Mistral OCR：把 PDF 变成 Markdown 的 1 美元千字新基准

Mistral OCR（模型 ID mistral-ocr-latest / mistral-ocr-2503）是 Mistral AI 于 2025 年 3 月 6 日发布的文档 OCR API。它的定位不是”把图片里的字打出来”，而是把 PDF/图片结构化地还原成带版面顺序的 Markdown 文本与切分图片，直接喂给下游 RAG 系统。API 定价 1 美元 / 1000 页，批量任务减半。本文基于 Mistral 官方公告、Azure AI Foundry 模型目录与第三方复评数据做分析。

一、背景：RAG 的瓶颈不在大模型，在 PDF

过去两年大模型上下文窗口从 8K 涨到百万 token，但企业知识库的第一关从来不是”模型读不读得动”，而是”PDF 能不能被干净地读出来”。扫描件、双栏论文、嵌套表格、LaTeX 公式、混排图片——传统 OCR 引擎（Tesseract、各家云 OCR）输出的纯文本会把版面结构彻底打碎，导致向量检索时表格行列错位、公式变成乱码。

Mistral OCR 押注的就是这个痛点：直接用多模态大模型”看懂”整页版面，输出按阅读顺序交错排列的文本块与图片块。

二、它是什么：OCR + 理解的组合

按 Azure AI Foundry 上 Mistral 官方提供的模型目录页：

• 输入：图片或 PDF；
• 输出：.md 格式——按阅读顺序交错的文本与切分出的内嵌图片；需要 JSON 时官方建议串联 Mistral Small 3.1 做二次格式化；
• 上下文长度：128,000 tokens；
• 语言：官方宣称可解析”数千种文字、字体与语言”，Azure 目录标注 27 种语言；
• 定位：轻量、低时延，官方称单节点可处理每分钟数千页（InfoQ 报道中具体为 2000 页/分钟）；
• 已有落地：Le Chat 的默认文档理解模型，供数百万用户使用；权重（mistral-ocr-2503）在 Hugging Face 开放。

工程限制（InfoQ 引述官方）：单文件 ≤50MB、≤1000 页。

三、官方基准：全面领先，但要看清测试集

Mistral 在官方公告中给出的对比（见上图），测试集是 Mistral 自有的 “text-only” 内部测试集——样本为各类出版论文与网络 PDF：

另一项”Fuzzy Match in Generation”指标上，Mistral OCR 为 99.02，高于 Azure OCR（97.31）、Gemini-2.0-Flash（96.53）、Google Document AI（95.88）。

分语言准确率（节选，Azure 目录页）：

四、定价与成本结构

需要注意：这只是”识别”这一步的价格。OCR 输出的 Markdown 如果还要再交给 Mistral Small 3.1 做 JSON 结构化或摘要，那是另一笔 token 费用——官方推荐的”OCR + Small 3.1”流水线，实际成本要两段相加。

五、评测方法批判与口径偏差

官方数据很漂亮，但有几个必须拆开的点：

1. 测试集是自己的、不公开。 上表来自 Mistral 内部 “text-only” 测试集，论文/公开数据集均未发布，第三方目前无法在同一套题目上复算。这属于典型的”自证基准”。
2. 对比口径本身被设计成有利于自己。 官方承认：其他 LLM 对比项”不具备抽内嵌图片的能力”，所以特意只在文本维度上评测。也就是说，图表里”碾压 GPT-4o/Gemini”的部分，是把对方放在自己擅长维度的缩水版上比较。
3. “数千种语言” vs 实测 27 种。 官方文案强调”覆盖所有大洲的数千种文字、字体”，但 Azure 目录明确标注支持 27 种语言，且分语言表里没有列出的小语种（如阿拉伯语、泰语、越南语）准确率无数据。
4. 第三方复评并不全是好消息。 一篇 2026 年的法语 PDF 转 Markdown 专项评测（arXiv:2602.11960）中，mistral-ocr-latest 在干净文档上得分 0.993（最高），但在手写体上只有 0.170、图形 0.286——它本质上是印刷体文档模型，手写识别不是强项。
5. “每分钟 2000 页”是单节点峰值口径。 未说明并发、页面复杂度、是否含排队开销，生产环境按此规划容量需自行压测。

六、优势与局限

优势：

1. 价格屠夫：$1/1000 页、批量 $0.5/1000 页，把 RAG 预处理的边际成本打到极低；
2. 版面还原度好：按阅读顺序输出 Markdown + 切图，天然适配 RAG/知识库入库；
3. 官方称唯一同步抽内嵌图：表格、公式（LaTeX）、图片一并还原，不用再二次切图；
4. 已在 Le Chat 大规模验证，不是纸面 Demo。

局限：

1. 手写体、强图形场景弱，第三方复评暴露明显短板；
2. 官方基准不可复现，对外宣传的”全面领先”需打折采信；
3. 单文件 ≤50MB / ≤1000 页，超大型 PDF 需自行切分；
4. 结构化输出需串联第二个模型，端到端成本不是只算 OCR 那一美元。

七、谁该用它

• 知识库/RAG 团队：大量历史 PDF、扫描论文、技术文档要入库；
• 数字化项目：历史文献、档案、手册的批量电子化；
• 客服与法务：把手册、条款变成可检索、可问答的语料。

对手写单据、复杂工程蓝图，建议先小批量实测再全量切换。

参考来源

• Mistral AI 官方公告：Mistral OCR（法语页镜像）
• Microsoft Azure AI Foundry：Mistral OCR 25.03 模型目录（含官方基准表）
• InfoQ：Mistral AI Launches API for LLM-Based OCR of Multimodal Documents
• 第三方复评：Benchmarking Vision-Language Models for French PDF-to-Markdown（arXiv:2602.11960）
• Koala 项目库条目：Mistral OCR