Mistral OCR 4.1 完整教學：每千頁 4 美元的雲端 OCR，與 MinerU、Marker、Docling 開源工具怎麼選？（2026）

Mistral OCR 4.1 是 Mistral AI 2026 年 8 月推出的頂級文件解析模型：每 1,000 頁僅 4 美元（Batch API 2 美元），支援 170 種語言、13 種區塊分類與無漂移邊界框，OlmOCRBench 達 85.2 分，是目前性價比最高的雲端 OCR API；但若你的需求是「大量繁體中文文件轉 Markdown 進 RAG」，開源的 MinerU 仍是中文場景的首選。

把掃描 PDF 變成乾淨的 Markdown，是 2026 年做 RAG（檢索增強生成）的第一道關卡。過去我們介紹過微軟的 MarkItDown、MinerU 與 Marker，今天的主角是雲端派的強者——Mistral OCR 4.1，以及它和開源工具之間的選擇題。

Mistral OCR 4.1 是什麼？

Mistral OCR 4.1 是 Mistral AI 的專業文件智能模型，2026 年 8 月發布，是同年 6 月 OCR 4 的定向升級版。它跟一般 OCR 最大的不同是：不只認字，還懂版面結構。

它的三個核心能力：

1. 精確邊界框（Bounding Box）：每個文字區塊、圖片、表格都有像素級座標。4.1 版特別修正了「邊界框漂移」問題——在滿是螢光筆、印章、邊欄註記的複雜頁面上，邊界框不再偏移幾像素或把相鄰段落混在一起
2. 13 種區塊分類標籤：自動辨識 title、text、list、table、image、equation、caption、code、references、aside_text、header、footer、signature，並按閱讀順序輸出
3. 信心分數（Confidence Scores）：支援 page / block / word 三種粒度，低品質掃描件可以在進入 RAG 索引前就被自動攔截

4.1 改進了什麼？

定價：按頁計費，不是按 Token

Mistral OCR 系列採按頁計費，成本好預測：

實例：每月處理 100,000 頁，標準 API 花費 $400，用 Batch API 只要 $200。Google Document AI 同級功能約 $5/千頁，Mistral 標準層更便宜。

💡 「已標註頁面」（Annotated Pages）是什麼？ 當你在 API 請求中帶了 document_annotation_format 或 bbox_annotation_format 自訂 JSON Schema，要求模型邊 OCR 邊把欄位對齊成結構化 JSON（例如直接把發票變成資料庫欄位），計費就會切換到 Document AI 的 $5/千頁費率。

API 串接教學（Python）

import os
from mistralai.client import Mistral

# 金鑰設在環境變數 MISTRAL_API_KEY
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# mistral-ocr-latest 別名自動指向最新版（目前就是 4.1）
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://arxiv.org/pdf/2201.04234"
    },
    table_format="html",          # 表格輸出：null / markdown / html
    include_image_base64=True,    # 是否回傳提取圖片的 base64
)

print(ocr_response.pages[0].markdown)

其他實用參數：

• include_blocks=True：每頁回傳 blocks 陣列（段落級邊界框 + 區塊標籤）
• confidence_scores_granularity="word"：字詞級信心分數
• pages="0,2-4"：只處理指定頁碼
• 單檔上限 50 MB、最多 1,000 頁

與開源 OCR 工具全面比較

這是多數人最關心的部分。我把 Mistral OCR 4.1 和四個主流開源方案攤開來比：

另外兩個常被提起的工具順帶說明：

• MarkItDown（微軟）：多格式轉換的「膠水工具」，簡單易裝，但 PDF 轉換僅做文字流提取，完全丟失標題層級與表格結構（OpenDataLoader 評測倒數第二），適合處理乾淨的 Office 文件，不適合複雜 PDF
• Tesseract：經典開源 OCR，僅輸出無排版純文字，手寫與雙欄版面幾乎無法應付，適合最簡單的純文字需求

怎麼選？四種情境直接對號入座

graph TD
    A[需要解析 PDF 文件] --> B{文件類型}
    B -->|掃描件/圖片/多語言| C{要品質還是要省錢?}
    C -->|雲端頂級品質| D[Mistral OCR 4.1<br>$4/千頁]
    C -->|免費自架| E[MinerU 或 Marker]
    B -->|大量繁體中文| F[MinerU<br>中文特化最強]
    B -->|發票/表單要結構化欄位| D
    B -->|企業內網/隱私合規| G[Docling<br>MIT 授權可離線]
    B -->|Office 文件快速轉換| H[MarkItDown]

1. RAG 視覺引用 + 發票結構化 → Mistral OCR 4.1：無漂移邊界框讓引用精準到句子，自訂 JSON Schema 直接把發票變成資料庫欄位，是雲端派的首選
2. 大量繁體中文文件進 RAG → MinerU：OmniDocBench 中文評測最佳，自動過濾頁首頁尾、表格轉 HTML、重建閱讀順序，為 RAG 提供最乾淨的繁中語料；追求更高精度可試試 1.7B 的 dots.ocr
3. 企業內部、隱私與合規優先 → Docling：MIT 授權、可完全離線（air-gapped），表格重建一流；缺點是中文支援差
4. 不想花錢、文件以英文為主 → Marker：Apache 2.0，公式轉 LaTeX 漂亮，中英混排表現良好

台灣開發者的實務建議

如果你的場景是「繁體中文 PDF 轉 Markdown 進 RAG」，我的建議順序是：

1. 預算允許、要最高品質：Mistral OCR 4.1 直接串 API，$4/千頁的成本對商業專案來說很低
2. 長期自架、中文量大：MinerU 是繁中場景最強開源選項，但要注意授權（年營收 > $20M 需商用授權）與 PyMuPDF 相依的 AGPL 限制
3. 資料不能出內網：Docling（英文）或 MinerU（中文）二選一，用 Docker 部署在內網

一句話總結：要省事選 Mistral OCR 4.1，要中文選 MinerU，要合規選 Docling。

延伸閱讀

• MarkItDown 教學：Microsoft 官方 PDF、Office 轉 LLM 友善 Markdown 完全指南 (2026)
• MinerU 教學：PDF 與電子書轉 Markdown 的開源工具
• Marker-pdf 教學：用 Python 將 PDF 轉成 Markdown
• 2026 精選 350+ AI 開源專案完整地圖：Agent、LLM、RAG 工具實戰推薦

資料來源

• Mistral 官方文件：OCR 4.1、OCR Processor
• Mistral AI（X）：OCR 4.1 發布公告
• Mistral OCR 4.1: Precise Bounding Boxes on Busy, Marked-Up Pages
• Docling vs Marker vs MinerU: The Ultimate Open-Source PDF Parser Benchmark (2026)
• Best Open Source PDF to Markdown Tools (2026)
• Self-Host Document Intelligence on GPU Cloud (2026)