VibeCoderzVibeCoderz
Все статьи
Модели и сравнения2026/06/259 мин чтения

Mistral OCR 4 vs Baidu Unlimited-OCR: два OCR-релиза за два дня в июне 2026

Два новых OCR‑модели, Mistral OCR 4 и Baidu Unlimited‑OCR, вышли в июне 2026 и показывают одинаковое качество (~93 % на OmniDocBench), но ориентированы на разные сценарии использования.

Содержание (7)+

Обновлено: октябрь 2026

22 и 23 июня 2026 вышли два принципиально разных ответа на один вопрос: как правильно извлекать текст из документов в 2026 году. Baidu выложила Unlimited-OCR в MIT open source — one-shot парсинг 40+ страниц за один проход, 8GB VRAM, бесплатно. На следующий день Mistral выпустила OCR 4 через managed API — bounding boxes, классификация блоков, confidence scores, 170 языков, $2 за тысячу страниц в batch-режиме.

Изображение

Оба набирают ~93% на OmniDocBench. Оба решают задачу извлечения текста. Но это разные инструменты под разные задачи.

Разбираем, чем отличаются, что умеет каждый, и как выбрать нужный под конкретный пайплайн.

22-23 июня 2026: Baidu Unlimited-OCR (MIT, R-SWA, 93.92 OmniDocBench) и Mistral OCR 4 (API, bounding boxes, 93.07 OmniDocBench). Два разных подхода при одинаковом качестве. В статье: архитектура, бенчмарки, цены, код для быстрого старта, таблица сравнения.

Ссылки:


Почему OCR снова в центре внимания

Хайп вокруг AI-агентов не отменил базовую задачу: достать структурированные данные из PDF. Это по-прежнему топ-1 бизнес-задача — счета, договоры, отчёты, книги.

Пока все обсуждают агентов и генерацию, тихая рабочая лошадь AI-инфраструктуры — распознавание документов — не останавливалась. Большинство реальных бизнес-пайплайнов начинаются с одного и того же: достать текст из PDF, который кто-то отсканировал или экспортировал три года назад.

Счета на оплату. Юридические договоры. Медицинские карты. Технические даташиты. Книги в архивах. Таможенные декларации. Всё это — документы, которые нужно распознать, структурировать и передать дальше в пайплайн.

Рынок давно перерос простое «достань текст». Теперь нужны bounding boxes для хайлайтинга цитат, классификация блоков для понимания структуры, confidence scores для человеческой верификации, structured JSON для прямой вставки в базы данных. Два июньских релиза — два разных ответа на этот запрос.


Mistral OCR 4: структурный OCR для продакшн-пайплайнов

Главная фича — не точность, а структура. Bounding boxes, классификация блоков, confidence scores. На выходе не просто текст, а размеченный документ.

Mistral OCR 4 вышел 23 июня. Managed API плюс enterprise self-host в одном контейнере. Но главное не инфраструктура, а то, что модель отдаёт на выходе.

Большинство OCR-инструментов возвращают текст. Mistral OCR 4 возвращает размеченный документ:

  • Bounding boxes — где именно на странице находится каждый текстовый блок. Нужно для хайлайтинга цитат в PDF-ридерах, для UI с поиском по документу, для RAG с возможностью показать источник.
  • Block classification — что это за блок: заголовок, таблица, уравнение, подпись к рисунку, колонтитул. Модель понимает структуру документа, а не просто читает слева направо.
  • Confidence scores — per-page и per-word. Знаешь, где модель уверена, а где нет. Критично для HITL-верификации: автоматически пропускаешь то, где score высокий, и отправляешь человеку то, где низкий.

Работает с PDF, DOC, PPT, OpenDocument. 170 языков, 10 языковых групп. Русский — в топовой группе. Самый большой отрыв от конкурентов — на редких языках: хинди, грузинский, армянский, иврит, тамильский, малаялам.

Два режима — один endpoint

Pure Extraction — Markdown с bbox'ами, типами блоков и confidence scores. Для RAG-индексации и поиска.

Document AI — структурированный JSON по твоей схеме. Описываешь, что хочешь извлечь, модель возвращает это напрямую. Для invoice processing, form filling, compliance. Работает через mistral-small-2603 с image annotation.

