Pour les factures, reçus et formulaires arabes sur lesquels vous devez agir, utilisez un LLM de vision : il lit l’image et renvoie en JSON les champs demandés, comme le fournisseur, le numéro de TVA, la date et le total. Utilisez la reconnaissance optique de caractères (OCR) classique pour la recherche plein texte dans de longues pages scannées ou pour le travail hors ligne. Dans les deux cas, vérifiez les nombres dans le code.
L’arabe complique les deux voies plus que l’anglais, pour les raisons qui suivent.
Pourquoi l’OCR arabe est-elle difficile ?
- Une écriture liée. Les lettres arabes se lient, et la plupart ont jusqu’à quatre formes (isolée, initiale, médiane, finale). Les moteurs d’OCR doivent segmenter un mot dont ils ne voient pas les limites.
- Les points portent le sens. ب ت ث ن ي partagent une même forme de base et ne diffèrent que par leurs points. Un scan basse résolution ou un pli peut changer une lettre en une autre.
- Deux sens d’écriture sur une même ligne. Une ligne de facture comme « المجموع: 1,250.00 SAR » mêle l’arabe, écrit de droite à gauche, à des nombres et du texte latin écrits de gauche à droite. La sortie d’OCR revient souvent dans le mauvais ordre visuel, que l’algorithme bidirectionnel Unicode réordonne encore à l’affichage.
- Deux jeux de chiffres. Les documents du Golfe et d’Égypte impriment souvent des chiffres arabes orientaux (٠١٢٣٤٥٦٧٨٩) au lieu de 0–9, parfois les deux sur la même page.
- Polices et tampons. Les titres décoratifs en naskh et en ruq’ah, les tampons d’entreprise sur le total et l’effacement des tickets thermiques nuisent tous à la reconnaissance.
OCR ou LLM de vision : que vous apporte chacun ?
| OCR classique | LLM de vision | |
|---|---|---|
| Sortie | Texte brut, souvent avec la position des mots | Ce que vous demandez : champs, JSON, résumé, traduction |
| Compréhension de la mise en page | Vous écrivez règles ou modèles | Le modèle la déduit (« le total est en bas à droite ») |
| Nouvelles mises en page de facture | Nouveau modèle ou nouvelle règle | Fonctionne en général sans modification |
| Traduction | Étape séparée | Même requête |
| Prévisibilité | Déterministe pour une même entrée | Peut varier ; validez les sorties |
| Risque d’hallucination | Faible (lit mal, mais n’invente pas) | Réel : peut produire une valeur plausible mais fausse |
| Idéal pour | Recherche plein texte dans de longs documents scannés, archives | Factures, reçus, pièces d’identité, formulaires sur lesquels agir |
L’arbitrage clé : l’OCR lit mal mais n’invente pas. Un LLM de vision comprend, mais peut halluciner une valeur plausible. Un bon pipeline confie la compréhension au LLM et la vérification au code.
Comment lire une facture arabe avec un LLM de vision ?
Envoyez l’image sous forme d’URL de données base64 dans le contenu du message et demandez exactement les champs voulus. Le guide des factures avec la vision déroule l’ensemble ; l’essentiel ressemble à ceci :
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)
Trois détails qui font gagner du temps de débogage :
- Indiquez le système de chiffres voulu. « Convert Eastern Arabic numerals to Western digits » (convertir les chiffres arabes orientaux en chiffres occidentaux) évite un mélange de ١٢٥٠ et de 1250 dans votre base.
- Demandez
null, pas une supposition. Les modèles inventent plus volontiers une valeur quand chaque clé doit être remplie. - Gardez les noms dans leur écriture d’origine. Translittérer « مؤسسة النور للتجارة » en lettres latines ouvre la porte aux variantes d’orthographe. Stockez l’arabe, et traduisez à part si vous avez besoin de l’anglais.
Si le modèle renvoie une réponse vide, il a épuisé max_tokens en raisonnant ; voyez tokens de raisonnement et réponses vides. Pour une forme JSON plus stricte, voyez la sortie structurée avec JSON Schema ; le générateur de JSON Schema gratuit construit un schéma à partir d’un exemple de facture.
