Mistral AIがOCR 4を発表：ドキュメント・インテリジェンスの新たなベンチマーク
Mistral AIは、複雑なデジタルドキュメントの機械による解釈方法を変革するために設計された、高度な新モデル「OCR 4」を正式にリリースしました。単なるテキスト抽出の枠を超え、このモデルは自動化されたワークフローやAIエージェントへの統合におけるドキュメント処理の標準を再定義することを約束します。
生のテキストを超えて：高度なブロック分類
単に生のテキストをスクレイピングする従来の光学文字認識（OCR）ツールとは異なり、OCR 4はドキュメントレイアウトの深い構造的理解を導入しています。このモデルは、ページ上の要素の正確な空間座標を特定し、それらに特定の機能的役割を割り当てることが可能です。
つまり、このモデルはタイトル、表、複雑な数式、さらには手書きの署名までも区別できます。「ブロック分類」を実行することで、OCR 4はドキュメントを意味のある構造化されたセクションに自動的に分割します。これは、高精度なコンテキストを必要とするRAG（Retrieval-Augmented Generation）システムや自律型AIエージェントにドキュメントを投入する際、よりクリーンなデータインジェクション（取り込み）を可能にするため、開発者やデータエンジニアにとって極めて重要な進歩です。
ブラインドテストで証明された精度
パフォーマンスを検証するため、Mistralは600以上のドキュメントを用いた厳格なブラインドテストを実施しました。その結果は驚くべきものでした。独立したレビュアーが、競合する業界モデルよりもOCR 4を好んだケースは、テストケースの72%に達しました。この支持は、従来のOCRエンジンがしばしば躓いてしまうような細かなニュアンスを処理する、同モデルの優れた能力を浮き彫りにしています。
さらに、OCR 4は確信度スコア（confidence scores）を通じて、きめ細かな透明性を提供します。処理される単語やページごとに、モデルはその確実性の推定値を出力します。この機能は、モデルの確信度が特定の閾値を下回った場合に人間による検証（human-in-the-loop）を必要とするような、重大な判断を伴うエンタープライズ向けアプリケーションにとって不可欠です。
多言語サポートとアクセシビリティ
言語の壁はグローバルなドキュメント処理における大きな障害であり続けていますが、OCR 4は170言語のサポートによってこのギャップを埋めることを目指しています。Mistralによれば、このモデルは一般的ではない言語やリソースの少ない言語を処理する場合でも高い精度を維持しており、国際的な企業にとって汎用性の高いツールとなります。
このモデルは、Mistral API、Mistral Studio、Microsoft Foundryを含む複数のプラットフォームを通じて、開発者や企業がすでに利用可能です。また、Mistralは導入を促進するために競争力のある価格体系を導入しています。リアルタイムリクエストの場合は1,000ページあたり4ドル、よりコスト効率の高いバッチモードは1,000ページあたり2ドルで利用可能です。
なぜこれがAIエコシステムにとって重要なのか
OCR 4のリリースは、テキストを「読む」ことからドキュメントの構造を「理解する」ことへの転換を意味しています。LLMの能力が向上するにつれ、知能のボトルネックは、それらに投入されるデータの品質になることがよくあります。PDF、Wordファイル、PowerPointから、構造化され、分類され、確信度の高いデータを提供することで、Mistralは次世代の推論重視のAIアプリケーションに必要な高品質な「燃料」を提供しているのです。
主なポイント
- 構造的インテリジェンス: OCR 4は、単に生のテキストを抽出するのではなく、ブロック分類を使用してタイトル、表、数式を特定します。
- 優れたパフォーマンス: 600以上のドキュメントを用いたブラインドテストにおいて、競合他社よりも72%高い割合で選好されました。
- エンタープライズ対応: 170言語をサポートし、APIやMicrosoft Foundryを通じて、バッチモードの1,000ページあたり2ドルからという構造化された価格体系を提供します。