Цены

РежимСтандартBatch (50% скидка)
Pure Extraction$4 / 1K страниц$2 / 1K страниц
Document AI (structured JSON)$5 / 1K страниц$2.50 / 1K страниц

По отзывам Rogo: «эквивалентная точность при ~8× меньшей стоимости и 17× меньшей латентности» относительно предыдущего провайдера. Anaqua: «~4× быстрее на страницу».

Код для быстрого старта

import os
from mistralai import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# Pure extraction — Markdown + bboxes + confidence
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={"type": "file", "file": open("contract.pdf", "rb")}
)

# Document AI — структурированный JSON по схеме
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={"type": "file", "file": open("invoice.pdf", "rb")},
    response_format={"type": "json_object"}
)

Baidu Unlimited-OCR: open-source для длинных документов без облака

Главная фича — one-shot парсинг 40+ страниц за один проход. MIT-лицензия, 8GB VRAM. Архитектура R-SWA держит память постоянной — не растёт с длиной документа.

Unlimited-OCR вышел 22 июня на GitHub с MIT-лицензией. 3B-A0.5B MoE-архитектура. 4.9K звёзд за первые дни. И технически интересная инновация, которая объясняет, почему это не просто «ещё одна open-source OCR».

Проблема длинных документов в LLM-декодерах

Стандартные LLM-декодеры плохо справляются с OCR длинных документов. Причина архитектурная: KV-кэш растёт линейно с каждым выходным токеном. На 200-страничном PDF модель начинает «захлёбываться» — растущая память замедляет всё, качество падает.

Обычное решение: нарезать на страницы, распознавать по одной, склеивать. Проблема — разрывы контекста на стыках страниц, потеря табличных структур, которые переходят со страницы на страницу.

R-SWA — как Baidu это решила

Reference Sliding Window Attention — архитектурная инновация в основе Unlimited-OCR. KV-кэш ограничен фиксированным sliding window в 128 токенов. Не растёт с длиной документа. Память постоянная вне зависимости от количества страниц.

Результат в числах: 7 847 токенов в секунду против 5 823 у DeepSeek-OCR — +35% пропускной способности. Латентность плоская: 200 страниц обрабатываются примерно с той же скоростью на токен, что и 20.

Запуск локально

Влезает в 8GB VRAM. Квантизованная версия — в 2GB. Два visual config:

  • gundam — 640px, crop_mode. Быстрее, чуть менее точный. Для больших объёмов.
  • base — 1024px. Точнее, медленнее. Для сложных документов.

Два режима инференса: HuggingFace Transformers (проще начать) и SGLang (high-throughput serving для продакшн-объёмов).

import torch
from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained(
    "baidu/Unlimited-OCR",
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,
).eval().cuda()

tokenizer = AutoTokenizer.from_pretrained("baidu/Unlimited-OCR", trust_remote_code=True)

model.infer(
    tokenizer,
    prompt='<image>document parsing.',
    image_file='your_document.pdf',
    output_path='./output',
    # gundam config — быстрее
    base_size=1024, image_size=640, crop_mode=True,
    max_length=32768,
    save_results=True,
)

200-страничный PDF на RTX 4090 — около часа. Практический максимум при 32K контексте — ~40 страниц. Роадмап: 128K контекст.

Что не умеет

Важно знать перед выбором: Unlimited-OCR — pure text extraction. Нет bounding boxes, нет классификации блоков, нет confidence scores. Текст — есть, структура — нет.

Проваливается на: научных PDF с нестандартным LaTeX, электронных даташитах со слитыми ячейками таблиц, рукописном тексте, нестандартных шрифтах. На 40+ страницах edit distance начинает расти: 0.0572 на 20 страницах, 0.1069 на 40+ (приемлемо, но не идеально).


Бенчмарки: ~93% у обоих — и почему им нельзя слепо доверять

Mistral сами флагают: ~50% ошибок в бенчмарках — артефакты разметки. Реальное качество ближе к 90-98%. Золотое правило — тестируй на своих документах.

