1. OCR 4最重要的升级不是把PDF变成Markdown传统OCR的核心任务很简单。图片里有什么字。然后把它输出成文本。但企业文档真正复杂的地方从来不只是文字本身。标题在哪里。表格在哪里。公式属于哪一段。签名在哪个区域。页眉页脚是否应该进入检索。模型对当前识别结果有多大把握。OCR 4真正有价值的地方是把这些信息一起返回。Document ↓ OCR 4 ↓ Page ├── Markdown ├── Tables ├── Images ├── Blocks │ ├── title │ ├── text │ ├── table │ ├── equation │ ├── code │ ├── signature │ └── footer ├── Bounding Boxes └── Confidence Scores这已经不是单纯“识字”。更接近文档解析器。2. 先跑一个最小OCR 4调用Mistral官方SDK可以直接通过client.ocr.process调用。import os from mistralai.client import Mistral client Mistral( api_keyos.environ[MISTRAL_API_KEY] ) response client.ocr.process( modelmistral-ocr-4-0, document{ type: document_url, document_url: https://arxiv.org/pdf/2201.04234, }, table_formathtml, include_blocksTrue, confidence_scores_granularityword, ) for page in response.pages: print(page.markdown)这里最值得注意的并不是markdown字段。而是include_blocks和confidence_scores_granularity。前者让系统拿到结构块。后者让系统知道哪些内容可能识别错了。3. Bounding Box为什么会改变RAG质量很多RAG系统今天仍然使用非常粗糙的Chunk方式。每500个Token切一次。或者每1000个字符切一次。这种做法最大的问题是它完全不知道文档结构。标题可能和正文被拆开。表格可能从中间被切断。公式可能脱离解释段落。OCR 4返回的Block可以成为更自然的Chunk边界。def build_chunks(page): chunks [] current {title: None, content: []} for block in page.blocks or []: if block.type title: if current[content]: chunks.append(current) current { title: block.content, content: [], } continue if block.type in { text, list, table, equation, code, }: current[content].append({ type: block.type, content: block.content, bbox: [ block.top_left_x, block.top_left_y, block.bottom_right_x, block.bottom_right_y, ], }) if current[content]: chunks.append(current) return chunks这时候Chunk不再只是一个字符串。它还知道自己来自哪个标题。属于哪种内容。在原页面的哪个位置。CHUNK-101FIXED_TOKEN_SPLIT直接按照固定Token长度切文档会破坏标题、表格、公式和段落之间的真实语义边界。4. Confidence Score不是装饰它决定什么时候必须人工复核OCR系统最危险的情况不是完全识别失败。而是看起来识别成功实际上有关键数字错了。例如发票金额。合同日期。银行账号。技术参数。OCR 4允许返回Page级和Word级Confidence。这意味着系统可以自动做风险分流。def review_policy(page): scores page.confidence_scores if not scores: return auto_pass average scores.average_page_confidence_score minimum scores.minimum_page_confidence_score if minimum 0.70: return human_review if average 0.90: return secondary_model return auto_pass高置信度自动流转。中置信度二次模型检查。低置信度进入人工审核。CONF-202IGNORE_CONFIDENCEOCR已经返回置信度但下游系统仍把所有字段当作100%正确会把识别误差直接传入数据库和Agent。5. OCR 4为什么特别适合作为Agent的“文档入口”Agent要对文档采取行动首先必须把文档变成机器可理解的数据结构。只有全文字符串是不够的。例如一个合同Agent需要知道哪一块是标题、哪一块是付款条款、哪一块是签名以及风险条款来自哪一页。PDF ↓ OCR 4 ↓ Structured Blocks ↓ Document Classifier ↓ Business Agent ├── 合同审核 ├── 发票校验 ├── 报表分析 ├── 知识库入库 └── PPT生成从这个角度看OCR 4真正的位置不是“工具箱里的OCR”。而是Agent的数据入口层。6. Structured Annotation让文档直接变成业务JSONMistral Document AI还支持Annotations。这层能力特别适合发票、合同、表单和业务报表。开发者可以先定义希望得到的结构。from pydantic import BaseModel class Invoice(BaseModel): invoice_number: str vendor_name: str invoice_date: str total_amount: float currency: str然后让Document AI按照Schema提取。这样下游系统不需要再从一大段Markdown里二次正则解析。Agent真正需要的往往不是“读懂这张发票”。而是拿到字段、检查金额再调用后续业务系统。7. Bounding Box还能解决“答案到底来自哪”RAG系统非常常见的一个问题是模型回答了但用户不知道它到底从PDF哪一块读出来的。