BroadRouter

विज़न मॉडल से अरबी इनवॉइस और रसीदें पढ़ें

अपडेट किया गया

इमेज को base64 data URL के रूप में मैसेज कंटेंट में broadnet/qwen3.8-27b या broadnet/gemma-4-26b-a4b जैसे विज़न मॉडल को भेजें, और जो फ़ील्ड चाहिए उन्हें JSON में माँगें। MIME type सही रखें। उपयोग के अनुसार भुगतान पर इमेज इनपुट टोकन के रूप में गिनी जाती है; बड़ी इमेज ज़्यादा टोकन लेती है।

BroadNet Inference पर तीन चैट मॉडल इमेज लेते हैं: DeepSeek V4.1 Flash, Qwen3.8 27B और BroadNet Gemma 4 VL 26B। GLM 5.3 सिर्फ़ टेक्स्ट लेता है। अरबी दस्तावेज़ों के लिए Qwen3.8 27B वह मॉडल है जिसे BroadNet ने अरबी में टेस्ट किया है: धाराप्रवाह लेखन, खाड़ी और मिस्री बोलियों की समझ, और सटीक अरबी–अंग्रेज़ी अनुवाद। Gemma 4 VL 26B, BroadNet पर इन तीनों में सबसे सस्ता है और मुफ़्त क्रेडिट पर चलता है।

एक इनवॉइस के बारे में सवाल पूछें

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)

सवाल अरबी में पूछता है: “इस इनवॉइस में कुल रक़म कितनी है?” PNG फ़ाइलों के लिए data URL में image/png इस्तेमाल करें: MIME type मेल खाना चाहिए। फ़ाइल के नाम से इसे सेट करने के लिए:

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

स्ट्रक्चर्ड फ़ील्ड वापस पाएँ

JSON माँगें और साफ़ बताएँ कि कौन-सी keys चाहिए:

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}},
    ]}],
)

Qwen3.8 27B जवाब देने से पहले रीज़निंग करता है, इसलिए उसे जगह दें। रीज़निंग मॉडल ख़ाली जवाब क्यों देते हैं, यहाँ पढ़ें। BroadNet के डॉक्स Qwen3.8 27B के लिए स्ट्रक्चर्ड आउटपुट सूचीबद्ध करते हैं; JSON schema आम तौर पर कैसे काम करते हैं, इसके लिए स्ट्रक्चर्ड आउटपुट देखें। जवाब को json.loads से पार्स करें और सेव करने से पहले फ़ील्ड जाँच लें।

लागत

उपयोग के अनुसार भुगतान पर इमेज का बिल मॉडल की इनपुट कीमत पर इनपुट टोकन के रूप में बनता है, इसलिए बहुत बड़ी फ़ोटो पहले छोटी कर लें; इमेज टोकन कैलकुलेटर बताता है कि किसी साइज़ पर कितने टोकन लगते हैं। DeepSeek V4.1 Flash के अनलिमिटेड प्लान पर इमेज भी अनलिमिटेड इस्तेमाल का हिस्सा हैं।

विज़न मॉडलों की कीमतों की तुलना करें, या अरबी OCR API की तुलना में देखें कि विज़न मॉडल, Google, Azure, Textract और Mistral OCR के मुक़ाबले कैसा है।

समस्या निवारण

  • Qwen3.8 27B या DeepSeek V4.1 Flash से ख़ाली जवाब. रीज़निंग ने max_tokens ख़त्म कर दिए। इसे बढ़ाएँ या reasoning_effort को low पर सेट करें।
  • इमेज पर 400 या 422. जाँचें कि data URL data:image/jpeg;base64, या data:image/png;base64, से शुरू होता है और MIME type फ़ाइल से मेल खाता है।
  • मॉडल पर 403 या एरर. GLM 5.3 इमेज नहीं लेता, और Qwen3.8 27B और DeepSeek V4.1 Flash के लिए टॉप-अप चाहिए। मुफ़्त क्रेडिट पर BroadNet Gemma 4 VL 26B इस्तेमाल करें।
  • अनुरोध बहुत बड़ा या कॉन्टेक्स्ट एरर. बड़ी फ़ोटो बहुत टोकन लेती है, और तीनों में Gemma 4 VL 26B की कॉन्टेक्स्ट विंडो सबसे छोटी है (pricing.json में सूचीबद्ध)। इमेज को ठीक-ठाक चौड़ाई तक छोटा करें या सिर्फ़ टोटल वाला हिस्सा क्रॉप करें।
  • ग़लत टोटल या अंक आपस में बदले हुए. एक ही रसीद पर अरबी-इंडिक अंक (٠١٢٣) और लैटिन अंक दोनों हो सकते हैं। मॉडल से संख्याएँ लैटिन अंकों में लौटाने को कहें, और अपने कोड में टोटल को लाइन आइटम से मिलाकर जाँचें।
  • अमान्य JSON. “JSON only” माँगें, पार्स करने से पहले कोई भी code fence हटा दें, और पार्सिंग फ़ेल हो तो एक बार रीट्राई करें।
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.

अक्सर पूछे जाने वाले सवाल

BroadNet के कौन-से मॉडल इमेज पढ़ सकते हैं?

DeepSeek V4.1 Flash, Qwen3.8 27B और BroadNet Gemma 4 VL 26B, chat completions के ज़रिए इमेज लेते हैं। GLM 5.3 सिर्फ़ टेक्स्ट लेता है, और ट्रांसक्रिप्शन मॉडल ऑडियो लेते हैं।

विज़न LLM API को लोकल इमेज फ़ाइल कैसे भेजूँ?

फ़ाइल पढ़ें, उसे base64 में एनकोड करें और image_url कंटेंट पार्ट में data URL के रूप में रखें, जैसे data:image/jpeg;base64, और उसके बाद एनकोड किए गए bytes। URL में MIME type फ़ाइल से मेल खाना चाहिए।

क्या मैं मुफ़्त क्रेडिट पर इनवॉइस का डेटा निकाल सकता हूँ?

हाँ, BroadNet Gemma 4 VL 26B से, जो मुफ़्त शुरुआती क्रेडिट पर चलता है। Qwen3.8 27B और DeepSeek V4.1 Flash टॉप-अप के बाद खुलते हैं।

क्या मैं PDF इनवॉइस भेज सकता हूँ?

BroadNet के डॉक्स data URL के रूप में भेजी गई इमेज बताते हैं, PDF फ़ाइलें नहीं। पहले हर PDF पेज को JPEG या PNG में रेंडर करें, उदाहरण के लिए pdftoppm से, और पेजों को इमेज के रूप में भेजें।

Markdown में पढ़ेंChatGPT से पूछेंClaude से पूछेंPerplexity से पूछें