Mistral a dévoilé OCR 4, la nouvelle version de son moteur de lecture de documents. Au programme : la prise en charge de 170 langues réparties en dix groupes linguistiques, une sortie structurée et une promesse plus large que le simple « texte brut » — déchiffrer manuscrits, formulaires et tableaux. L'outil vise les développeurs, mais l'enjeu réel est ailleurs : numériser des montagnes d'archives.
Ce que fait vraiment OCR 4
Contrairement à un OCR classique qui recrache du texte à plat, OCR 4 renvoie une structure. Pour chaque page, le modèle produit des boîtes de délimitation localisant chaque élément, une classification typée des blocs (titres, tableaux, équations, signatures) et des scores de confiance. Cette structure est précieuse pour les pipelines RAG, où il faut découper proprement un document avant de l'envoyer à un assistant — et pour repérer d'un coup d'œil les passages où le modèle doute.
Le gain principal porte sur les langues rares et les écritures peu dotées : hindi, géorgien, bengali, arménien, hébreu, grec, tamoul. Sur la lecture des manuscrits, prudence : la page officielle de Mistral n'insiste pas sur l'écriture cursive, capacité surtout héritée de la lignée OCR 3, déjà donnée comme sachant interpréter l'écriture manuscrite et les annotations sur formulaires imprimés. Le titre « déchiffrer les manuscrits » relève donc autant de la continuité que de la rupture.
Côté performance, Mistral revendique un taux de victoire moyen de 72 % en évaluation à l'aveugle face à des systèmes concurrents, et de bons scores sur les bancs d'essai publics (85,20 sur OlmOCRBench, 93,07 sur OmniDocBench). Ces chiffres viennent de l'éditeur : à recouper avec des tests indépendants avant d'en faire une vérité.
L'enjeu : les archives, pas la démo
Derrière l'API se cache un argument de souveraineté. OCR 4 est assez compact pour tourner dans un seul conteneur auto-hébergé, ce qui permet de garder les documents sensibles à l'intérieur de l'infrastructure d'une organisation — un point déterminant pour une administration ou un service RH. Il accepte les formats bureautiques courants (PDF, DOC, PPT, OpenDocument) et se facture 4 dollars pour 1 000 pages, 2 dollars en mode batch.
Le cas d'usage mis en avant est massif : numériser des archives, dossiers et contrats pour alimenter des moteurs de recherche internes. Autrement dit, transformer des kilomètres de papier en données exploitables. C'est aussi sur ce terrain que Mistral cherche à se positionner face à Google et aux modèles chinois, avec un atout local : un hébergement maîtrisé en Europe. Reste à voir si la lecture des manuscrits anciens tient hors démonstration — l'OCR a toujours buté sur les écritures les plus capricieuses.