Mistral AI ha lanzado Mistral OCR 3, su último servicio de reconocimiento óptico de caracteres que impulsa la pila Document AI de la empresa. El modelo, denominado mistral-ocr-2512, está diseñado para extraer texto e imágenes intercaladas de archivos PDF y otros documentos preservando al mismo tiempo la estructura, y lo hace a un precio agresivo de 2 dólares por cada 1000 páginas con un descuento del 50 % cuando se utiliza a través de Batch API.
¿Para qué está optimizado Mistral OCR 3?
Mistral OCR 3 se dirige a cargas de trabajo de documentos empresariales típicas. El modelo está optimizado para formularios, documentos escaneados, tablas complejas y escritura a mano. Se evalúa según puntos de referencia internos extraídos de casos de uso empresarial reales, donde logra una tasa de ganancia general del 74% sobre Mistral OCR 2 en estas categorías de documentos utilizando una métrica de coincidencia difusa con la verdad del terreno.
El modelo genera una reducción que conserva el diseño del documento y, cuando el formato de tabla está habilitado, enriquece la salida con representaciones de tabla basadas en HTML. Esta combinación brinda a los sistemas posteriores tanto el contenido como la información estructural que se necesitan para los canales de recuperación, los análisis y los flujos de trabajo de los agentes.
Papel en la IA del Documento Mistral
OCR 3 se encuentra dentro de Mistral Document AI, la capacidad de procesamiento de documentos de la empresa que combina OCR con extracción de datos estructurados y Document QnA.
Ahora impulsa Document AI Playground en Mistral AI Studio. En esta interfaz, los usuarios cargan archivos PDF o imágenes y obtienen texto limpio o JSON estructurado sin escribir código. Se puede acceder al mismo canal de OCR subyacente a través de la API pública, lo que permite a los equipos pasar de la exploración interactiva a las cargas de trabajo de producción sin cambiar el modelo central.
Entradas, salidas y estructura
El procesador OCR acepta múltiples formatos de documentos a través de una única API. El campo del documento puede apuntar a:
document_url para archivos PDF, pptx, docx y más image_url para tipos de imágenes como png, jpeg o avif Archivos PDF o imágenes cargados o codificados en base64 a través del mismo esquema
Esto está documentado en la sección Procesador de OCR de los documentos Document AI de Mistral.
La respuesta es un objeto JSON con una matriz de páginas. Cada página contiene un índice, una cadena de rebajas, una lista de imágenes, una lista de tablas cuando se usa table_format=”html”, hipervínculos detectados, campos de encabezado y pie de página opcionales cuando la extracción de encabezado o pie de página está habilitada y un objeto de dimensiones con el tamaño de página. También hay un campo document_annotation para anotaciones estructuradas y un bloque use_info para información contable.
Cuando se extraen imágenes y tablas HTML, la reducción incluye marcadores de posición como y [tbl-3.html](tbl-3.html). Estos marcadores de posición se asignan al contenido real utilizando las matrices de imágenes y tablas en la respuesta, lo que simplifica la reconstrucción posterior.
Actualizaciones sobre Mistral OCR 2
Mistral OCR 3 introduce varias mejoras concretas en relación con OCR 2. Las notas de la versión pública enfatizan cuatro áreas principales.
Handwriting Mistral OCR 3 interpreta con mayor precisión las anotaciones de contenido mixto en cursiva y el texto escrito a mano colocado encima de las plantillas impresas. Formularios Mejora la detección de cuadros, etiquetas y entradas escritas a mano en diseños densos, como facturas, recibos, formularios de cumplimiento y documentos gubernamentales. Documentos escaneados y complejos El modelo es más resistente a los artefactos de compresión, la distorsión, los DPI bajos y el ruido de fondo en las páginas escaneadas. Tablas complejas Reconstruye estructuras de tablas con encabezados, celdas fusionadas, bloques de varias filas y jerarquías de columnas, y puede devolver tablas HTML con etiquetas colspan y rowspan adecuadas para conservar el diseño.
Precios, inferencia de lotes y anotaciones
La tarjeta modelo OCR 3 tiene un precio de $2 por 1000 páginas para OCR estándar y $3 por 1000 páginas anotadas cuando se utilizan anotaciones estructuradas.
Mistral también expone OCR 3 a través de su API Batch Inference /v1/batch, que está documentada en la sección de procesamiento por lotes de la plataforma. El procesamiento por lotes reduce a la mitad el precio efectivo del OCR a 1 dólar por cada 1000 páginas aplicando un descuento del 50 % a los trabajos que se ejecutan a través del proceso por lotes.
El modelo se integra con dos características importantes en el mismo punto final, Anotaciones – Estructuradas y Extracción BBox. Estos permiten a los desarrolladores adjuntar etiquetas basadas en esquemas a regiones de un documento y obtener cuadros delimitadores para texto y otros elementos, lo cual es útil al mapear contenido en sistemas posteriores o superposiciones de UI.
Conclusiones clave
Modelo y función: Mistral OCR 3, denominado mistral-ocr-2512, es el nuevo servicio de OCR que impulsa la pila Document AI de Mistral para la comprensión de documentos basada en páginas. Aumentos en precisión: en los puntos de referencia internos que cubren formularios, documentos escaneados, tablas complejas y escritura a mano, OCR 3 logra una tasa de ganancia general del 74% sobre Mistral OCR 2, y Mistral lo posiciona como lo último en comparación con los sistemas OCR tradicionales y nativos de IA. Salidas estructuradas para RAG: el servicio extrae texto entrelazado e imágenes incrustadas y devuelve rebajas enriquecidas con tablas reconstruidas en HTML, preservando el diseño y la estructura de las tablas para que las salidas puedan alimentar directamente a RAG, agentes y canales de búsqueda con un análisis adicional mínimo. API y formatos de documentos: los desarrolladores acceden a OCR 3 a través del punto final /v1/ocr o SDK, pasando archivos PDF como document_url e imágenes como png o jpeg como image_url, y pueden habilitar opciones como salida de tabla HTML, extracción de encabezado o pie de página e imágenes base64 en la respuesta. Precios y procesamiento por lotes: OCR 3 tiene un precio de 2 dólares por 1000 páginas y 3 dólares por 1000 páginas anotadas, y cuando se utiliza a través de Batch API, el precio efectivo del OCR estándar cae a 1 dólar por 1000 páginas para procesamiento a gran escala.
Consulta los DETALLES TÉCNICOS. No dude en consultar nuestra página de GitHub para tutoriales, códigos y cuadernos. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 100.000 ML y suscribirse a nuestro boletín.
Michal Sutter es un profesional de la ciencia de datos con una Maestría en Ciencias de Datos de la Universidad de Padua. Con una base sólida en análisis estadístico, aprendizaje automático e ingeniería de datos, Michal se destaca en transformar conjuntos de datos complejos en conocimientos prácticos.