---
title: "Kunin ang data sa Arabic na invoice gamit ang vision LLM API"
description: "Ipadala ang litrato ng invoice o resibo sa isang vision model sa BroadNet Inference at makuha ang total, petsa at vendor bilang JSON, may tanong sa Arabic o English."
url: https://broadrouter.com/fil/guides/read-arabic-invoices-with-vision/
lang: fil
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/guides/read-arabic-invoices-with-vision/) (na-update noong 2026-11-16).

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

Na-update 2026-11-16

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

```python
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:

```python
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:

```python
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](https://broadrouter.com/fil/guides/reasoning-tokens-empty-response/). Nakalista sa docs ng BroadNet ang structured output para sa Qwen3.8 27B; tingnan ang [structured output](https://broadrouter.com/fil/glossary/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](https://broadrouter.com/tools/image-token-calculator/) kung ilang token ang katumbas ng isang laki. Sa isang [unlimited na DeepSeek V4.1 Flash plan](https://broadrouter.com/fil/guides/unlimited-llm-api-sessions/), bahagi ng unlimited na paggamit ang mga larawan.

[Ikumpara ang mga presyo ng vision model](https://broadrouter.com/fil/pricing/), o tingnan kung paano ikinukumpara ang isang vision model sa Google, Azure, Textract at Mistral OCR sa [paghahambing ng mga Arabic OCR API](https://broadrouter.com/fil/blog/arabic-ocr-api-comparison/).

## 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.

_[image: 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 termino sa gabay na ito

[Token](https://broadrouter.com/fil/glossary/token/)

Ang token ay ang yunit ng text na binabasa at isinusulat ng isang language model: isang salita, bahagi ng salita, bantas o byte sequence na ginawa ng tokenizer ng model. Sa token binibilang, nililimitahan at kadalasang sinisingil ng mga LLM API ang paggamit.

[Context window](https://broadrouter.com/fil/glossary/context-window/)

Ang context window ay ang pinakamaraming token na kayang hawakan ng isang language model sa iisang request. Sakop nito ang prompt, history ng usapan, tool definitions, mga larawan at ang nabuong output, kasama ang anumang reasoning tokens. Ang hindi kasya ay kailangang bawasan, ibuod o hatiin sa ilang request.

[Input at output token (input and output tokens)](https://broadrouter.com/fil/glossary/input-and-output-tokens/)

Ang input token ay ang mga token na binabasa ng language model sa isang request, kasama ang system prompt, history ng usapan, tool definitions at mga larawan. Ang output token ay ang mga token na binubuo nito bilang sagot, kasama ang anumang reasoning. Kadalasang magkahiwalay ang presyo ng dalawa, at mas mahal ang output.

[Optical character recognition (OCR)](https://broadrouter.com/fil/glossary/ocr/)

Ang optical character recognition (OCR) ay teknolohiyang tumutukoy at nagko-convert ng naka-print o sulat-kamay na text sa isang larawan, scan o PDF tungo sa machine-readable na character. Text at posisyon nito sa page ang output ng klasikong OCR; ang vision-language model naman ay kayang basahin ang text at direktang sagutin ang mga tanong tungkol dito.

[Structured output](https://broadrouter.com/fil/glossary/structured-output/)

Ang structured output ay feature ng LLM API na naglilimita sa sagot ng model sa format na itinakda ng developer, kadalasang JSON Schema, para maaasahang ma-parse ito ng code. Mas mahigpit ito kaysa sa JSON mode, na gumagarantiya ng valid na JSON pero hindi ng partikular na hugis.

[Vision-language model (VLM)](https://broadrouter.com/fil/glossary/vision-language-model/)

Ang vision-language model (VLM) ay isang model na tumatanggap ng larawan at text nang sabay bilang input at naglalabas ng text, kaya kaya nitong ilarawan ang mga larawan, sagutin ang tanong tungkol dito, at basahin ang mga dokumento, chart o screenshot. Tinatawag din ang mga VLM na image-text-to-text o multimodal na model.

[API key](https://broadrouter.com/fil/glossary/api-key/)

Ang API key ay isang lihim na string na kumikilala at nagpapahintulot sa client na tumatawag sa isang API. Kadalasang hinihingi ito ng mga LLM API sa Authorization: Bearer header, at ang sinumang may hawak ng key ay makakagawa ng mga request na sisingilin sa account na may-ari nito.

[JSON Schema](https://broadrouter.com/fil/glossary/json-schema/)

Ang JSON Schema ay isang vocabulary, nakasulat sa JSON, para ilarawan at i-validate ang istruktura ng JSON data: mga type, required na field, pinapayagang value at nesting. 2020-12 ang kasalukuyang bersyon. Ginagamit ito ng mga LLM API para tukuyin ang tool parameters at ang eksaktong hugis na dapat sundin ng structured 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.

## Mga kaugnay na gabay

-   [Arabic speech-to-text API: gabay na hakbang-hakbang](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/)
-   [Paano gamitin ang OpenAI Python SDK sa BroadNet Inference](https://broadrouter.com/fil/guides/openai-python-sdk/)
-   [Bakit walang laman ang sagot ng isang reasoning model](https://broadrouter.com/fil/guides/reasoning-tokens-empty-response/)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-guides-read-arabic-invoices-with-vision&utm_content=page-cta) ·

**Mga source**

-   [API reference ng BroadNet Inference, chat na may larawan (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-guides-read-arabic-invoices-with-vision&utm_content=sources#requests)
-   [Pricing ng BroadNet Inference (mga tala sa Arabic test ng Qwen3.8 27B) (Ingles)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-guides-read-arabic-invoices-with-vision&utm_content=sources)
-   [Machine-readable na listahan ng model na may modalities at context length (pricing.json) (Ingles)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-guides-read-arabic-invoices-with-vision&utm_content=sources)
