BroadRouter

Arabische OCR vs. Vision-LLM: Dokumente und Rechnungen lesen

Vom Team von BroadNet Inference · 5 Min. Lesezeit · Veröffentlicht

Klassische OCR macht aus Bildern arabischer Seiten Rohtext; ein Vision-LLM liest das Bild und gibt die angefragten Felder wie Lieferant, Datum und Gesamtbetrag als JSON zurück. Bei Rechnungen und Belegen erspart ein Vision-LLM meist den Parsing-Schritt. Bei BroadNet Inference nehmen Qwen3.8 27B, DeepSeek V4.1 Flash und BroadNet Gemma 4 VL 26B Bilder an.

Parcels on a conveyor labelled "FRAGILE", "ZERBRECHLICH" and "取扱注意", with the text "From printed text to useful data."

Für arabische Rechnungen, Belege und Formulare, auf die Sie reagieren müssen, verwenden Sie ein Vision-LLM: Es liest das Bild und gibt die angefragten Felder wie Lieferant, USt-Nummer, Datum und Gesamtbetrag als JSON zurück. Verwenden Sie klassische optische Zeichenerkennung (OCR) für die Volltextsuche in langen gescannten Seiten oder für Offline-Arbeit. So oder so: Prüfen Sie Zahlen im Code.

Arabisch macht beide Wege schwieriger als bei Englisch, aus den folgenden Gründen.

Warum ist arabische OCR schwierig?

  • Verbundene Schrift. Arabische Buchstaben werden verbunden, und die meisten haben bis zu vier Formen (isoliert, Anfang, Mitte, Ende). OCR-Engines müssen ein Wort segmentieren, dessen Grenzen sie nicht sehen.
  • Punkte tragen Bedeutung. ب ت ث ن ي teilen eine Grundform und unterscheiden sich nur durch Punkte. Ein Scan mit niedriger Auflösung oder ein Knick kann einen Buchstaben in einen anderen verwandeln.
  • Zwei Richtungen in einer Zeile. Eine Rechnungszeile wie „المجموع: 1,250.00 SAR“ mischt rechtsläufiges Arabisch mit linksläufigen Zahlen und lateinischem Text. Die OCR-Ausgabe kommt oft in der falschen visuellen Reihenfolge zurück, die der Unicode Bidirectional Algorithm bei der Anzeige dann erneut umordnet.
  • Zwei Ziffernsätze. Dokumente vom Golf und aus Ägypten drucken oft ostarabische Ziffern (٠١٢٣٤٥٦٧٨٩) statt 0–9, manchmal beide auf derselben Seite.
  • Schriften und Stempel. Dekorative Überschriften in Naschi und Ruqʿa, Firmenstempel über dem Gesamtbetrag und verblassende Thermobelege erschweren die Erkennung.

OCR oder Vision-LLM: Was liefert jeweils was?

Klassische OCR Vision-LLM
Ausgabe Rohtext, oft mit Wortpositionen Was immer Sie anfordern: Felder, JSON, eine Zusammenfassung, eine Übersetzung
Layoutverständnis Sie schreiben Regeln oder Vorlagen Das Modell leitet es ab („der Gesamtbetrag steht unten rechts“)
Neue Rechnungslayouts Neue Vorlage oder Regel Funktioniert meist ohne Änderungen
Übersetzung Separater Schritt Dieselbe Anfrage
Berechenbarkeit Deterministisch bei gleicher Eingabe Kann schwanken; Ausgaben validieren
Halluzinationsrisiko Gering (liest falsch, erfindet aber nicht) Real: kann einen plausiblen, aber falschen Wert erzeugen
Am besten für Volltextsuche in langen gescannten Dokumenten, Archive Rechnungen, Belege, Ausweise, Formulare, auf die Sie reagieren müssen

Die zentrale Abwägung: OCR liest falsch, erfindet aber nichts. Ein Vision-LLM versteht, kann aber einen plausiblen Wert halluzinieren. Eine gute Pipeline nutzt das LLM zum Verstehen und Code zum Prüfen.

Wie liest man eine arabische Rechnung mit einem Vision-LLM?

