BroadNet Inference で画像を受け付けるチャットモデルは 3 つあります。DeepSeek V4.1 Flash、Qwen3.8 27B、BroadNet Gemma 4 VL 26B です。GLM 5.3 はテキストのみです。アラビア語の文書については、BroadNet がアラビア語でテストしたのは Qwen3.8 27B です。自然な文章を書き、湾岸方言とエジプト方言を理解し、アラビア語と英語の翻訳も正確でした。Gemma 4 VL 26B は BroadNet ではこの 3 つの中で最も安く、無料のクレジットで使えます。
請求書 1 枚について質問する
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)
この質問は、アラビア語で「この請求書の合計金額はいくらですか?」と尋ねています。PNG ファイルの場合は data URL で image/png を使ってください。MIME タイプはファイルと一致している必要があります。ファイル名から設定するには次のようにします。
import mimetypes
mime = mimetypes.guess_type("invoice.png")[0] # "image/png"
url = f"data:{mime};base64," + base64.b64encode(open("invoice.png", "rb").read()).decode()
構造化されたフィールドを受け取る
JSON で返すよう指示し、どのキーが必要かを正確に伝えます。
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 は回答の前に推論(reasoning)を行うので、余裕を持たせてください。推論モデルが空の回答を返す理由を参照してください。BroadNet のドキュメントでは Qwen3.8 27B に構造化出力が記載されています。JSON スキーマの一般的な仕組みは構造化出力を参照してください。返答は json.loads でパースし、保存する前に各フィールドを確認してください。
コスト
従量課金では、画像はモデルの入力単価で入力トークンとして課金されるので、非常に大きな写真は先に縮小してください。画像トークン計算ツールで、あるサイズが何トークンになるかを確認できます。DeepSeek V4.1 Flash の無制限プランでは、画像も無制限の利用に含まれます。
ビジョンモデルの料金を比較するか、アラビア語 OCR API の比較で、ビジョンモデルが Google、Azure、Textract、Mistral OCR と比べてどうかをご覧ください。
トラブルシューティング
- Qwen3.8 27B や DeepSeek V4.1 Flash の回答が空。 推論(reasoning)が
max_tokensを使い切っています。値を上げるか、reasoning_effortをlowにしてください。 - 画像で 400 または 422。 data URL が
data:image/jpeg;base64,かdata:image/png;base64,で始まっているか、MIME タイプがファイルと一致しているかを確認してください。 - モデルで 403 やエラー。 GLM 5.3 は画像を受け付けず、Qwen3.8 27B と DeepSeek V4.1 Flash にはチャージが必要です。無料のクレジットでは BroadNet Gemma 4 VL 26B を使ってください。
- リクエストが大きすぎる、またはコンテキストのエラー。 大きな写真は多くのトークンを使います。また Gemma 4 VL 26B のコンテキストウィンドウは 3 つの中で最も小さい(pricing.json に記載)です。適度な幅に縮小するか、合計金額の部分だけを切り抜いてください。
- 合計が違う、または数字が入れ替わる。 1 枚のレシートに、アラビア・インド数字(٠١٢٣)とラテン数字の両方が出てくることがあります。数値はラテン数字で返すようモデルに指示し、コード側で明細行と合計を照合してください。
- JSON が不正。 「JSON only」(JSON のみ)で返すよう指示し、パースの前にコードフェンスがあれば取り除き、パースに失敗したら 1 回リトライしてください。

