Mistral OCR 4.1、bounding boxのずれと引用符の書き換えを修正、`latest`エイリアスはすでに直接切り替え

Mistralは8月13日にOCR 4.1をリリースした。今回は新しいAPIインターフェースの追加ではなく、文書抽出、RAGの引用、構造化データパイプラインに直接影響する6種類のモデル挙動を修正したものだ。新版では、段落のbounding boxが実際のコンテンツにより正確に合うようになり、画像の枠が互いに入れ子になったり、座標が徐々にずれたりする問題を防ぐ。参考文献ページでは、各引用文献について個別の枠を返すようになり、リスト全体が単一のblockにまとめられることはなくなった。公式によれば、複雑なページでのブロック欠落も減少し、より多くのcheckbox形式を認識できるほか、右から左に記述する言語の表解析も改善されている。

もう一つの、一見すると細かながら実際には下流プログラムを破壊しかねない修正は、OCRが文書内のダブルクォーテーションを勝手にシングルクォーテーションへ変換しなくなったことだ。結果がコード抽出、契約書の照合、JSONの後処理、逐語引用システムに渡される場合、句読点の正規化によって内容が歪み、parserが異なる意味として解釈することさえある。OCR 4の従来のレスポンスは、引き続きページ単位のMarkdown、画像、サイズ、およびオプションの構造化blockを中心としているため、既存のクライアントは通常schemaを変更する必要がない。

直ちに注意すべきなのは、バージョンエイリアスだ。Mistralによると、`mistral-ocr-latest`はすでに4.1を直接指しており、この名前を使用したリクエストでは新版が自動的に適用される。修正を容易に受け取れる一方で、新しいコードをデプロイしていなくても、同じ入力に対するテキスト、枠の数、座標が変化する可能性がある。エンジニアリングチームは、自社のスキャン文書を使ってgolden setを構築し、特に引用位置、checkbox、RTL表、引用符に敏感なフィールドを再テストするとともに、実際のモデルバージョンと生のレスポンスを保存しておくべきだ。今回の発表では、新たな独立benchmark、言語別スコア、error rateは公開されていないため、6項目の改善は現時点では主にベンダー側の説明に基づく。再現可能な安定性を必要とするパイプラインは、浮動エイリアスだけに依存すべきではない。