如果你的活儿里有"把一堆 PDF、合同、报表、幻灯片喂进模型"这一步，那 OCR 这层往往是整条流水线最先掉链子的地方——版面一乱、表格一多、语言一杂，抽出来的文本就开始错位。Mistral 在 6 月 24 日发布的 OCR 4，瞄准的正是这个环节：它不是一个聊天模型，而是专门读文档、把文字和结构抽出来的识别模型，输入覆盖 PDF、Word 和 PowerPoint。 OCR（光学字符识别）这个词容易让人以为只是"把图片里的字认出来"，但现代文档识别要做的远不止认字。它得判断哪块是标题、哪块是正文、哪里是一张表格、哪里是一个公式或一处签名——也就是把版面拆成有语义的块，否则下游拿到的就是一团顺序错乱的文字。OCR 4 在这一点上明确做了块级分类：抽取时会标出元素类型（标题、表格、公式、签名等）。这对把结果灌进 RAG 或结构化数据库的人很关键，因为"知道这段是表格"和"只拿到一串字符"是两种完全不同的可用性。 另一个实用的设计是置信度。OCR 4 为每个词、每一页都输出一个置信度分数。在生产环境里，这意味着你可以按分数把可疑的页面挑出来人工复核，而不是对整批结果一视同仁地相信或不信——对要做质量门控的流水线来说，这是个能直接用上的钩子。 语言覆盖方面，官方称支持 170 种语言，并表示对较冷门的语种也"处理得不错"。需要诚实标注的是：这句话原文没有给出任何支撑数据或分语种的测试结果，只是一句定性说法，不宜当成已验证的结论。 至于性能，Mistral 给出的核心证据是一场盲测：在 600 多份文档上，独立评审在 72% 的情况下更偏好 OCR 4 的输出，而非参与对比的其他模型。这个数字听起来不错，但有几处需要保留地看。其一，文章没有点名具体是哪些竞品，所以"赢了谁"无从核实。其二，72% 是"被偏好的比例"，属于人类主观偏好投票，不等于某个客观准确率指标；文章虽提到它"在两项基准上都胜过所有受测对手"，却没给出基准名称和任何数值分数。其三，这终归是厂商自报的盲测，缺第三方在未污染条件下的复现。 商业层面信息比较清楚：每千页 4 美元，批处理模式降到每千页 2 美元，通过 Mistral API、Mistral Studio 和微软 Foundry 三个入口提供。要注意它是纯 API 服务，没有放出可本地部署的开源权重——这点和 Mistral 一些开放模型的形象不同，对数据合规要求高、不能把文档发到外部 API 的团队是个硬约束。 落到判断：对正在搭文档处理流水线、希望有现成高质量 OCR 选项的团队，这是一个值得纳入对比清单的新供给，块级结构和逐词置信度是两个能落地的卖点。但在你自己的真实文档分布上跑一轮对照之前，别把那 72% 当成结论——厂商盲测的胜率和你的实际数据上的表现，常常是两回事。