Comment repérer les chiffres mal lus ?
Traitez chaque valeur extraite comme une affirmation à vérifier dans le code, pas comme une donnée. La somme des lignes doit égaler le sous-total, le sous-total plus la TVA doit égaler le total, les dates doivent s’analyser et ne pas être dans le futur, et la devise doit correspondre au pays du fournisseur. Les numéros de TVA saoudiens ont une longueur et un format fixes, ce qui offre une vérification supplémentaire peu coûteuse. Un chiffre mal lu casse presque toujours une somme : les contrôles arithmétiques détectent donc la plupart des erreurs qui comptent. Tout ce qui échoue part dans une file de relecture humaine, avec l’image à côté des champs extraits.
Le pipeline complet, avec un schéma Pydantic, des validateurs arithmétiques, une relance avec le message d’erreur et une file de relecture, se trouve dans extraire en JSON les données de factures et de reçus avec un LLM de vision.
Quel modèle de vision doit lire les documents arabes ?
Trois modèles de chat de BroadNet Inference acceptent les images :
| Modèle | Entrée / sortie par million de tokens | Contexte | Remarques |
|---|---|---|---|
| Qwen3.8 27B | $0.175 / $2.17 | 262 144 | Le modèle que BroadNet a testé en arabe |
| DeepSeek V4.1 Flash | $0.175 / $0.52 | 1 048 576 | Aussi dans les forfaits illimités |
| BroadNet Gemma 4 VL 26B | $0.10 / $0.22 | 32 768 | Le moins cher des modèles de vision de BroadNet ; fonctionne avec le crédit gratuit et la clé horaire à $0.50 |
BroadNet indique que Qwen3.8 27B a écrit un arabe fluide, compris les dialectes du Golfe et égyptien et traduit avec précision entre arabe et anglais lors de ses tests. BroadNet ne publie aucun benchmark d’OCR ni d’extraction de documents : mesurez la précision des champs sur vos propres documents. Une configuration pratique consiste à confier les reçus simples à Gemma 4 VL 26B et à faire un second passage avec Qwen3.8 27B pour tout ce qui échoue à la validation. La comparaison Gemma 4 VL 26B vs Qwen3.8 27B met les deux côte à côte.
Combien coûte un LLM de vision par page ?
Avec une clé en paiement à l’usage, une image est facturée en tokens d’entrée au prix d’entrée du modèle, et les images plus grandes utilisent plus de tokens. Redimensionnez les photos de téléphone à environ 1 500–2 000 pixels sur le grand côté : les points de l’arabe demandent assez de résolution, mais une photo de 12 mégapixels ajoute surtout du coût. Lisez usage.prompt_tokens sur quelques images réelles pour obtenir votre coût par page. Avec un forfait illimité DeepSeek V4.1 Flash, la documentation de BroadNet indique que les images font partie de l’usage illimité du forfait. Le calcul en tokens par image et par page est détaillé dans le coût d’un LLM de vision par image.
Quand l’OCR classique l’emporte-t-elle encore ?
- Longs livres scannés et archives, quand vous avez besoin de chaque mot pour la recherche, pas de quelques champs.
- Reproductibilité stricte, quand une même entrée doit toujours produire le même texte.
- Traitement hors ligne ou sur l’appareil, sans réseau.
Des moteurs open source comme Tesseract proposent des données entraînées pour l’arabe (ara) et fonctionnent hors ligne. Une approche hybride marche aussi très bien : l’OCR de la page pour un texte interrogeable, et l’image envoyée à un LLM de vision pour les champs sur lesquels vous agissez. Quelles API d’OCR cloud prennent en charge l’arabe, imprimé et manuscrit, et ce que chacune coûte pour 1 000 pages : c’est dans la comparaison des API d’OCR arabe.
Confidentialité
Factures et pièces d’identité contiennent des noms, des numéros fiscaux et des coordonnées bancaires. BroadNet Inference ne conserve ni les images, ni les prompts, ni les réponses après la requête ; voyez conservation zéro des données. Appliquez la même règle à votre propre stockage : gardez les champs extraits dont vous avez besoin et supprimez les images que vous n’êtes plus tenu de conserver.

