به گزارش رسانه تحلیلی خبری آناژورنال شرکت فرانسوی Mistral که تو زمینه مدل‌های زبانی بزرگ (LLM) کار می‌کنه، پنج‌شنبه ۶ مارس ۲۰۲۵ یه API جدید به اسم Mistral OCR رو معرفی کرد.
این ابزار برای کسایی که با PDFهای پیچیده سروکار دارن طراحی شده و می‌تونه هر نوع PDF رو به یه فایل متنی Markdown تبدیل کنه که برای هوش مصنوعی کاملاً آماده‌ست.
برخلاف OCRهای معمولی، Mistral OCR فقط متن رو بیرون نمی‌کشه؛ بلکه عکس‌ها و شکل‌ها رو هم تشخیص می‌ده و همه رو تو یه ساختار مرتب Markdown تحویل می‌ده.
مدل‌های زبانی مثل ChatGPT یا Le Chat (محصول خود Mistral) با متن خام خیلی خوب کار می‌کنن.
برای همین، شرکت‌ها این روزا دنبال راهی‌ان که اسنادشون رو به فرمتی تمیز و قابل استفاده برای هوش مصنوعی تبدیل کنن.
گیوم لامپل، یکی از بنیان‌گذارای Mistral و مدیر علمی‌ش، گفته: “سال‌هاست که سازمان‌ها اسناد زیادی رو به شکل PDF یا اسلاید جمع کردن، ولی اینا برای هوش مصنوعی قابل خوندن نبودن.
حالا با Mistral OCR می‌تونن این اسناد رو به محتوای خوانا برای همه زبان‌ها تبدیل کنن.” اون اضافه کرد که این قدم بزرگی برای استفاده بیشتر از دستیارای هوش مصنوعی تو شرکت‌هاست که کلی سند داخلی دارن.
چه چیزی Mistral OCR رو خاص می‌کنه؟
این API چندحالته‌ست، یعنی می‌تونه متن، جدول، فرمول‌های ریاضی (با فرمت LaTeX) و حتی عکس‌ها رو از PDF جدا کنه و مرتب تحویل بده.
خروجی‌ش هم Markdownه؛ فرمتی که هوش مصنوعی عاشقشه چون راحت می‌تونه لیست، لینک یا متن برجسته رو باهاش درست کنه.
Mistral می‌گه این ابزارش از APIهای گوگل، مایکروسافت و OpenAI بهتر عمل می‌کنه، مخصوصاً تو اسناد غیرانگلیسی یا پیچیده.
تازه، چون فقط روی یه کار تمرکز داره (برعکس مدل‌های چندکاره مثل GPT-4o)، سرعتش هم بیشتره.
کجا می‌تونم ازش استفاده کنم؟
Mistral OCR رو می‌شه از پلتفرم API خود Mistral یا از طریق شریکای ابری‌ش مثل AWS، Azure و Google Cloud گرفت.
اگه شرکتت داده‌های حساس داره، یه نسخه محلی هم هست که می‌تونی رو سرور خودت نصب کنی.
خود Mistral هم از این API تو دستیارش Le Chat استفاده می‌کنه؛ وقتی PDF آپلود می‌کنی، Mistral OCR پشت صحنه کار می‌کنه تا محتوای سند رو بفهمه.
شرکت‌ها و برنامه‌نویسا می‌تونن از Mistral OCR با سیستم‌های RAG (Retrieval-Augmented Generation) استفاده کنن تا اسناد چندرسانه‌ای رو به ورودی برای مدل‌های هوش مصنوعی تبدیل کنن.
مثلاً وکلا می‌تونن با این ابزار کوهی از اسناد قانونی رو سریع بررسی کنن.
برای ما ایرانی‌ها که خیلی از اسنادمون به زبان فارسی یا فرمت‌های خاصه، این می‌تونه یه راه حل عالی برای دیجیتال کردن و استفاده از هوش مصنوعی باشه.
به نظر میاد Mistral با این API داره یه قدم بزرگ تو رقابت با غول‌های هوش مصنوعی برمی‌داره. شما چی فکر می‌کنین؟
سوالات متداول:
Mistral OCR چیه و چه کاری می‌کنه؟
یه API جدید از شرکت فرانسوی Mistral که PDFها رو به فایل Markdown تبدیل می‌کنه تا هوش مصنوعی راحت‌تر بتونه ازشون استفاده کنه.
فرق Mistral OCR با بقیه چیه؟
این API چندحالته‌ست، یعنی عکس و متن رو با هم تشخیص می‌ده و خروجی‌ش Markdownه. از گوگل و OpenAI هم سریع‌تر و دقیق‌تره.
چه کسایی می‌تونن از Mistral OCR استفاده کنن؟
شرکت‌ها، برنامه‌نویسا و حتی موسساتی که اسناد حساس دارن، چون نسخه محلی هم ارائه می‌ده.
