Mistral OCR 4.1 能不能做生产级文档 AI?别只看识别率,要看版面、置信度和管线控制权

如果你在做企业知识库、合同解析、票据抽取,最容易高估的一件事是:OCR 识别率高,就等于文档 AI 可以上线。 我以前也这么想。直到真实项目里遇到一堆 PDF:页眉页脚反复出现、两栏排版打乱阅读顺序、表格跨页、扫描件歪斜、脚注插在正文中间。模型把字识别出来了,但下游 RAG 还是答错。原因很简单:文档不是一串文字,文档是有结构的。 所以我看到 Mistral OCR 4.1 在 Hacker News 上被讨论时,第一反应不是“又一个 OCR 模型”,而是想看它有没有解决工程上真正痛的三个问题:版面位置、结构标签、置信度。Mistral 的官方说明里,OCR 4.1 是其 Document AI stack 的 OCR 服务,公开预览版本支持 paragraph-level bounding box extraction、structural block labels、block-level confidence scores,并通过 /v1/ocr 和 batch 能力提供服务。 这几个词很产品化,但放进生产管线里,意义不小。 OCR 的难点早就不是“认字”了 传统 OCR 系统最关注字符识别:这行字是不是“Invoice No.”,金额是不是 $1,204.55。但企业文档 AI 的失败,很多时候不是字符错,而是结构错。 比如一份供应商合同里有两栏条款,左栏是定义,右栏是例外说明。OCR 如果按页面从左到右、从上到下粗暴展开,LLM 看到的可能是“定义 A + 定义 B + 例外 A + 例外 B”。字都对,语义顺序错了。 再比如财报 PDF 里一张表,第一列是年份,后面三列是地区收入。如果 OCR 只吐出 Markdown 文本,下游 chunker 可能把表头和数值切开。向量检索命中其中一半,LLM 就开始一本正经地编。 ...

August 14, 2026 · 2 min · Hypho