---
title: "विज़न LLM API से अरबी इनवॉइस का डेटा निकालें | BroadRouter"
description: "इनवॉइस या रसीद की फ़ोटो BroadNet Inference के विज़न मॉडल को भेजें और कुल रक़म, तारीख़ और विक्रेता JSON में पाएँ, सवाल अरबी या अंग्रेज़ी में पूछें।"
url: https://broadrouter.com/hi/guides/read-arabic-invoices-with-vision/
lang: hi
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

यह पेज अंग्रेज़ी से AI की मदद से अनुवाद किया गया है। [अंग्रेज़ी मूल पढ़ें](https://broadrouter.com/guides/read-arabic-invoices-with-vision/) (2026-11-16 को अपडेट किया गया).

# विज़न मॉडल से अरबी इनवॉइस और रसीदें पढ़ें

अपडेट किया गया 2026-11-16

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

```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)
```

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:

```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()
```

## स्ट्रक्चर्ड फ़ील्ड वापस पाएँ

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

```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}},
    ]}],
)
```

Qwen3.8 27B जवाब देने से पहले रीज़निंग करता है, इसलिए उसे जगह दें। [रीज़निंग मॉडल ख़ाली जवाब क्यों देते हैं](https://broadrouter.com/hi/guides/reasoning-tokens-empty-response/), 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](https://broadrouter.com/hi/glossary/structured-output/) 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](https://broadrouter.com/tools/image-token-calculator/) बताता है कि किसी साइज़ पर कितने टोकन लगते हैं। [DeepSeek V4.1 Flash के अनलिमिटेड प्लान](https://broadrouter.com/hi/guides/unlimited-llm-api-sessions/) पर इमेज भी अनलिमिटेड इस्तेमाल का हिस्सा हैं।

[विज़न मॉडलों की कीमतों की तुलना करें](https://broadrouter.com/hi/pricing/), या [अरबी OCR API की तुलना](https://broadrouter.com/hi/blog/arabic-ocr-api-comparison/) 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।

_[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.

## इस गाइड के शब्द

[टोकन (token)](https://broadrouter.com/hi/glossary/token/)

टोकन टेक्स्ट की वह इकाई है जिसे लैंग्वेज मॉडल पढ़ता और लिखता है: कोई शब्द, शब्द का हिस्सा, विराम चिह्न या बाइट का क्रम, जो मॉडल का टोकनाइज़र बनाता है। LLM API इस्तेमाल को टोकन में गिनते हैं, उसी में लिमिट लगाते हैं और आम तौर पर बिल भी बनाते हैं।

[विज़न-लैंग्वेज मॉडल (VLM)](https://broadrouter.com/hi/glossary/vision-language-model/)

विज़न-लैंग्वेज मॉडल (VLM) ऐसा मॉडल है जो इमेज और टेक्स्ट को साथ में इनपुट के रूप में लेकर टेक्स्ट बनाता है, ताकि वह तस्वीरों का वर्णन कर सके, उनके बारे में सवालों के जवाब दे सके और दस्तावेज़, चार्ट या स्क्रीनशॉट पढ़ सके। VLM को image-text-to-text या multimodal मॉडल भी कहते हैं।

[स्ट्रक्चर्ड आउटपुट (structured output)](https://broadrouter.com/hi/glossary/structured-output/)

स्ट्रक्चर्ड आउटपुट LLM API का एक फ़ीचर है जो मॉडल के जवाब को डेवलपर के तय फ़ॉर्मैट, आम तौर पर JSON Schema, तक सीमित करता है, ताकि कोड उसे भरोसे से पार्स कर सके। यह JSON mode से सख़्त है, जो मान्य JSON की गारंटी देता है, लेकिन किसी ख़ास ढाँचे की नहीं।

[OCR (optical character recognition)](https://broadrouter.com/hi/glossary/ocr/)

OCR (optical character recognition) वह तकनीक है जो किसी इमेज, स्कैन या PDF में छपे या हाथ से लिखे टेक्स्ट को पहचानकर मशीन से पढ़े जा सकने वाले अक्षरों में बदलती है। क्लासिक OCR टेक्स्ट और पेज पर उसकी जगह देता है; vision-language मॉडल टेक्स्ट पढ़कर उसके बारे में सीधे सवालों के जवाब दे सकते हैं।