有了Bounding Box以后可以把检索结果反向定位到页面区域。retrieval_result { text: 付款周期为30天, page: 7, bbox: { x1: 0.18, y1: 0.42, x2: 0.72, y2: 0.48, }, block_type: text, }前端就可以把原PDF第7页对应区域高亮。这对于合同审核、医疗、财务和知识库系统非常重要。因为“答案正确”之外还需要“证据可追溯”。8. 一个生产级文档工作流应该长这样Upload ↓ Document Type Check ↓ OCR 4 ↓ Block Extraction ↓ Confidence Gate ├── Low → Human Review └── Pass ↓ Structured Annotation ↓ Semantic Chunking ↓ Embedding / Index ↓ Agent / RAG ↓ Business Action ↓ Audit LogSTEP 1OCR负责把原始PDF、图片、DOCX或PPTX转成结构化页面内容。STEP 2Confidence Gate负责判断当前结果能否自动进入下一步。STEP 3Annotation负责把文档内容映射成业务需要的结构化字段。STEP 4RAG / Agent负责理解业务问题并调用工具执行后续动作。STEP 5Audit保存原文位置、提取结果、人工修订和最终操作。9. 为什么“手写也能识别”不是最重要的卖点视频热点里最容易吸引眼球的是复杂报表能识别、手写内容也能处理。这些当然有价值。但从开发者角度看更关键的是结果能不能程序化消费。Bounding Box。Block Type。Confidence。Structured Annotation。这些能力才真正决定OCR能不能进入企业自动化系统。10. 大规模文档处理还要考虑Batch而不是只写for循环如果每天处理10个PDF同步调用就够了。如果每天处理10万页架构就完全不同。Mistral官方也明确建议大规模OCR使用Batch Inference。生产系统还需要自己补上任务状态和幂等。from dataclasses import dataclass dataclass class DocumentJob: job_id: str source_uri: str status: str retry_count: int 0 content_hash: str | None None result_uri: str | None None同一份文档不要因为用户重复点击就处理三遍。Content Hash可以用来做幂等。JOB-303NO_IDEMPOTENCY文档任务没有内容哈希或幂等Key重复上传会重复计费、重复入库并生成多份冲突结果。11. OCR 4的成本为什么适合做独立路由Mistral官方当前给OCR 4的标准价格是每1000页4美元。带Annotations的Document AI价格是每1000页5美元。这意味着平台完全可以把普通OCR和业务结构化抽取拆成两条路线。def route_document_task(task): if task.need_structured_fields: return document_ai_annotation if task.need_bbox: return ocr4_blocks return ocr4_basic不是每一个PDF都需要跑最完整的处理链。根据任务需要动态升级才能控制长期成本。12. 对聚合500模型的平台来说OCR应该处在什么位置如果一个平台同时有文本、图片、视频、音频、智能体、无限画布、AI漫剧和AI PPT能力OCR模型不应该只是单独放在一个工具页面里。更合理的位置是输入层。User Document ↓ OCR / Document AI ↓ Structured Assets ├── Markdown ├── Tables ├── Images ├── BBoxes └── JSON Fields ↓ Model Router ├── Text Model ├── Agent ├── AI PPT ├── Knowledge Base └── Workflow一份PDF被解析以后可以继续进入不同模型。合同交给审查Agent。报告交给AI PPT。论文进入知识库。表格进入数据分析模型。这时候多模型平台的价值才从模型数量变成工作流能力。13. 六个文档AI系统最容易踩的坑OCR-101TEXT_ONLY_PIPELINE只保存最终纯文本丢掉Block、Bounding Box和原始页面关系下游无法做证据定位。CHUNK-202FIXED_SIZE_ONLY所有文档都按照固定Token长度切分不利用标题、表格和结构块作为语义边界。CONF-303NO_CONFIDENCE_GATE低置信度字段直接进入数据库和Agent没有二次模型检查或人工审核。RAG-404NO_SOURCE_LOCATION检索结果没有页码和坐标模型回答以后用户无法回到原文验证。JOB-505NO_IDEMPOTENCY同一文档重复上传导致多次处理、重复计费和重复索引。ROUTE-606FULL_PIPELINE_FOR_ALL所有文档都跑最贵的完整Annotation流程没有按照业务需求区分基础OCR与结构化提取。14. 最后OCR正在从“识字工具”变成AI系统的数据基础设施过去我们讨论OCR核心指标是识别率。现在这个问题已经不够了。真正进入Agent时代以后还要问内容在哪里、它是什么类型、模型有多确定、能不能变成业务字段、能不能回到原文定位证据、能不能在低置信度时自动进入人工审核。Mistral OCR 4真正值得关注的地方就在这里。它不只是把文档变成文字而是在把文档变成Agent可以安全消费、检索、验证和执行的数据结构。资料说明Mistral AI于2026年6月23日正式发布OCR 4模型ID为mistral-ocr-4-0。官方OCR文档说明OCR 4支持include_blocks、段落级Bounding Box、结构块标签、Page / Word级Confidence Score、表格格式化、页眉页脚提取等能力。官方Document AI还提供BBox Annotation与Document Annotation可按开发者提供的Schema输出结构化JSON。OCR 4当前标准价格为4美元/1000页Document AI Annotated Pages为5美元/1000页。本文中的路由、Chunk、Review Gate、幂等和多模型工作流代码均为工程设计示例。