette, hogy "Európa lemarad az infrastruktúra kiépítése terén, ezért befektetünk a lemaradás ledolgozásába." Ugyanakkor Mensch ellentmondott XIV. Leo pápa felhívásának, hogy az AI "le legyen szerelve", érvelve, hogy Európának nem szabad lemaradnia az amerikai technológiai óriások mögött. "A békéért vagyunk, de ha megnézed riválisainkat és ellenfeleinket a világban, ők mesterséges intelligenciát használnak … szükségünk van a saját képességeinkre," mondta Mensch az újságíróknak. Az OCR 4 egykonténeres, önállóan hosztolható telepítési modellje e megérvelés termék szintű kifejeződése. Egy amerikai központú szolgáltató, amely EU adatlakó címet kínál, azt jelenti, hogy a dokumentumok Frankfurtban vannak tárolva, de az Egyesült Államok jogszabályai irányítják őket. A Mistral, amely Franciaországban bejegyzett és az EU joghatósága alatt működik, helyszíni konténeres telepítést kínál, ami azt jelenti, hogy a dokumentumok soha nem hagyják el az ügyfél infrastruktúráját. Az EU AI törvény bírságok végrehajtási rendelkezései augusztus 2-án lépnek életbe, további szabályozói nyomást gyakorolva a megfelelősági számításra az európai vállalatok számára, akik dokumentum AI szolgáltatókat értékelnek. A Baidu ingyenes, nyílt súlyú OCR modellje egy nappal korábban érkezett — és a kontraszt lenyűgöző. A Mistral kiadása nem érkezett szigetelődik. Éppen egy nappal az OCR 4 indítása előtt a Baidu kiadta az Unlimited-OCR-t június 22-én — egy 3 milliárd paraméteres MIT-licenszel ellátott modellt, amely a dokumentum AI egyik legállandóbb problémájával foglalkozik: az egész PDF-ek és többoldalas beolvasások egyetlen előrehaladó keresete átfogó kezelésével, anélkül, hogy az inputot darabokra kellene bontani, vagy az outputot újra össze kellene illeszteni. A Baidu modell a Reference Sliding Window Attention (R-SWA) nevű technikát használja, amely, ahogy egy Hacker News kommentelő kifejtette, a mesterséges intelligencia figyelmét két útvonalra osztja: az eredeti dokumentum képe teljes figyelemmel történő fenntartása, miközben a generált szövegre vonatkozó memóriát egy szűk, mozgó ablakra korlátozzák. Az eredmény állandó KV cache méret és 40 oldalon felüli szövegek egyetlen előrehaladó keresettel történő átkonvertálása. A modell az első 24 órában 1,800 GitHub csillagot gyűjtött össze, és több mint 479 upvote-ot kapott a Hacker News-en, ahol a diskurzus fonala 109 hozzászólásig terjedt. A két kiadás keretet ad arra, amit egyes elemzők a 2026-os dokumentum-AI szakadéknak hívnak: önállóan hosztolt hosszú távú kinyerés nyílt súlyokkal szemben a strukturáltan kezelt kinyeréssel vállalati jellemzőkkel. A Baidu modellje ingyenes MIT licensz alatt áll, standard GPU hardveren fut, és nincs kezelt API-ja vagy vállalati SLA-ja. A Mistral modellje kereskedelmi termék, amely oldalonkénti árazást, keretdobozokat, bizalmi pontszámokat, blokkklasszikálást, többplatformos terjesztést és önállóan hosztolt telepítési lehetőségeket kínál vállalati ügyfelek számára. Az Unlimited-OCR lehet a jobb eszköz egy kutatócsoport számára, amely egyetlen GPU-n digitalizálja a beolvasott disszertációkat. Az OCR 4 az IT beszerzési folyamatra épült — a SLA-k, adatfeldolgozási megállapodások és megfelelőségi auditok világára. A Baidu mellett a szélesebb OCR versenytérbe tartozik a Google Document AI, az Amazon Textract, az Azure Document Intelligence, az ABBYY Vantage és egyre nagyobb számú nyílt súlyú modell. Az Unlimited-OCR Hacker News szálán a gyakorlók őszinte értékelést adtak a technológia állapotáról. Joss82, aki 10 éve dolgozik dokumentumok feldolgozásán, nyíltan írta: "Az OCR még mindig szar 2026-ban." Eközben egy SyneRyder nevű felhasználó beszámolt arról, hogy sikerrel használta a Claude-t több száz oldalas kézzel írt dokumentum OCR-jához, megjegyezve, hogy a modell eredményekkel szolgált "javítások szüksége nélkül", és még egy folytonossági hibát is kiemelt a