Senden Sie das Bild als Base64-Data-URL im Nachrichteninhalt und fordern Sie genau die Felder an, die Sie wollen. Der Leitfaden zu Rechnungen mit Vision enthält die vollständige Anleitung; der Kern sieht so aus:

import base64, json, os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
image = base64.b64encode(open("invoice.jpg", "rb").read()).decode()

prompt = """Read this invoice. Reply with JSON only, using these keys:
vendor_name (as written, Arabic script if Arabic), vendor_vat_number, invoice_number,
invoice_date (YYYY-MM-DD), currency (ISO code), subtotal, vat_amount, total,
line_items (list of {description, quantity, unit_price, amount}).
Convert Eastern Arabic numerals to Western digits. Use null for anything you cannot read."""

r = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    max_tokens=3000,  # reasoning comes first
    messages=[{"role": "user", "content": [
        {"type": "text", "text": prompt},
        {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64," + image}},
    ]}],
)
data = json.loads(r.choices[0].message.content)

Drei Details, die Debugging-Zeit sparen:

  1. Sagen Sie, welches Ziffernsystem Sie wollen. „Convert Eastern Arabic numerals to Western digits“ (ostarabische Ziffern in westliche umwandeln) verhindert eine Mischung aus ١٢٥٠ und 1250 in Ihrer Datenbank.
  2. Fordern Sie null an, keine Vermutung. Modelle erfinden eher einen Wert, wenn jeder Schlüssel befüllt werden muss.
  3. Behalten Sie Namen in der Originalschrift. Wer „مؤسسة النور للتجارة“ in lateinische Buchstaben transliteriert, lädt Schreibvarianten ein. Speichern Sie das Arabische und übersetzen Sie getrennt, wenn Sie Englisch brauchen.

Gibt das Modell eine leere Antwort zurück, sind ihm beim Reasoning die max_tokens ausgegangen; siehe Reasoning-Tokens und leere Antworten. Für eine strengere JSON-Form siehe strukturierte Ausgabe mit JSON Schema; der kostenlose JSON-Schema-Generator erstellt ein Schema aus einer Beispielrechnung.

Wie erkennt man falsch gelesene Zahlen?

Behandeln Sie jeden extrahierten Wert als Behauptung, die im Code zu prüfen ist, nicht als Daten. Die Positionen müssen die Zwischensumme ergeben, Zwischensumme plus MwSt. muss dem Gesamtbetrag entsprechen, Daten müssen sich parsen lassen und dürfen nicht in der Zukunft liegen, und die Währung sollte zum Land des Lieferanten passen. Saudische USt-Nummern haben eine feste Länge und ein festes Format, was eine günstige Zusatzprüfung ermöglicht. Eine falsch gelesene Ziffer bricht fast immer eine Summe; arithmetische Prüfungen erkennen also die meisten Fehler, die zählen. Was durchfällt, geht in eine Warteschlange zur menschlichen Prüfung, mit dem Bild neben den extrahierten Feldern.

Die vollständige Pipeline mit Pydantic-Schema, arithmetischen Validatoren, einem Wiederholungsversuch mit der Fehlermeldung und einer Prüfwarteschlange steht unter Rechnungs- und Belegdaten mit einem Vision-LLM als JSON extrahieren.

Welches Vision-Modell sollte arabische Dokumente lesen?

Drei Chat-Modelle bei BroadNet Inference nehmen Bilder an:

Modell Input / Output pro 1 Mio. Tokens Kontext Hinweise
Qwen3.8 27B $0.175 / $2.17 262.144 Das Modell, das BroadNet auf Arabisch getestet hat
DeepSeek V4.1 Flash $0.175 / $0.52 1.048.576 Auch in den unbegrenzten Flatrate-Plänen
BroadNet Gemma 4 VL 26B $0.10 / $0.22 32.768 Günstigstes Vision-Modell von BroadNet; funktioniert mit kostenlosem Guthaben und dem Stundenschlüssel für $0.50

BroadNet berichtet, dass Qwen3.8 27B in seinen Tests flüssiges Arabisch schrieb, Golf- und ägyptischen Dialekt verstand und genau zwischen Arabisch und Englisch übersetzte. Einen Benchmark für OCR oder Dokumentenextraktion veröffentlicht BroadNet nicht; messen Sie die Feldgenauigkeit also an Ihren eigenen Dokumenten. Ein praktisches Setup ist Gemma 4 VL 26B für einfache Belege und ein zweiter Durchgang mit Qwen3.8 27B für alles, was die Validierung nicht besteht. Der Vergleich Gemma 4 VL 26B vs. Qwen3.8 27B stellt beide nebeneinander.