БенчмаркMistral OCR 4Unlimited-OCR
OlmOCRBench85.20—
OmniDocBench v1.593.0793.23
OmniDocBench v1.6—93.92 (SOTA)
Формулы (OmniDoc)—92.61 (+9.2 vs DeepSeek)
Таблицы (OmniDoc)—90.93 (+6.0 vs DeepSeek)
Human preference win rate72% (600+ документов)—
Пропускная способность—7 847 tok/s (+35% vs DeepSeek)

Mistral сами сделали важную оговорку в анонсе: около половины «ошибок» в бенчмарках — не настоящие ошибки модели, а артефакты:

  • Ошибки в ground-truth разметке бенчмарка — пропущенный текст, опечатки в эталоне
  • Эквивалентный LaTeX, который засчитывается как mismatch из-за разных записей одного выражения
  • Фрагментация уравнений путает строковый матчер
  • Multi-column reading order создаёт ложные ошибки порядка
  • Заголовки и футеры стрипаются, но проверка флагует их как пропущенные

Реальное качество на нормальных документах — ближе к 90-98%. Синтетические бенчмарки не отражают твои сканы с телефона или PDF из 1990-х.

Золотое правило: запусти оба на своих документах. 10-20 репрезентативных файлов из реального пайплайна скажут больше, чем любой лидерборд.


Прямое сравнение: кому что

Mistral OCR 4Baidu Unlimited-OCR
ТипManaged API + enterprise self-hostOpen weights, MIT
Bounding boxes✅❌
Block classification✅ заголовки, таблицы, формулы❌
Confidence scores✅ per-page + per-word❌
One-shot 40+ страницчерез API (per doc)✅ нативно
Локальный запускenterprise (цена закрытая)✅ 8GB VRAM, MIT
Языки170, 10 группcomparable, фокус CJK
Цена$2-5 / 1K страницбесплатно
Продакшн SLA✅❌ исследовательский код
ИнтеграцииSageMaker, Snowflake, FoundryHuggingFace, SGLang
Зрелостьproduction API1 контрибьютор, v0

Карта выбора

Выбери Mistral OCR 4 если:

  • Нужны bounding boxes для хайлайтинга в UI
  • Нужна классификация блоков для понимания структуры
  • Нужны confidence scores для human-in-the-loop верификации
  • Хочешь managed API без своей инфраструктуры
  • Нужен SLA и production-ready сервис
  • Документы на редких языках (хинди, грузинский, армянский и т.д.)

Выбери Unlimited-OCR если:

  • Данные нельзя отправлять в облако (compliance, privacy, 152-ФЗ)
  • Нужен one-shot парсинг длинных документов без постраничной нарезки
  • Бюджет ноль — MIT-лицензия, всё бесплатно
  • Строишь self-hosted AI-инфраструктуру
  • GPU уже есть, хочешь локальную скорость

Контекст: OCR-ландшафт июня 2026

По оценке CodeSOTA, практическая битва июня 2026 — трёхсторонняя:

  • Unlimited-OCR (Baidu) — open-weight, one-shot 40+ страниц, OmniDocBench v1.6 ~93.9
  • Surya 2 (Datalab) — open-weight, 650M параметров, работает везде, olmOCR-Bench ~83
  • Mistral OCR 4 — zero-ops API, bounding boxes, enterprise self-host

Остальные игроки: PaddleOCR-VL-1.6 (Baidu) заявляет 96.33 — но не воспроизведено независимо. MinerU2.5-Pro (OpenDataLab) — 95.69, тоже self-reported. DeepSeek-OCR 2 — 90.25 на v1.6. Azure Document Intelligence и AWS Textract — коммерческие лидеры прошлого поколения, ~85%.


FAQ

Что нового в Mistral OCR 4 по сравнению с предыдущими версиями?
Главное — bounding boxes с локализацией текста, классификация блоков (заголовки, таблицы, формулы, подписи, колонтитулы) и confidence scores на уровне страницы и слова. Это переводит OCR из «вытащи текст» в «отдай размеченный документ». Плюс режим Document AI — структурированный JSON по твоей схеме прямо из модели.

Может ли Unlimited-OCR заменить Mistral для продакшена?
Для text extraction в изолированной инфраструктуре — да. Для пайплайнов, которым нужны bounding boxes, classification или confidence scores — нет, этого в Unlimited-OCR просто нет. Плюс это исследовательский код с одним контрибьютором, без SLA.

Почему память Unlimited-OCR не растёт с длиной документа?
Из-за R-SWA (Reference Sliding Window Attention). KV-кэш ограничен фиксированным sliding window в 128 токенов — не накапливается. Стандартные LLM-декодеры хранят всю историю токенов, Unlimited-OCR — только окно.