forrásszövegben. Ezek a szakmai beszámolók egy kulcsfontosságú feszültséget emelnek ki a piacon: a teljesítmény szélsőségesen változik a specifikus dokumentumtípus, nyelv és a forrásanyag minősége függvényében. Az igazi cél nem az OCR — hanem egy vállalati AI rendszer, amelynek dokumentum intelligencia az első lépése. Ha távolabbról nézünk, a Mistral OCR 4 kiadása valójában nem egy OCR történet. Ez egy vállalati piacra lépés története, amely egy 4,4 milliárd dolláros globális intelligens dokumentumfeldolgozó piacon épül, amelynek CAGR arányát 33,1%-ra becsülik 2030-ig, a Grand View Research szerint. A Mistral számára az OCR egy belépő az vállalati AI költségvetésekbe. A modell közvetlenül táplálkozik a Mistral Search Toolkitba, a cég nyílt forráskódú, összetevőkből felépíthető keresési keretrendszerébe, amelyet az AI Now Summit-on jelentettek be. Ebben az architektúrában az OCR 4 az adathalászat rétegként szolgál a visszakeresés-augmentált generálás és vállalati keresési pipe-line-k számára, amely nyers dokumentumokat alakít át hivatkozásra kész, strukturálisan klaszterezett bemenetté. A logika világos: amikor egy vállalat elfogadja az OCR 4-et a dokumentumok kinyerésére, a Mistral szélesebb modellcsaládja — beleértve a Medium 3.5-öt a következtetéshez és a Vibe ügynöki platformot a feladatok végrehajtásához — a természetes következő lépés a struktúrában. Ez a pipeline-ambíció kulcsfontosságú kontextusot ad a Mistral jelenlegi tőkebevonási pályájának megértéséhez. A Bloomberg nemrégiben arról számolt be, hogy a cég korai tárgyalásokat folytat körülbelül 3 milliárd euró (3,5 milliárd dollár) összegű tőke bevonásáról, körülbelül 20 milliárd eurós értékeléssel — ami majdnem megduplázza a 11,7 milliárd eurós értékelést a szeptemberi C sorozatú körükből. A Mistral eddig csak körülbelül 4 milliárd dollárt gyűjtött össze, ami a legnagyobb amerikai riválisai által befolyásolt összeg töredéke. Az OCR 4 és a kapcsolódó vállalati bevételi pipeline része annak a tervnek, amellyel a cég megpróbálja igazolni a magasabb értékelést, a Mistral 1 milliárd eurós bevételt céloz meg 2026-ra, 200 millió euróról 2025-ben, a Le Monde szerint. A Mistral egy körülbelül 1000 alkalmazottal rendelkező cég, amely a versenyben 40-szer annyi tőkével rendelkező laboratóriumokkal akarja felvenni a versenyt. Nem nyerheti meg az általános célú modell fegyverkezési versenyt az OpenAI vagy az Anthropic ellen. Amit azonban megtehet, az egy megkülönböztetett vállalati struktúra kiépítése szuverenitás, strukturált dokumentum intelligencia és ügynökségi munkafolyamatok köré — és ezt a struktúrát használva kifogni az európai vállalati költségvetéseket, amelyek egyre gyanakvóbbak az amerikai szolgáltatók függősége iránt. Az árazási struktúra megerősíti ezt a stratégiát: 2 dolláros áron 1000 oldalonként, a 100,000 oldalas vállalati archívum feldolgozási költsége 200 dollárra csökken, így a nagyszabású digitalizálási projektek gazdaságilag életképessé válnak olyan módokon, ahogyan eddig talán nem voltak lehetségesek a token-alapú látás-nyelvi modell árainak mellett. Hogy a Mistral képes lesz-e ezt a víziót skálázni — a Google, az Amazon, a Microsoft és a növekvő nyílt forráskódú ökoszisztéma ellen — még nyitott kérdés. De az Anthropic exportellenőrzési válsága még mindig megoldatlan, az európai adat-szuverenitási szabályok szigorodnak, és egy potenciális 20 milliárd eurós tőkebevonás is a láthatáron van. A cég OCR 4 gyártási webináriumot tart július 7-én 18:00 CET-kor. Két héttel ezelőtt az érvelés az AI infrastruktúra kiépítése mellett az Egyesült Államok exportellenőrzésének hatáskörén kívül elméleti volt. Aztán az Egyesült Államok kormánya átfordította a kapcsolót, és az Anthropic legfejlettebb modelljei minden nem amerikai számára sötétbe borultak. A Mistral nem okozta ezt a válságot — de az elmúlt évben a termék építésén dolgozott, ami valóban jelentőséggel bír.