複雑なレイアウトや方程式、多言語も読み取れる「Mistral OCR」の実力とは：画像とテキスト両方に対応

Mistral AIは、OCR API「Mistral OCR」を発表した。画像や表を含む高度なレイアウトなども認識でき、多言語に対応している。

[＠IT]

印刷

見るPost

Shareシェア

はてなブックマーク

SharePocket Button

　Mistral AIは2025年3月6日（仏国時間）、OCR（Optical Character Recognition：光学的文字認識）API「Mistral OCR」を発表した。同社は以下のように紹介している。

---

　Mistral OCRは、ドキュメント理解の新たな標準となる光学式文字認識APIだ。他のモデルとは異なり、Mistral OCRはドキュメントの各要素（メディア、テキスト、表、数式）をかつてない精度と認識力で理解する。Mistral OCRは画像やPDFを入力とし、テキストと画像を順序よくインターリーブしてコンテンツを抽出する。

　Mistral OCRは、マルチモーダル文書（スライドや複雑なPDFなど）を入力とするRAG（検索拡張生成）システムと組み合わせて使用するのに理想的なモデルといえる。

　当社では、対話型AIアシスタント「Le Chat」の数百万人のユーザーが文書を理解できるよう、Mistral OCRを標準モデルとして採用している。また、API mistral-ocr-latestを1000ページ／ドル（バッチ推論では約2倍のページ／ドル）でリリースしている。このAPIは、当社の開発者スイート「la Plateforme」で利用でき、オンプレミスと同様に、当社のクラウドおよび推論パートナーにも近日中に提供される。

複雑な文書を理解する技術

続きを読む

　Mistral OCRは、インターリーブされた画像、数式、表、LaTeXフォーマットのような高度なレイアウトなど、複雑な文書要素の理解に優れている。このモデルにより、図表、グラフ、方程式、図を含む科学論文のようなリッチな文書をより深く理解できる。

　以下では、PDFとOCRの出力を並べて比較している。

• 表＋図

（提供：Mistral AI）

• 数学

（提供：Mistral AI）

• ヒンディー語

（提供：Mistral AI）

• 文書

（提供：Mistral AI）

• アラビア語

（提供：Mistral AI）

トップクラスのベンチマーク

　Mistral OCRは、厳格なベンチマークテストにおいて、他の主要なOCRモデルを常に上回っている。Mistral OCRの優れた精度は、文書解析のさまざまな側面において以下のように示されている。Mistral OCRは、文書からテキストとともに埋め込み画像を抽出するが、以下で比較する他のLLMにはこのような機能はない。公正な比較のために、さまざまな出版論文とウェブからのPDFを含む、我々の内部の「テキストのみ」のテストセットで評価した。

モデル	全体	数学	多言語	スキャン	表
Google Document AI	83.42	80.29	86.42	92.77	78.16
Azure OCR	89.52	85.72	87.52	94.65	89.52
Gemini-1.5-Flash-002	90.23	89.11	86.76	94.87	90.48
Gemini-1.5-Pro-002	89.92	88.48	86.33	96.15	89.71
Gemini-2.0-Flash-001	88.69	84.18	85.80	95.11	94.46
GPT-4o-2024-11-20	89.77	87.55	86.00	94.58	91.70
Mistral OCR 2503	94.89	94.29	89.55	98.96	96.12

ネイティブな多言語対応

　Mistral OCRは世界中の何千もの文字体系、フォント、言語を解析、理解、文字起こしできるようになった。この汎用（はんよう）性は、多様な言語を扱うグローバルな組織にとっても、ニッチ市場にサービスを提供する超ローカルなビジネスにとっても重要だ。

モデル	生成時のあいまい一致
Google-Document-AI	95.88
Gemini-2.0-Flash-001	96.53
Azure OCR	97.31
Mistral OCR 2503	99.02

　言語別ベンチマークは以下の通り。

言語	Azure OCR	Google Doc AI	Gemini-2.0-Flash-001	Mistral OCR 2503
ロシア語	97.35	95.56	96.58	99.09
フランス語	97.50	96.36	97.06	99.20
ヒンディー語	96.45	95.65	94.99	97.55
中国語	91.40	90.89	91.85	97.11
ポルトガル語	97.96	96.24	97.25	99.42
ドイツ語	98.39	97.09	97.19	99.51
スペイン語	98.54	97.52	97.75	99.54
トルコ語	95.91	93.85	94.66	97.00
ウクライナ語	97.81	96.24	96.70	99.29
イタリア語	98.31	97.69	97.68	99.42
ルーマニア語	96.45	95.14	95.88	98.79