Насколько точны бенчмарки OCR?
Mistral сами признают: ~50% «ошибок» — артефакты бенчмарка, не ошибки модели. Ошибки в эталонной разметке, нестандартный LaTeX, multi-column порядок создают ложные несоответствия. Реальное качество — 90-98%. Единственный надёжный тест — свои документы.

Поддерживает ли Mistral OCR 4 русский?
Да, русский в топовой языковой группе. Mistral лидирует на редких языках — хинди, грузинский, армянский, иврит, тамильский, малаялам, каннада, телугу, гуджарати, бенгальский.

Сколько стоит обработать 100 000 страниц в Mistral?
Стандарт: $400. Batch API (50% скидка): $200. Document AI: $500 стандарт / $250 batch. Для контекста: если раньше платили за другой провайдер — Rogo говорит о ~8× меньшей стоимости при той же точности.

Что такое OmniDocBench?
Открытый независимый бенчмарк для оценки OCR-моделей на реальных документах: научные статьи, книги, финансовые отчёты, таблицы, формулы. Считается наиболее представительным для практических задач. Лидерборд: github.com/opendatalab/OmniDocBench.



Анонс Mistral OCR 4 — mistral.ai/news/ocr-4. Репозиторий Unlimited-OCR — github.com/baidu/Unlimited-OCR. Технический пейпер — arxiv.org/abs/2606.23050. Независимый лидерборд — OmniDocBench. Сравнение всех OCR-моделей — codesota.com/ocr.

Смотрите каталог AI-инструментов на VibeCoderz — там собраны актуальные инструменты для работы с документами и данными.

Вопросы по выбору OCR под конкретный пайплайн — к Максиму.


Обновлено: октябрь 2026. Источники: Mistral Blog, Baidu GitHub, arXiv, CodeSOTA, Developers Digest.

Автор

Максим Наговицын

Маркетинг-стратег, IT-предприниматель, ментор по вайбкодингу

2026/06/25

10+ лет в маркетинге, 300+ клиентских проектов: сайты, реклама, боты. Создатель GoBanana (228K+ пользователей, 11.6 млн ₽ выручки) и VibeCoderz. Делаю AI-продукты сам через Claude Code, Cursor, Windsurf и консультирую тех, кто хочет так же.

Об авторе →
All Posts

Читать далее

📄 Статья

Нейросети для бухгалтера и 10 ИИ-инструментов для учета в 2026

Нейросети для бухгалтера 2026: топ-10 ИИ-инструментов учета

2026/10/1212 мин
📄 Статья

ИИ для HR в 2026, 9 нейросетей для подбора и найма персонала

ИИ для HR в 2026: 9 нейросетей для подбора и найма персонала

2026/10/1212 мин
📄 Статья

Нейросети для маркетинга, 10 ИИ-инструментов маркетолога в 2026

Лучшая нейросеть для маркетинга зависит от задачи. Тексты и аналитику тянут ChatGPT, Claude и Gemini, а картинки для рекламы быстрее всего дают Kandinsky, Midjourney и Nano Banana. Без VPN и зарубежной карты сегодня работают GigaChat, Алиса AI, Kandi…

2026/10/1211 мин
📄 Статья

GPT-6 Astra vs GPT-5.6 Sol, что изменилось и когда переходить

GPT-6 Astra vs GPT-5.6 Sol 2026: сравнение моделей OpenAI

2026/10/1210 мин
📄 Статья

Qwen 3.8 Max 2026 обзор, доступ и как запустить локально

Qwen 3.8 Max стала первой моделью линейки Max, у которой Alibaba открыла веса. 12 августа 2026 года чекпоинт на 2,4 трлн параметров появился на Hugging Face, и скачать его может любой. А вот запустить дома не выйдет: даже 1-битная версия весит 397 ГБ…

2026/10/1212 мин
📄 Статья

Как повысить качество фото с помощью нейросети

[ { "@context": "https://schema.org", "@type": "BlogPosting", "headline": "4 способа повысить качество фото нейросетью в 2026 году", "description": "чтобы повысить качество фото, назовите нейросети одну из четырех задач. Апскейл x2 или x4 добавляет п…

2026/10/1214 мин