[इनपुट और आउटपुट टोकन (input and output tokens)](https://broadrouter.com/hi/glossary/input-and-output-tokens/)

इनपुट टोकन वे टोकन हैं जिन्हें लैंग्वेज मॉडल किसी अनुरोध में पढ़ता है, जिनमें सिस्टम प्रॉम्प्ट, बातचीत का इतिहास, टूल डेफ़िनिशन और इमेज शामिल हैं। आउटपुट टोकन वे हैं जो वह जवाब में बनाता है, रीज़निंग समेत। LLM API आम तौर पर दोनों की कीमत अलग रखते हैं, और आउटपुट आम तौर पर महँगा होता है।

[इमेज टोकन (image tokens)](https://broadrouter.com/hi/glossary/image-tokens/)

इमेज टोकन वे इनपुट टोकन हैं जिनसे कोई vision language मॉडल प्रॉम्प्ट में एक इमेज को दर्शाता है। प्रोवाइडर इन्हें इमेज के साइज़ से निकालते हैं, आम तौर पर रीसाइज़ के बाद उसे तय साइज़ के patches या tiles में बाँटकर, और टेक्स्ट इनपुट टोकन की तरह बिल करते हैं, इसलिए बड़ी इमेज ज़्यादा महँगी पड़ती है।

[उपयोग के अनुसार भुगतान (pay-as-you-go)](https://broadrouter.com/hi/glossary/pay-as-you-go/)

उपयोग के अनुसार भुगतान (pay-as-you-go) एक प्राइसिंग मॉडल है जिसमें आप सिर्फ़ उतना देते हैं जितना इस्तेमाल करते हैं, जिसे टोकन, अनुरोध या ऑडियो मिनट जैसी इकाइयों में मापा जाता है, बिना सब्सक्रिप्शन या न्यूनतम प्रतिबद्धता के। ज़्यादातर LLM API इसी तरह बिल बनाते हैं, प्रीपेड बैलेंस या समय-समय पर बनने वाले इनवॉइस से।

[कॉन्टेक्स्ट विंडो (context window)](https://broadrouter.com/hi/glossary/context-window/)

कॉन्टेक्स्ट विंडो टोकन की वह अधिकतम संख्या है जिसके साथ लैंग्वेज मॉडल एक अनुरोध में काम कर सकता है। इसमें प्रॉम्प्ट, बातचीत का इतिहास, टूल डेफ़िनिशन, इमेज और जनरेट हुआ आउटपुट, रीज़निंग टोकन समेत, सब आता है। जो इसमें न समाए, उसे काटना, सारांश बनाना या कई अनुरोधों में बाँटना पड़ता है।

## 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।

## संबंधित गाइड

-   [अरबी speech-to-text API, स्टेप बाय स्टेप](https://broadrouter.com/hi/guides/arabic-speech-to-text-api/)
-   [BroadNet Inference के साथ OpenAI Python SDK इस्तेमाल करें](https://broadrouter.com/hi/guides/openai-python-sdk/)
-   [रीज़निंग मॉडल ख़ाली जवाब क्यों लौटाता है](https://broadrouter.com/hi/guides/reasoning-tokens-empty-response/)

इसे अपने असली वर्कलोड पर आज़माएँ। नए अकाउंट Gemma और ट्रांसक्रिप्शन के लिए US$5 के क्रेडिट से शुरू होते हैं। DeepSeek, GLM, और Qwen3.8 के लिए टॉप-अप ज़रूरी है।

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

**स्रोत**

-   [BroadNet Inference API रेफ़रंस, इमेज के साथ चैट (अंग्रेज़ी में)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-guides-read-arabic-invoices-with-vision&utm_content=sources#requests)
-   [BroadNet Inference प्राइसिंग (Qwen3.8 27B के अरबी टेस्ट नोट) (अंग्रेज़ी में)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-guides-read-arabic-invoices-with-vision&utm_content=sources)
-   [modalities और कॉन्टेक्स्ट लंबाई के साथ मशीन-रीडेबल मॉडल सूची (pricing.json) (अंग्रेज़ी में)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-guides-read-arabic-invoices-with-vision&utm_content=sources)
