Mistral OCR 4.1 kann jetzt genau auf den gelesenen Absatz zeigen

Mistrals OCR 4.1 schaffte es am Donnerstag auf die Titelseite von Hacker News, was für einen Dokumentenleser ungewöhnlich ist. OCR steht für optische Zeichenerkennung, die alte und unrühmliche Aufgabe, einen Scan oder eine PDF-Datei in Text umzuwandeln, mit dem ein Computer arbeiten kann. Die neue Version fügt drei Dinge hinzu, die technisch klingen, sich aber als sehr wichtig erweisen: Begrenzungsrahmen auf Absatzebene, strukturelle Blockbeschriftungen und Konfidenzwerte pro Block.

Im Klartext: Wenn das Modell eine Seite liest, gibt es nicht mehr nur eine Textwand zurück. Es zeigt Ihnen in Form von Koordinaten an, wo auf der Seite jeder Absatz herkam. Es beschriftet jeden Block in dreizehn Kategorien, darunter Titel, Liste, Tabelle, Bild, Gleichung und Code. Und es hängt eine Zahl an, die angibt, wie sicher es bei jedem Block ist, auf Seiten-, Block- oder Wortebene, je nachdem, was Sie verlangen.

Diese Kombination macht eine Antwort überprüfbar. Wenn Sie ein KI-Tool auf einen 200-seitigen Vertrag richten und nach der Kündigungsfrist fragen, lautet die nützliche Version dieser Antwort nicht nur „drei Monate“. Es heißt „drei Monate“ und auf Seite 143 ist der Satz genau hervorgehoben, aus dem er stammt. Begrenzungsrahmen ermöglichen es einem Werkzeug, diese Hervorhebung zu zeichnen. Mithilfe von Konfidenzwerten kann eine automatisierte Pipeline die Seiten kennzeichnen, die sich ein Mensch ansehen sollte, anstatt stillschweigend zu raten. OCR 4.1 befindet sich seit dem 16. Juli in der öffentlichen Vorschau und kostet 3,50 € pro 1.000 Seiten bzw. 4,38 € pro 1.000 Seiten mit strukturierten Anmerkungen über denselben /v1/ocr-Endpunkt, wobei die Stapelverarbeitung unterstützt wird.

Was ist hier eigentlich los?

Beim Lesen von Dokumenten findet tatsächlich viel echte KI-Arbeit statt, weit weg von den Chatbot-Schlagzeilen. Rechnungen, Verträge, Versicherungsansprüche, wissenschaftliche Arbeiten, Regierungsformulare: Alles kommt als PDFs und Scans an, und nichts davon ist für ein Modell von Nutzen, bis jemand es in strukturierten Text umwandelt. Der Grund dafür, dass diese Veröffentlichung so stark auf Zitaten und Vertrauen basiert, liegt darin, dass der Markt auf die harte Tour gelernt hat, dass eine KI-Antwort, die niemand überprüfen kann, eine KI-Antwort ist, die niemand unterschreiben wird. Mistral ist ein französisches Unternehmen, was für die Leser hier in praktischer Hinsicht von Bedeutung ist: Die europäische Datenresidenz ist eine normale Option und kein spezieller Wunsch. Zwei ehrliche Vorbehalte: Dies ist immer noch als öffentliche Vorschau gekennzeichnet und die Preise gelten pro Seite, sodass sich ein großes Archiv schnell summiert. Hunderttausend Seiten kosten 350 €.

Was das für dich bedeutet: Wenn bei dir ein Regal voller gescannter Unterlagen steht und du dich fragst, ob KI damit endlich etwas anfangen kann, ist diese Technik ein entscheidender Baustein. Die API wirst du wahrscheinlich nicht direkt verwenden, doch viele Dokumentwerkzeuge bauen auf solchen Diensten auf. Jetzt kennst du die wichtigste Prüffrage: Kann das Werkzeug zeigen, woher seine Antwort stammt? Falls nicht, solltest du seinen Aussagen mit größerer Vorsicht begegnen.

Quellen

• OCR 4.1-Modellkarte (Mistral AI)
• Dokumentation zum OCR-Prozessor (Mistral AI)
• Mistral OCR 4: SOTA OCR für Document Intelligence (Mistral AI)