主な機能：文書の「構造」を読み解く

構造認識抽出（Structure-aware extraction）：OCR 4は抽出テキストに加えて、以下の情報を返します。

• 段落単位のバウンディングボックス（文字やブロックの位置情報）
• ブロックタイプラベル（14種類：text, title, list, table, image, equation, caption, code, references, aside_text, header, footer, signature）
• 信頼度スコア（ページ単位および単語単位）

include_blocks APIパラメータ：このパラメータを有効にすると、各ページのblocks配列に構造ラベルと空間座標が読み順で返されます。

170言語対応：10の言語グループに分類。特に日本語、ヒンディー語、ギリシャ語など、多くのOCRシステムで精度が落ちやすい「特殊言語カテゴリ」や低リソース言語でも改善が見られるとMistral AIは説明しています。

単一コンテナでのセルフホスティング：モデル全体を1つのコンテナに収め、完全にオンプレミスでデプロイ可能。データを外部APIに送信できない金融、医療、法務などの規制業界にとって大きな差別化ポイントです。

マルチモーダル入力・構造化出力：PDFや画像を入力として受け付け、構造化されたMarkdownやJSONを出力。RAG（検索拡張生成）やエージェント型ワークフローとの統合に最適化されています。

ベンチマーク性能

Mistral AIは内部ベンチマーク「Crawl Multilingual」でも高いスコアを報告していますが、今回のソースでは具体的な数値は公開されていません。

価格体系

価格はトークン単位ではなくページ単位で設定されており、これはMistralの他のモデルでは珍しく、文書バッチ処理のユースケースを反映しています。

戦略的意義：なぜ今、OCR 4なのか

OCR 4のリリースは、Mistral AIにとって「テキスト抽出」から「文書理解」への明確な戦略転換を示しています。同社はOCR 4を、エンタープライズ検索、RAGパイプライン、エージェント型ワークフローのための基礎レイヤーとして位置づけています。

競合としては、GoogleのDocument AI、Azure Document Intelligence、そしてオープンソースのOCRパイプラインを直接ターゲット。構造化出力をコモディティ価格で提供しつつ、セルフホスティング対応という、主要OCR APIの中では稀有な組み合わせを実現しています。

単一コンテナ設計は、データ主権が求められる規制産業（金融、医療、法務）での導入を後押しします。

また、Mistral AIのチャットサービス「Le Chat」では、OCR 4が数百万ユーザーのデフォルト文書理解モデルとして既に採用されています。

主な機能：文書の「構造」を読み解く

構造認識抽出（Structure-aware extraction）：OCR 4は抽出テキストに加えて、以下の情報を返します。

• 段落単位のバウンディングボックス（文字やブロックの位置情報）
• ブロックタイプラベル（14種類：text, title, list, table, image, equation, caption, code, references, aside_text, header, footer, signature）
• 信頼度スコア（ページ単位および単語単位）

include_blocks APIパラメータ：このパラメータを有効にすると、各ページのblocks配列に構造ラベルと空間座標が読み順で返されます。

170言語対応：10の言語グループに分類。特に日本語、ヒンディー語、ギリシャ語など、多くのOCRシステムで精度が落ちやすい「特殊言語カテゴリ」や低リソース言語でも改善が見られるとMistral AIは説明しています。

単一コンテナでのセルフホスティング：モデル全体を1つのコンテナに収め、完全にオンプレミスでデプロイ可能。データを外部APIに送信できない金融、医療、法務などの規制業界にとって大きな差別化ポイントです。

マルチモーダル入力・構造化出力：PDFや画像を入力として受け付け、構造化されたMarkdownやJSONを出力。RAG（検索拡張生成）やエージェント型ワークフローとの統合に最適化されています。

ベンチマーク性能

Mistral AIは内部ベンチマーク「Crawl Multilingual」でも高いスコアを報告していますが、今回のソースでは具体的な数値は公開されていません。

価格体系

価格はトークン単位ではなくページ単位で設定されており、これはMistralの他のモデルでは珍しく、文書バッチ処理のユースケースを反映しています。

戦略的意義：なぜ今、OCR 4なのか

OCR 4のリリースは、Mistral AIにとって「テキスト抽出」から「文書理解」への明確な戦略転換を示しています。同社はOCR 4を、エンタープライズ検索、RAGパイプライン、エージェント型ワークフローのための基礎レイヤーとして位置づけています。

競合としては、GoogleのDocument AI、Azure Document Intelligence、そしてオープンソースのOCRパイプラインを直接ターゲット。構造化出力をコモディティ価格で提供しつつ、セルフホスティング対応という、主要OCR APIの中では稀有な組み合わせを実現しています。

単一コンテナ設計は、データ主権が求められる規制産業（金融、医療、法務）での導入を後押しします。

また、Mistral AIのチャットサービス「Le Chat」では、OCR 4が数百万ユーザーのデフォルト文書理解モデルとして既に採用されています。