Mistral OCR 4

原文 ↗ Hacker News 讨论 ↗

Mistral OCR 4 的总体印象

  • 许多评论者表示其在真实场景中表现强劲，尤其是在受损或老旧文档上，并将其与 ABBYY FineReader 等经典工具以及一些现代 VLM 进行比较，认为它更胜一筹。
  • 也有人持怀疑态度，因为早先的 Mistral OCR 版本相较于营销宣传表现不佳；一些人认为 OCR 4 看起来更好，但希望先看到独立基准测试。
  • 一些用户特别称赞 Mistral 的 OCR，而批评其编码/通用模型不如美国/中国的 SOTA。

基准、准确率与评估

  • 人们质疑对内部基准和有限公开指标的高度依赖；对过去“在很小的内部集合上 98% 准确”的说法表示担忧。
  • 文中提到了 OlmOCRBench、OmniDocBench、ParseBench 和 Arbitr 排行榜等外部基准；有一个链接暗示之前的 Mistral OCR 并非顶尖。
  • 几位评论者抱怨“图表犯罪”：截断的 y 轴和可能夸大收益的呈现方式。
  • 人们也希望将其与百度的 Unlimited-OCR、Llama Parse、Apple 的本地模型、Claude 的视觉能力、Gemini，以及 Google Vision / Document AI 做比较，但相关数据不完整或缺失。

定价与竞争

  • 每 1,000 页 4 美元被一些人视为非常便宜，但也有人指出，如果只是纯文本，Google Vision OCR 更便宜（每 1,000 页 1.50 美元），而带布局感知的 Google / Azure 产品价格则更接近。
  • 有人疑惑传统 OCR 厂商如何在这样的价格点上竞争。

用例、局限与风险

  • 据报告，它在复杂商务文档、表格、表单和杂志上效果很好；有人特别提到自动 markdown + 图像裁剪非常有用。
  • 也有一些真实场景失败的例子（例如收据上的日期识别错误、引号样式变化），这凸显了在高风险或对格式敏感的工作流中的风险。
  • 讨论还涉及将 OCR 输出用于下游决策系统；担心静默的 OCR 错误会影响财务或其他关键决策。

手写、语言与边缘情况

  • 多条评论确认其实践中的手写识别表现良好（包括历史文档），不过通常仍需要人工复核。
  • 其他工具如 Transkribus、Sarvam、Gemini Pro 和 Qwen 模型被提及在手写或印度语系语言上表现强劲。
  • 有用户报告语言误分类（将 Malayalam 识别为 Kannada）；另有人指出“rare/specialized languages”（以前称为“minor”）这一标签揭示了训练优先级。
  • 一些人要求按语言和手写数据进行基准测试；目前公开基准被认为偏向印刷文本。