跳到正文

多模态

文本之外的能力:视觉理解、图文混合、音视频输入输出的模型与产品进展。

最新精选

第 41–42 条 · 共 42 条
3月17日周一
3月7日周五
  1. Mistral AI66

    Mistral 发布 Mistral OCR 文档理解 API,主打复杂版面与多语言识别

    Mistral 发布文档理解 OCR API "Mistral OCR",可从图像和 PDF 中按序提取图文混排内容,适合与多模态 RAG 系统配合使用。API 模型名 mistral-ocr-latest,定价 1000 页/$,批量推理下每美元可处理页数约翻倍,单节点最快可达每分钟 2000 页,同时面向敏感场景提供自托管选项。

    推荐理由:给出了与 Google Document AI、Azure OCR、Gemini、GPT-4o 的基准对比,并明确 API 定价和自托管策略。