Mistral 宣稱推出最強多模態 OCR API，幫你把 PDF 轉成 AI 好讀文件
當各家科技巨頭競相推出 AI 推理模型，法國 AI 新創 Mistral 在 3/6（四）發表了新 API：Mistral OCR，目的在幫助開發者將複雜的 PDF 文件轉換為結構化的文本格式，進而便於 AI 系統進一步分析和利用。
Mistral 共同創辦人兼首席科學家 Guillaume Lample 表示，「多年來，組織累積了大量文件，通常是 PDF 或 PPT 格式，這些檔案是 LLM，尤其是 RAG 系統無法存取的。」
《VentureBeat》報導，根據 Mistral 的說法，全球約 90% 的企業數據屬於非結構化數據，因此對於想把資料數位化、分類以用於 AI 應用程式或內外部知識庫的企業來說，新 API 能將之結構化處理是巨大福音。具體來說，Mistral OCR 有哪些亮點？
亮點 1：多模態改善複雜文件的處理方式
Mistral OCR 的亮點在於，它與大多數傳統的 OCR API 有所不同，不僅能識別文本，還能處理手寫筆記、圖片、表格、數學公式等多模態內容。這意味著當 PDF 文件中包含插圖或照片時，Mistral OCR 會將這些元素進行標註並保留在輸出中。
此外，Mistral OCR 的輸出不只是一大段文字，而是採用 Markdown 格式，讓開發人員可以用來新增連結、標題和其他格式元素。《TechCrunch》解釋，由於 LLM 非常依賴 Markdown 格式作為訓練資料集，隨著生成式 AI 發展，原始文本、Markdown 格式在近年變得更加重要。
亮點 2：宣稱性能地表最強，支援多語言處理
Mistral 強調自家 OCR 的表現超越競爭對手 Google、微軟和 OpenAI 現有的 API，其引用基準測試指出，Mistral OCR 在數學識別、掃描文件和多語言文字處理方面取得了最高的準確率。
此外，Mistral 也強調其 OCR 更快的處理速度──每分鐘可處理多達 2,000 頁文件，而這種速度特別適用於需要處理大量文件的產業，如研究、客服和歷史保存等領域。
亮點 3：與大型語言模型結合，提升文件處理能力
Mistral OCR 可與大型語言模型（LLM）相結合，使企業能夠將多模態文件輸入至 RAG（檢索增強生成）系統中，而開發者可以將此 API 整合進現有的工作流程，支持更加高效的文件處理和資料存取，例如讓使用者透過自然語言查詢文件內容、跨多個文件比較分析。
此外，Mistral OCR 也整合到 Mistral 的 AI 聊天機器人 Le Chat 中，未來也預計透過雲端和推理合作夥伴提供 API，甚至支援具有高度安全性要求的企業在自己的基礎設施上部署。
立即下載《2025 AI 工具應用報告》
【推薦閱讀】
◆ AI 是聽話學生還是革命者？Hugging Face 共同創辦人發文挑戰 Anthropic CEO
＊本文初稿由 AI 生成，經《TechOrange》編撰，資料來源：《TechCrunch》、Mistral AI、《VentureBeat》，首圖來源：Unsplash。