Mistral OCR : vérifier un tableau qui continue sur deux pages

Un tableau de ventes commence sur une page et se termine sur la suivante. Les chiffres sont lisibles. Pourtant, un export peut compter deux fois l’en-tête, décaler une année ou oublier l’astérisque qui rend un montant provisoire. Le contrôle utile porte sur les relations entre les éléments du document, en plus des caractères reconnus.

Mistral OCR expose des tables, des blocs et leur position. Ces sorties donnent des prises pour reconstruire le tableau avant son chargement dans une base. Cet article propose une recette sur un document fictif de deux pages. Le PDF et sa référence ont été créés pour l’exercice ; aucun appel OCR n’a été exécuté. Le résultat du modèle reste à mesurer.

Ce que fournit OCR 4.1

OCR transforme le document en contenu exploitable. Avec include_blocks=true, la réponse organise chaque page en régions identifiées : texte, titre, table ou autre type de bloc, avec coordonnées et ordre de lecture. Un bloc de table peut référencer son contenu par table_id. Le paramètre table_format="html" demande les tables séparées au format HTML. Guide du processeur OCR.

Cette organisation reste attachée aux pages. Le contrat public ne documente ni identifiant de tableau logique commun à plusieurs pages, ni lien explicite entre une cellule et sa note. Il faut établir ces relations dans votre traitement, puis les contrôler. Les coordonnées permettent de retrouver une zone ; elles ne démontrent pas que deux morceaux doivent être fusionnés. Référence de l’API OCR.

OCR 4 a introduit les blocs en juin 2026. OCR 4.1 a été publié le 16 juillet, avec la confiance au niveau des blocs ; sa disponibilité générale est datée du 31 août. Il s’agit ici d’un sujet de fond. Pour comparer plusieurs extractions, fixez mistral-ocr-4-1 et enregistrez la configuration. L’alias mistral-ocr-latest peut évoluer. Historique Mistral.

Le cas : trois produits, une seule cellule provisoire

Le PDF de contrôle présente le tableau V1. Un en-tête fusionné « Ventes » couvre les colonnes 2025 et 2026. La deuxième page répète les en-têtes et porte la mention « suite ».

Produit	Ventes 2025, EUR HT	Ventes 2026, EUR HT	Emplacement
A100	800	1 000	Page 1
B200	1 400	1 600	Page 1
C300	2 100	2 400 *	Page 2

Sous le tableau, la note dit : « Seul le montant 2026 de C300 (2 400 EUR) est provisoire. » Cette phrase limite la portée de la réserve à une cellule. Elle ne rend ni le montant 2025 de C300, ni toute la colonne 2026 provisoires.

La somme 2026 est de 5 000 EUR, dont 2 400 provisoires. Le sous-total des montants non marqués provisoires est de 2 600 EUR. Ce sont les valeurs attendues du document que nous avons rédigé. Une sortie qui restitue exactement les trois nombres mais annonce 5 000 EUR définitifs a perdu une information décisive.

Préparer l’extraction sans aplatir le document

Pour un premier essai, prenez uniquement le PDF fictif et un projet API autorisé à utiliser OCR 4.1, avec facturation vérifiée. Soumettez les deux pages dans la même demande. La FAQ spécifique OCR limite les documents téléversés à 50 MB et 1 000 pages. La référence accepte un PDF par URL accessible, en Base64 ou via un fichier chargé. Aucun document interne n’a besoin d’être rendu public pour cet exercice. Entrées documentaires.

Dans la requête POST /v1/ocr, les réglages à évaluer sont :

Réglage	Valeur pour la recette	Ce que vous chercherez dans la réponse
model	mistral-ocr-4-1	Modèle retourné et version conservée
table_format	html	Tables et structure des en-têtes
include_blocks	true	Zones, ordre de lecture et références des tables
extract_header, extract_footer	true	En-têtes et pieds de page séparés du corps
confidence_scores_granularity	block	Scores des blocs, lorsqu’ils sont présents

Paramètres de l’API. L’en-tête de page et l’en-tête du tableau sont deux objets différents : la séparation du premier ne dispense pas de vérifier le second.

Conservez le PDF original, la réponse JSON complète, le modèle retourné et les paramètres. Le Markdown peut contenir une référence vers une table séparée. Exporter seulement ce texte fait perdre le contenu référencé si vous n’emportez pas aussi l’entrée correspondante de tables. Structure de réponse et références.

Reconstruire une table avec une provenance vérifiable

Procédez en quatre étapes. La grille à renseigner laisse les observations vides afin de séparer l’attendu du résultat réel.

1. Rattachez les fragments. Relevez pour chaque page le bloc de table et la table qu’il référence. Vérifiez le titre V1, la mention de continuation, les années et l’unité. Deux tableaux aux mêmes colonnes peuvent appartenir à des sections différentes. Ici, V1 et « suite » justifient le rapprochement ; leur seule proximité ne suffirait pas.
2. Reconstruisez les colonnes. Dans le HTML retourné, contrôlez comment « Ventes » couvre 2025 et 2026. Les attributs de fusion éventuels doivent correspondre au PDF. N’acceptez pas une ligne où 2026 devient un produit. Dans la table dérivée seulement, retirez les en-têtes répétés et attendez trois produits distincts. Gardez le brut intact.
3. Reliez la réserve à sa cellule. Cherchez l’astérisque de C300 en 2026 et le texte de la note. Vérifiez visuellement les deux emplacements. Votre sortie dérivée peut contenir produit, année, montant, unité, statut provisoire, texte de note et page source. Ce schéma de travail est le vôtre ; il ne s’agit pas d’une grille de cellules native promise par l’API.
4. Calculez après validation. Vérifiez 5 000 EUR au total, 2 400 provisoires et 2 600 non marqués. Si une ligne manque, si l’année est ambiguë ou si la note est absente, laissez le statut indéterminé et envoyez la zone en revue. Ne transformez pas automatiquement une absence de note dans la sortie OCR en statut définitif.

La référence attendue contient les valeurs et leur provenance de lecture. Elle sert à comparer votre table dérivée, sans imposer les identifiants que le modèle renverra.

Utiliser la confiance pour orienter la revue

OCR 4.1 propose des scores pour le contenu d’un bloc et son type détecté. Une faible confiance peut aider à sélectionner les zones à relire. Une forte confiance sur « 2 400 » ne prouve pas le rattachement de l’astérisque à la bonne cellule. Dans cette recette, le contrôle des années, de la continuation et de la note reste donc obligatoire, quel que soit le score. Fiche OCR 4.1.

Pour une équipe data, mesurez séparément les erreurs de lecture, de colonne, de regroupement entre pages et de qualification métier. Complétez ensuite ce cas simple avec des documents représentatifs, annotés avant extraction. Une bonne lecture de ce PDF propre ne mesure pas la robustesse sur des scans ou d’autres mises en page.

La séparation aide aussi à choisir la brique suivante. Si vous voulez extraire des champs métier comme un numéro de contrat, vous changez de niveau : notre analyse de Google Document AI Custom Extractor traite cette décision. Ici, le besoin est de conserver suffisamment de structure pour que le calcul garde le sens du document.

Coût et décision d’adoption

Au 7 novembre 2026, la grille standard affiche OCR 4.1 à 4 USD pour 1 000 pages hors cache. Ce montant ne couvre pas votre reconstruction, le stockage et le temps de validation humaine. Comparez le coût par document accepté, en comptant les reprises, plutôt que le seul prix de lecture. Tarifs Mistral.

Pour des documents réels, validez aussi le lieu de traitement et la conservation. L’endpoint global ne promet pas une géographie particulière. Mistral impose de vérifier les modèles et fonctionnalités disponibles avant de choisir un endpoint régional ; la disponibilité d’OCR dans votre région n’est pas établie par cette recette. Inférence régionale.

Le premier critère de passage en production est concret : chaque montant utilisé dans un indicateur doit retrouver sa colonne, sa page et sa réserve éventuelle. Si ce lien se perd, conservez le document en revue. Un nombre reconnu sans son contexte peut produire un indicateur faux.