Was kostet ein Vision-LLM pro Seite?

Bei Pay-as-you-go-Schlüsseln wird ein Bild als Input-Tokens zum Input-Preis des Modells abgerechnet, und größere Bilder verbrauchen mehr Tokens. Verkleinern Sie Handyfotos auf etwa 1.500–2.000 Pixel an der langen Seite: Arabische Punkte brauchen genug Auflösung, aber ein Foto mit 12 Megapixeln erhöht vor allem die Kosten. Lesen Sie usage.prompt_tokens bei einigen echten Bildern aus, um Ihre Kosten pro Seite zu ermitteln. Bei einem unbegrenzten Plan für DeepSeek V4.1 Flash gehören Bilder laut den Docs von BroadNet zur unbegrenzten Nutzung des Plans. Die Token-Rechnung pro Bild und pro Seite steht unter Kosten eines Vision-LLM pro Bild.

Wann gewinnt klassische OCR noch?

  • Lange gescannte Bücher und Archive, bei denen Sie jedes Wort für die Suche brauchen, nicht nur einige Felder.
  • Strenge Reproduzierbarkeit, wenn dieselbe Eingabe immer denselben Text liefern muss.
  • Offline- oder On-Device-Verarbeitung ohne Netzwerk.

Open-Source-Engines wie Tesseract listen Trainingsdaten für Arabisch (ara) und laufen offline. Auch ein hybrider Ansatz funktioniert gut: OCR für durchsuchbaren Text der Seite und das Bild an ein Vision-LLM für die Felder, auf die Sie reagieren. Welche Cloud-OCR-APIs Arabisch listen, gedruckt und handschriftlich, und was jede pro 1.000 Seiten kostet, steht im Vergleich von OCR-APIs für Arabisch.

Datenschutz

Rechnungen und Ausweise enthalten Namen, Steuernummern und Bankdaten. BroadNet Inference speichert Bilder, Prompts und Antworten nach der Anfrage nicht; siehe Zero Data Retention. Wenden Sie dieselbe Regel auf Ihren eigenen Speicher an: Behalten Sie die extrahierten Felder, die Sie brauchen, und löschen Sie Bilder, die Sie nicht mehr aufbewahren müssen.

Häufige Fragen

Ist ein Vision-LLM bei Arabisch genauer als OCR?

Das hängt vom Dokument ab. Vision-LLMs verstehen das Layout meist besser und ziehen benannte Felder zuverlässiger aus Rechnungen und Belegen. Spezialisierte OCR kann bei langen, sauber gedruckten Seiten berechenbarer sein. Testen Sie beides an einer Stichprobe Ihrer Dokumente.

Können Vision-LLMs arabische Handschrift lesen?

Manchmal, bei deutlicher Handschrift. Bei kursiver oder hastiger Schrift sinkt die Genauigkeit schnell. Leiten Sie handschriftliche Felder mit niedriger Konfidenz an einen menschlichen Prüfer weiter.

Welches BroadNet-Modell ist beim Lesen von Bildern am günstigsten?

BroadNet Gemma 4 VL 26B, zu $0.10 pro 1 Mio. Input-Tokens. Es funktioniert auch mit dem kostenlosen Startguthaben und mit einem Stundenschlüssel zum Festpreis.

Wie wandle ich ostarabische Ziffern in westliche Ziffern um?

Lassen Sie das Modell westliche Ziffern zurückgeben und erzwingen Sie das dann im Code. In Python wandelt text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")) alle ostarabischen Ziffern um, die durchrutschen. Persische Ziffern (۰–۹) haben andere Codepoints; ergänzen Sie sie, wenn Ihre Dokumente aus dem Iran oder Afghanistan stammen.

Kann das Modell die arabischen Beschriftungen ins Englische übersetzen?

Ja. Fordern Sie englische Schlüssel an und behalten Sie die arabischen Originalwerte, oder fordern Sie beides an. Behalten Sie Namen in der Originalschrift, um Transliterationsfehler zu vermeiden.

Als Markdown lesenChatGPT fragenClaude fragenPerplexity fragen