Mistral在2026年6月发布OCR 4，目标不只是把扫描图片转成文字，而是把PDF、DOC、PPT和OpenDocument等文件解析成可供搜索、RAG和Agent使用的结构化内容。官方介绍显示，它可以返回文字所在的边界框、区块类型和逐页或逐词置信度，支持170种语言，并提供API、Document AI和企业自托管路线。
传统OCR为什么不够做AI知识库
普通OCR常把一页内容输出成连续文本，标题、两栏排版、表格和脚注混在一起。向量检索随后按固定字数切分，容易把表头与数据拆开，也可能把页眉重复写入每个片段。最终模型虽然“看到了文字”，却无法判断结构和来源。
OCR 4返回区块位置和类型，可以区分标题、正文、表格、公式、签名等内容。知识库可以按语义区块切分，并保留页码和坐标。回答问题时，前端不仅展示引用文件，还能高亮原页对应位置，提高核验效率。
从文档到RAG的完整处理流程
第一步上传前做文件检查，拒绝加密、损坏或超大文件，并记录来源、权限和版本。第二步调用OCR得到Markdown、边界框、区块类型和置信度。第三步清理重复页眉页脚，但保留页码。第四步按标题层级、段落和表格切分，不要把所有内容重新按固定字符粗切。
第五步为每个片段附加文档ID、页码、坐标、更新时间和访问权限。第六步生成向量并写入检索库。第七步建立问答评测，检查能否召回正确页面、引用是否准确、表格数据是否错列。低置信度区块应进入人工复核队列，而不是直接用于高风险回答。
API与Document AI怎么选择
如果团队有开发能力，需要控制批处理、切分、索引和成本，可以直接使用OCR 4原始结果。官方定价信息显示，API按每1000页4美元计费，Batch API可降低批量成本。若业务人员希望按自定义字段输出发票、合同或表单，可使用Document AI增加JSON结构和自定义指令。
无代码方案适合验证，但规模化后仍要考虑错误处理、重复文件、版本更新和权限同步。数据主权要求高的组织可以评估自托管。官方称模型可在单一容器中部署，不过实际资源需求、吞吐和许可证应在采购前确认。
哪些场景最适合
企业档案、技术手册、财务报告、合同、票据和多语言资料都适合结构化解析。Agent可以基于区块类型完成表单填写、票据抽取和合规检查。科研资料中的公式和多栏排版也比纯文本OCR更需要位置结构。
但OCR模型不是决策者。医疗诊断、法律判断和财务审批不能因为识别置信度较高就自动完成。置信度只能帮助排序复核优先级，不能替代业务规则和专业审核。
上线前必须准备的评测
从自己的真实文档中抽取至少100页，覆盖清晰扫描、倾斜照片、复杂表格、印章、手写内容和多语言。分别计算文字准确、表格结构、阅读顺序、页码引用和处理耗时。官方基准可以帮助了解方向，但Mistral也提醒公开基准存在标注和格式评分误差，最终应以企业文档为准。
还要做隐私测试：文档是否离开指定区域，日志是否保存原文，临时文件何时删除，谁能查看识别结果。对身份证、银行卡和合同金额等字段进行遮盖或分级权限控制。
小团队的最小实践方案
先选一类格式相对统一的文件，例如产品手册。解析后保留原文件和页面坐标，建立20个真实问题，要求答案必须带页码。只有当召回和引用稳定后，再扩展到合同、表格和自动处理。这样能把问题定位到OCR、切分、检索或生成环节，而不是遇到错误就盲目更换模型。
Mistral OCR 4的价值在于让文档从一段不可控文字变成带位置、类型和置信度的数据。结构保留得越完整，后续搜索、知识库和Agent就越容易可靠落地。
参考来源：Mistral《Introducing OCR 4》。本文为599IT原创实操整理。
