Mistral OCR 4.1

原文 ↗ Hacker News 讨论 ↗

Mistral 的新 OCR 4.1 模型引发了褒贬不一的反应：一些用户称赞它在常见文档和手写体上的速度、版面理解能力和表现，而另一些人则认为它在复杂材料上表现平平，并且与 Tesseract、Google Document AI 或基于百度的本地方案相比价格过高。讨论中反复出现的主题是准确性、成本、速度与数据主权之间的权衡，几位评论者即便接受更高价格，也看重欧盟托管或本地运行的模型。话题还扩展到对欧洲在 AI“竞赛”中更广泛角色的怀疑、监管和护栏（尤其是版权方面）的影响，以及专门的 OCR 模型是否能胜过通用视觉 LLM。

Mistral 和欧洲在 AI 版图中的角色

  • 一些人认为，Mistral 依靠欧盟监管和数据主权需求而维持，处在一个有保障的利基市场中，为欧洲公司和机构服务。
  • 另一些人则认为，这与其说是监管，不如说是欧洲客户出于主权原因，避免使用美国/中国提供商。
  • 有人对欧洲在 AI 竞赛中“发挥重要作用”持悲观态度；反驳者则认为：
    • AI 正在快速商品化。
    • 开源权重和知识扩散会让欧洲无需像美国那样烧钱也能“追上”。
  • 关于是否存在“AI 竞赛”也有争论：
    • 一方强调先发优势、国家安全，以及 AGI/ASI 的控制问题。
    • 另一方指出独占窗口很短、先发者失利的例子，以及竞赛动态带来的高系统性风险。
    • 也有人怀疑当前 LLM 路径是否真能实现 AGI，并认为欧盟较低的支出是理性的风险管理。

定价、价值与托管

  • Mistral OCR 4.1 的价格约为 3.5€/1000 页。许多人称这“很贵”，尤其是与 AWS Textract、Azure、Google Document AI、NuExtract，以及声称每 1000 页仅 0.05–0.10 美元的自托管流水线相比。
  • 反方观点是：对于企业用途，准确性、合规性，以及欧盟托管/空气隔离能力，足以证明更高定价是合理的。
  • 也有人认为传统 OCR（如 Tesseract）便宜得多，但在复杂版面、表格、手写内容或高可靠性需求下往往不够用。

准确性、幻觉与对比

  • 体验参差不齐，而且高度依赖任务：
    • 有人反馈 Mistral OCR 在标准排版文档、表单和简单 PDF 上表现出色，称赞其速度和版面处理能力。
    • 也有人认为 OpenAI 的“pro”模型、Anthropic 的 Sonnet 或 Gemini 明显更好，尤其是在历史文本、手写体和复杂排版方面。
    • 一个反复出现的抱怨是 Mistral OCR 会幻觉出整句内容，于是有人会再用另一个模型做后处理校对。
  • 传统 OCR + 版面逻辑被认为脆弱且复杂；对于多栏、表格或混合内容文档，人们更偏好深度学习 OCR 和 VLM。
  • 不同细分领域（手写、版面、语言）中，所谓“最佳”模型说法不一，也没有引用公认的基准测试；有人询问其在非拉丁文字上的表现，但仍不明确。

护栏、版权与审查

  • 多人报告称 Anthropic 的模型会拒绝看起来像逐字复现的 OCR 或翻译，即使是自有文本或公有领域文本，或者内容涉及“敏感”话题也一样。
  • 这导致人们采用变通办法（两阶段 OCR、创造性提示）以及对过度严格的安全/版权护栏感到沮丧；在一些人看来，这甚至接近思想审查，并且是出于法律恐惧而驱动的。