Mistral OCR 4 supporte 170 langues et propose des boîtes de délimitation

Mistral AI annonce Mistral OCR 4, une version de son outil d'OCR qui étend sa prise en charge à 170 langues et introduit des fonctionnalités d'annotation comme les boîtes de délimitation et la classification de blocs.

La nouvelle version de Mistral OCR 4 se distingue par sa capacité à traiter 170 langues réparties en 10 groupes linguistiques, une évolution majeure pour les entreprises nécessitant une extraction de texte multilingue. Le modèle retourne désormais des boîtes de délimitation (bounding boxes) pour localiser précisément le texte extrait, ainsi qu'une classification des blocs (titres, tableaux, équations, signatures, etc.) et des scores de confiance intégrés au texte. Ces fonctionnalités visent à améliorer la précision des pipelines de données et la fiabilité des citations dans les systèmes de recherche ou de RAG (Retrieval-Augmented Generation).

Mistral OCR 4 est conçu pour être déployé en self-hosted via un seul conteneur, ce qui facilite son intégration dans des infrastructures privées. Selon les tests internes et externes cités par Mistral AI, le modèle affiche des performances supérieures aux autres solutions d'OCR et de traitement de documents, avec un taux de préférence moyen de 72 % auprès d'annotateurs indépendants et un score de 85,20 % sur OlmOCRBench. Ces résultats restent à contextualiser avec les limites méthodologiques des benchmarks utilisés.

L'outil se positionne comme une brique d'ingestion pour des cas d'usage comme la recherche d'entreprise, le RAG ou les pipelines de récupération spécifiques à un domaine. Mistral AI précise que Mistral OCR 4 est un modèle optimisé pour la segmentation et l'annotation, et recommande de l'utiliser en complément de Document AI pour des besoins plus larges en traitement de documents.