BroadRouter

Basahin ang mga Arabic na invoice at resibo gamit ang vision model

Na-update

Ipadala ang larawan bilang base64 data URL sa content ng message sa isang vision model gaya ng broadnet/qwen3.8-27b o broadnet/gemma-4-26b-a4b, at hingin bilang JSON ang mga field na kailangan mo. Tiyaking tama ang MIME type. Sa pay-as-you-go, binibilang ang larawan bilang input tokens; mas malaking larawan, mas maraming token.

Tatlong chat model sa BroadNet Inference ang tumatanggap ng larawan: DeepSeek V4.1 Flash, Qwen3.8 27B at BroadNet Gemma 4 VL 26B. Text lang ang GLM 5.3. Para sa mga Arabic na dokumento, ang Qwen3.8 27B ang sinubukan ng BroadNet sa Arabic: mahusay sumulat, naiintindihan ang Gulf at Egyptian na dialect, at tumpak sa pagsasalin ng Arabic–English. Ang Gemma 4 VL 26B ang pinakamura sa tatlo sa BroadNet at gumagana ito sa libreng credit.

Magtanong tungkol sa isang invoice

import base64, os
from openai import OpenAI

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

response = client.chat.completions.create(
    model="broadnet/gemma-4-26b-a4b",
    messages=[{"role": "user", "content": [
        {"type": "text", "text": "ما هو المبلغ الإجمالي في هذه الفاتورة؟"},
        {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64," + invoice}},
    ]}],
)
print(response.choices[0].message.content)

Ang tanong ay “What is the total amount on this invoice?” (Magkano ang kabuuang halaga sa invoice na ito?) sa Arabic. Gamitin ang image/png sa data URL para sa mga PNG file: dapat tugma ang MIME type. Para i-set ito batay sa pangalan ng file:

import mimetypes
mime = mimetypes.guess_type("invoice.png")[0]   # "image/png"
url = f"data:{mime};base64," + base64.b64encode(open("invoice.png", "rb").read()).decode()

Ibalik ang mga structured na field

Humingi ng JSON at sabihin nang eksakto kung aling mga key ang gusto mo:

prompt = (
    "Read this invoice. Reply with JSON only, keys: vendor, date (YYYY-MM-DD), "
    "currency, total (number), vat (number or null). Keep the vendor name in Arabic if it is written in Arabic."
)
response = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    max_tokens=2000,  # Qwen3.8 27B reasons first
    messages=[{"role": "user", "content": [
        {"type": "text", "text": prompt},
        {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64," + invoice}},
    ]}],
)

Nagre-reason muna ang Qwen3.8 27B bago sumagot, kaya bigyan ito ng puwang. Tingnan ang bakit walang lamang sagot ang ibinabalik ng mga reasoning model. Nakalista sa docs ng BroadNet ang structured output para sa Qwen3.8 27B; tingnan ang structured output para sa kung paano gumagana ang JSON schemas sa pangkalahatan. I-parse ang sagot gamit ang json.loads at suriin ang mga field bago mo itago.

Gastos

Sa pay-as-you-go, sinisingil ang larawan bilang input tokens sa input price ng model, kaya i-resize muna ang napakalalaking litrato; ipinapakita ng image token calculator kung ilang token ang katumbas ng isang laki. Sa isang unlimited na DeepSeek V4.1 Flash plan, bahagi ng unlimited na paggamit ang mga larawan.

Ikumpara ang mga presyo ng vision model, o tingnan kung paano ikinukumpara ang isang vision model sa Google, Azure, Textract at Mistral OCR sa paghahambing ng mga Arabic OCR API.

Troubleshooting

  • Walang lamang sagot mula sa Qwen3.8 27B o DeepSeek V4.1 Flash. Naubos ng reasoning ang max_tokens. Taasan ito o i-set ang reasoning_effort sa low.
  • 400 o 422 sa larawan. Tiyaking nagsisimula ang data URL sa data:image/jpeg;base64, o data:image/png;base64, at tugma ang MIME type sa file.
  • 403 o error sa model. Hindi tumatanggap ng larawan ang GLM 5.3, at kailangan ng top-up ang Qwen3.8 27B at DeepSeek V4.1 Flash. Gamitin ang BroadNet Gemma 4 VL 26B sa libreng credit.
  • Masyadong malaki ang request o may context error. Maraming token ang nauubos ng malaking litrato, at ang Gemma 4 VL 26B ang may pinakamaliit na context window sa tatlo (nakalista sa pricing.json). I-resize sa makatwirang lapad o i-crop sa bahagi ng mga total.
  • Maling total o nagkapalit na digit. Puwedeng magkasama sa iisang resibo ang Arabic-Indic na digit (٠١٢٣) at Latin na digit. Hilingin sa model na ibalik ang mga numero sa Latin na digit, at i-check ang mga total laban sa mga line item sa code mo.
  • Invalid na JSON. Humingi ng “JSON only” (JSON lang), tanggalin ang anumang code fence bago mag-parse, at mag-retry nang isang beses kung pumalya ang parsing.
An Arabic and English invoice beside a phone showing the JSON {"total":125.00,"currency":"AED"}, with the text "From documents to structured data."
Illustrative example; the figures are not real output.

Mga tanong

Aling mga BroadNet model ang nakakabasa ng larawan?

Tumatanggap ng larawan sa chat completions ang DeepSeek V4.1 Flash, Qwen3.8 27B at BroadNet Gemma 4 VL 26B. Text lang ang GLM 5.3, at audio ang tinatanggap ng mga transcription model.

Paano ako magpapadala ng local na image file sa isang vision LLM API?

Basahin ang file, i-base64-encode ito at ilagay sa isang image_url content part bilang data URL, gaya ng data:image/jpeg;base64, na sinusundan ng encoded bytes. Dapat tugma sa file ang MIME type sa URL.

Puwede ba akong kumuha ng data sa invoice gamit ang libreng credit?

Oo, gamit ang BroadNet Gemma 4 VL 26B, na tumatakbo sa libreng panimulang credit. Nabubuksan ang Qwen3.8 27B at DeepSeek V4.1 Flash pagkatapos ng top-up.

Puwede ba akong magpadala ng PDF na invoice?

Mga larawang ipinapadala bilang data URL ang inilalarawan ng docs ng BroadNet, hindi PDF file. I-render muna ang bawat pahina ng PDF bilang JPEG o PNG, halimbawa gamit ang pdftoppm, at ipadala ang mga pahina bilang larawan.

Basahin bilang MarkdownTanungin ang ChatGPTTanungin ang ClaudeTanungin ang Perplexity