Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
mistral23. Juni 2026 · Q001570

Mistral OCR 4 : SOTA OCR for Document Intelligence

mistral.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Mistral stellt OCR 4 als mehrsprachiges Dokumentmodell vor, das Text mit Positionen, Blocktypen und Konfidenzwerten strukturiert und sich laut Unternehmen auch selbst hosten lässt. Mistral berichtet von guten Benchmark- und Nutzerbewertungen, betont aber Einschränkungen der Bewertungsverfahren und empfiehlt eigene Tests; für Diagnosen, Rechtsurteile und andere folgenreiche Entscheidungen sei das Modell nicht vorgesehen.

Mittel

Der Bericht beschreibt Mistral OCR 4 als Dokumentenerkennung, die neben Text auch Begrenzungsrahmen, Blocktypen wie Tabellen und Gleichungen sowie Konfidenzwerte liefert. Mistral zufolge unterstützt das kompakte Modell 170 Sprachen, gängige Büroformate und selbst gehostete Bereitstellung. Als Einsatzfelder nennt das Unternehmen unter anderem RAG, Unternehmenssuche, strukturierte Extraktion und agentengestützte Abläufe.

Mistral berichtet, dass unabhängige Beurteilende OCR 4 bei mehr als 600 Dokumenten aus über zwölf Sprachen im Schnitt zu 72 Prozent bevorzugten. Der Beitrag nennt außerdem hohe Werte auf öffentlichen und internen Benchmarks sowie Vorteile bei spezialisierten und ressourcenarmen Sprachen. Diese Ergebnisse sind laut Mistral jedoch nur Richtungswerte: Fehler in Referenzdaten und Bewertungsmethoden können korrekte Ausgaben benachteiligen. Die Wettbewerbswerte beruhen auf internen Nachbildungen; der Beitrag empfiehlt Tests mit eigenen Dokumenten.

OCR 4 ist laut Bericht per API und über Document AI verfügbar. Genannt werden Preise von vier US-Dollar je 1.000 API-Seiten, zwei US-Dollar im Batch-Verfahren und fünf US-Dollar für Document AI. Das Modell ist ausdrücklich nicht für Diagnosen, Rechtsurteile, folgenreiche Finanzentscheidungen oder sicherheitskritische Anwendungen vorgesehen.

Ausführlich lesen

Der Bericht stellt Mistral OCR 4 als Modell zur Erkennung und strukturierten Erfassung von Dokumenten vor. Laut Mistral liefert es neben dem extrahierten Text Begrenzungsrahmen für Textbereiche, Kennzeichnungen für Blocktypen wie Überschriften, Tabellen, Gleichungen und Unterschriften sowie Konfidenzwerte. Die Werte sollen pro Seite und pro Wort verfügbar sein. Das kann nach Darstellung des Unternehmens unter anderem die Suche in Dokumenten, RAG-Systeme, Zitate mit Quellenbezug, redaktionelle Prüfung und Arbeitsabläufe mit Agenten unterstützen. Genannt werden auch die Verarbeitung von PDF-, DOC-, PPT- und OpenDocument-Dateien sowie die Unterstützung von 170 Sprachen in zehn Sprachgruppen. Mistral gibt an, das kompakte Modell könne in einem einzelnen Container selbst betrieben werden, sodass Dokumentdaten in der eigenen Infrastruktur bleiben.

Zur Leistung berichtet Mistral von einer Blindbewertung durch unabhängige Beurteilende: Verglichen worden seien mehr als 600 Dokumente aus über zwölf Sprachen und verschiedenen Branchen. OCR 4 sei dabei bei der Mehrheit der Dokumente gegenüber allen getesteten Systemen bevorzugt worden; die durchschnittliche Gewinnrate liege bei 72 Prozent. Außerdem nennt der Beitrag Werte von 85,20 auf OlmOCRBench, 93,07 auf OmniDocBench und 0,98 in einer internen mehrsprachigen Crawl-Auswertung. Laut Mistral liege das Modell in dieser internen Auswertung in allen acht aufgeführten Sprachgruppen vorn, mit besonders deutlichen Vorteilen bei spezialisierten und ressourcenarmen Sprachen. Ein zitierter Kunde berichtet von vergleichbarer Genauigkeit bei ungefähr achtfach niedrigeren Kosten und 17-fach geringerer Latenz als bei seinem bisherigen Verfahren; ein weiterer nennt eine etwa vierfach höhere Geschwindigkeit pro Seite. Das sind Aussagen der zitierten Anwender, keine im Bericht unabhängig geprüften Ergebnisse.

Der Beitrag schränkt die Aussagekraft der automatischen Benchmarks ausdrücklich ein. Fehlerhafte Referenztexte, abweichende, aber gleichbedeutende mathematische Schreibweisen, unterschiedliche Segmentierung von Gleichungen, Spaltenlesereihenfolgen und die Behandlung von Kopf- und Fußzeilen könnten korrekte Ausgaben falsch bewerten. Mistral empfiehlt deshalb, aggregierte Benchmarkwerte nur als Richtungsanzeiger zu verstehen und eigene Dokumente zu testen. Außerdem beruhen die Wettbewerbswerte laut Beitrag auf internen Nachbildungen.

Verfügbar sei OCR 4 über eine API sowie über Document AI in Mistral Studio und Plattformen wie Amazon SageMaker und Microsoft Foundry; Snowflake Parse Document werde als künftig verfügbar bezeichnet. Die API koste laut Beitrag vier US-Dollar pro 1.000 Seiten, mit 50 Prozent Rabatt über die Batch API; Document AI koste fünf US-Dollar pro 1.000 Seiten. Document AI ergänze die Extraktion unter anderem um schemageformte JSON-Ausgaben, Bildannotationen oder benutzerdefinierte Prompts. Der Bericht grenzt den vorgesehenen Einsatz ein: OCR 4 sei ein Modell zum Dokumentverständnis, kein Entscheidungssystem, und nicht für Diagnosen, Rechtsberatung oder -urteile, folgenreiche Finanzentscheidungen, sicherheitskritische oder echtzeitkritische Anwendungen sowie Nicht-Dokument-Eingaben gedacht.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung stützt sich nur auf den Bericht. Die Zusammenfassung wurde gegen den Quelltext geprüft; Luna hat die Zahlen und Preise korrekt übernommen, lässt aber Teile der Sprach- und Preisangaben aus.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Kurzfassung nennt weder die 170 Sprachen noch die Preise oder die Verfügbarkeit über API und Document AI.
  • Die Mittelfassung nennt die Preise korrekt, lässt aber den Hinweis aus, dass die Benchmarks nach Mistrals Angaben nur Richtungswerte sind und Referenzfehler sowie Bewertungsartefakte korrekte Ausgaben benachteiligen können.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 45 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 25 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 23 %Hintergrund, keine Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 36 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 43 %beantwortet teilweise oder widerspricht
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 29 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 41 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 47 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 45 %einzelne zitierbare Belege
    • JEV 32 %einzelne zitierbare Belege
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 46 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 28 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 35 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 52 %einzelne zitierbare Belege
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 42 %einzelne zitierbare Belege
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →