KI-Texterkennung im Test: vier Mistral-Modelle lesen Brillenbügel
Für kleine, gedruckte Schrift auf Produkten war in unserem Test ein mittelgroßes Sprachmodell mit Bildverständnis die beste Wahl: Mistral Medium fand 95 Prozent der erwarteten Angaben auf 54 Bügel- und Etikettfotos. Das größere Mistral Large kam auf 88 Prozent, das spezialisierte Modell Mistral OCR auf 84 Prozent.
Die Aufgabe
Auf der Innenseite eines Brillenbügels steht alles, was ein Optiker für den Katalog braucht: Modell, Farbcode und Größe, meist in der Form 52□18-140 für Glasbreite, Steg und Bügellänge in Millimetern. Die Schrift ist winzig, oft eingeprägt oder auf glänzendes Metall gedruckt. Für das Online-Schaufenster eines Optikergeschäfts im Kreis Böblingen soll die KI diese Angaben aus einem Handyfoto lesen, damit niemand sie abtippen muss.
Der Testaufbau
- 54 Fotos von Bügelbeschriftungen, Etiketten und Anhängern aus öffentlich zugänglichen Angeboten von Händlern, zu jedem Foto die erwarteten Angaben. Eingestuft als 20 einfache, 17 mittlere und 17 schwierige Fälle.
- Vier Modelle von Mistral, einem Anbieter aus der EU: Small, Medium und Large als Sprachmodelle mit Bildverständnis, alle mit derselben Anweisung und mit Antwort im JSON-Format. Dazu das spezialisierte Texterkennungsmodell Mistral OCR.
- Die Wertung: der Anteil der erwarteten Angaben, die im gelesenen Text vorkommen. Großschreibung, Trennzeichen und die Verwechslung von O und 0 haben wir dabei vereinheitlicht.
Die Ergebnisse
| Modell | gefunden | einfach | mittel | schwierig | komplett richtig | Ø Zeit |
|---|---|---|---|---|---|---|
| Mistral Medium | 95 % | 100 % | 94 % | 89 % | 47 von 54 | 5,6 s |
| Mistral Small | 88 % | 96 % | 92 % | 75 % | 40 von 54 | 2,8 s |
| Mistral Large | 88 % | 99 % | 88 % | 76 % | 40 von 54 | 8,8 s |
| Mistral OCR | 84 % | 94 % | 90 % | 68 % | 37 von 54 | 1,4 s |
Größer ist nicht automatisch besser
Das größte Modell lag gleichauf mit dem kleinsten und brauchte am längsten. Medium war bei schwierigen Fotos deutlich besser als beide. Small verwechselte häufiger ähnlich aussehende Zeichen, etwa 8 und B oder S und 5, und las aus „710“ einmal „7□10“. Für eine Aufgabe dieser Art lohnt es sich, mehrere Modelle an echten Beispielen zu vergleichen, statt einfach das größte zu nehmen.
Das Spezialmodell für Texterkennung
Mistral OCR ist auf Dokumente ausgelegt und war mit 1,4 Sekunden am schnellsten. Bei kleiner Schrift auf gewölbtem Metall oder mit Spiegelungen lag es aber hinten, bei schwierigen Fotos mit 68 Prozent. Außerdem liefert es nur den Rohtext. Welche Zahl die Glasbreite ist und welche der Farbcode, muss danach ein zweiter Schritt herausfinden.
Wo alle Modelle scheitern
Bei 6 der 7 Fotos, die Medium nicht vollständig lesen konnte, lagen alle vier Modelle gleich daneben. Dort ist die Schrift kaum zu erkennen, oder die erwartete Angabe stimmt selbst nicht: Bei einem Etikett lasen alle Modelle 65-10-125, erwartet war 55-10-125. Solche Fälle rettet kein Modell, sondern nur ein besseres Foto.
Die Felder der KI nicht blind übernehmen
Neben dem gelesenen Text sollten die Modelle Glasbreite, Steg und Bügellänge einzeln angeben. Genau dort lagen die meisten Fehler, obwohl die Größe im gelesenen Text richtig stand: Mal fehlte der Steg, mal landete der Farbcode als Glasbreite. Bei den 33 Fotos mit bekannter Größe waren nur 23 Angaben komplett richtig.
Wir lesen die Größe deshalb zusätzlich mit einer festen Regel aus dem Text, für die üblichen Schreibweisen wie 52□18-140, 52-18-140 oder S:55 T:142, und verwerfen Werte außerhalb plausibler Bereiche. Damit waren 31 von 33 komplett richtig. Die beiden übrigen hatte die KI schon beim Lesen falsch erkannt.
Was das kostet
Ein Foto entspricht bei Mistral Medium im Schnitt rund 1.800 Eingabe- und 150 Ausgabe-Tokens. Das sind nach unserer Schätzung etwa 0,1 Cent pro Bild, für 100 Fassungen also rund 10 Cent. Wie sich die Kosten im ganzen Ablauf zusammensetzen, zeigt unser Rechenbeispiel zu KI-Kosten im Betrieb.
Was wir daraus mitnehmen
- Modelle an den eigenen Beispielen testen, nicht nach Größe auswählen.
- Die KI liest, feste Regeln prüfen: Zahlen mit bekanntem Format besser selbst aus dem Text holen und auf Plausibilität prüfen.
- Ein Mensch gibt frei. In unserem Projekt sieht die Optikerin alle erkannten Angaben, bevor eine Fassung im Schaufenster erscheint, und unsichere Felder sind markiert.
Wie die Fotos der Fassungen freigestellt werden, steht in unserem Test zum Freistellen mit KI.
Häufige Fragen
Welche KI erkennt Text auf Fotos am besten?
Ist ein spezielles OCR-Modell besser als ein Sprachmodell mit Bildverständnis?
Was kostet KI-Texterkennung pro Bild?
Kann man die erkannten Daten direkt übernehmen?
Stand November 2026. Messwerte aus unserem Test vom 2. November 2026 mit den damals aktuellen Modellen mistral-small-latest, mistral-medium-latest, mistral-large-latest und mistral-ocr-latest. Kosten geschätzt nach Token-Verbrauch, in US-Dollar-Cent und gerundet.