Mistral OCR 4

मूल लेख ↗ Hacker News चर्चा ↗

Mistral OCR 4 के बारे में समग्र प्रभाव

  • कई टिप्पणीकार वास्तविक दुनिया में मजबूत प्रदर्शन की रिपोर्ट करते हैं, खासकर खराब हो चुके या पुराने दस्तावेज़ों पर, और इसकी तुलना ABBYY FineReader जैसे क्लासिक टूल्स तथा कुछ आधुनिक VLMs के पक्ष में करते हैं।
  • अन्य लोग संशय में हैं क्योंकि Mistral के पहले के OCR संस्करण मार्केटिंग दावों की तुलना में कमजोर रहे थे; कुछ कहते हैं कि OCR 4 बेहतर दिखता है लेकिन वे पहले स्वतंत्र बेंचमार्क देखना चाहते हैं।
  • कुछ उपयोगकर्ता विशेष रूप से OCR के लिए Mistral की प्रशंसा करते हैं, जबकि उसके coding/general models को US/Chinese SOTA से कमजोर मानते हैं।

बेंचमार्क, सटीकता और मूल्यांकन

  • लोग आंतरिक बेंचमार्क्स और सीमित सार्वजनिक मेट्रिक्स पर भारी निर्भरता पर सवाल उठाते हैं; “छोटे आंतरिक सेट्स पर 98% accurate” जैसे पिछले दावों को लेकर चिंताएँ हैं।
  • OlmOCRBench, OmniDocBench, ParseBench, और Arbitr leaderboards जैसे बाहरी बेंचमार्क्स का संदर्भ दिया जाता है; एक लिंक से संकेत मिलता है कि पिछला Mistral OCR शीर्ष-स्तरीय नहीं था।
  • कई लोग “chart crimes” की शिकायत करते हैं: काटी गई y‑axes और ऐसी प्रस्तुति जो लाभों को बढ़ा-चढ़ाकर दिखा सकती है।
  • Baidu के Unlimited-OCR, Llama Parse, Apple के local models, Claude के vision, Gemini, और Google Vision / Document AI के मुकाबले तुलना में रुचि है, लेकिन डेटा अधूरा है या अनुपस्थित है।

मूल्य निर्धारण और प्रतिस्पर्धा

  • $4 प्रति 1,000 pages को कुछ लोग बहुत सस्ता मानते हैं, लेकिन अन्य ध्यान दिलाते हैं कि सादा टेक्स्ट के लिए Google Vision OCR इससे सस्ता है ($1.50/1k) और layout-aware Google/ Azure offerings कीमत में काफ़ी करीब हैं।
  • कुछ लोग सोचते हैं कि पारंपरिक OCR विक्रेता इन कीमतों पर कैसे प्रतिस्पर्धा कर सकते हैं।

उपयोग-क्षेत्र, सीमाएँ और जोखिम

  • जटिल business docs, tables, forms, और magazines पर अच्छे परिणाम बताए गए हैं; automatic markdown + image cropping का एक उल्लेख विशेष रूप से उपयोगी बताया गया है।
  • कुछ वास्तविक दुनिया की विफलताएँ भी नोट की गई हैं (जैसे receipts पर dates की गलत पहचान, quotation mark style में बदलाव), जो high-stakes या formatting-sensitive workflows के लिए जोखिम को उजागर करती हैं।
  • OCR outputs को downstream decision systems में उपयोग करने पर चर्चा है; चिंता है कि silent OCR errors वित्तीय या अन्य critical decisions को प्रभावित कर सकते हैं।

हैंडराइटिंग, भाषाएँ और edge cases

  • कई टिप्पणियाँ व्यवहार में अच्छी handwriting recognition की पुष्टि करती हैं (historical documents सहित), हालांकि हमेशा human review tail के साथ।
  • Transkribus, Sarvam, Gemini Pro, और Qwen models जैसे अन्य टूल्स को handwriting या Indic languages के लिए मजबूत बताया गया है।
  • एक उपयोगकर्ता ने language misclassification (Malayalam को Kannada समझना) की रिपोर्ट की; एक अन्य ने “rare/specialized languages” labeling (पहले “minor”) को training priorities का संकेतक बताया।
  • कुछ लोग language-wise और handwritten data पर बेंचमार्क मांगते हैं; मौजूदा public benchmarks को printed text की ओर झुका हुआ माना जाता है।