BroadRouter

OCR bahasa Arab vs LLM vision: membaca dokumen dan invois Arab

Oleh pasukan BroadNet Inference · 5 minit bacaan · Diterbitkan

OCR klasik menukar imej halaman bahasa Arab kepada teks mentah; LLM vision membaca imej dan memulangkan medan yang anda minta, seperti vendor, tarikh dan jumlah, sebagai JSON. Untuk invois dan resit, LLM vision biasanya menjimatkan langkah penghuraian. Di BroadNet Inference, Qwen3.8 27B, DeepSeek V4.1 Flash dan BroadNet Gemma 4 VL 26B menerima imej.

Parcels on a conveyor labelled "FRAGILE", "ZERBRECHLICH" and "取扱注意", with the text "From printed text to useful data."

Untuk invois, resit dan borang bahasa Arab yang perlu anda ambil tindakan, gunakan LLM vision: ia membaca imej dan memulangkan medan yang anda minta, seperti vendor, nombor VAT, tarikh dan jumlah, sebagai JSON. Gunakan pengecaman aksara optik (OCR) klasik untuk carian teks penuh bagi halaman imbasan yang panjang atau kerja luar talian. Walau apa pun, semak nombor dalam kod.

Bahasa Arab menjadikan kedua-dua laluan lebih sukar berbanding bahasa Inggeris, atas sebab-sebab di bawah.

Mengapakah OCR bahasa Arab sukar?

  • Skrip bersambung. Huruf Arab bersambung, dan kebanyakannya mempunyai sehingga empat bentuk (tunggal, awal, tengah, akhir). Enjin OCR mesti membahagikan perkataan yang tepinya tidak dapat dilihat.
  • Titik membawa makna. ب ت ث ن ي berkongsi satu bentuk asas dan hanya berbeza dari segi titik. Imbasan beresolusi rendah atau lipatan boleh menukar satu huruf menjadi huruf lain.
  • Dua arah dalam satu baris. Baris invois seperti “المجموع: 1,250.00 SAR” mencampurkan bahasa Arab kanan-ke-kiri dengan nombor dan teks Rumi kiri-ke-kanan. Output OCR sering kembali dalam susunan visual yang salah, yang kemudian disusun semula oleh algoritma dwiarah Unicode semasa dipaparkan.
  • Dua set digit. Dokumen Teluk dan Mesir sering mencetak angka Arab Timur (٠١٢٣٤٥٦٧٨٩) dan bukan 0–9, kadangkala kedua-duanya pada halaman yang sama.
  • Fon dan cop. Tajuk Naskh dan Ruq’ah yang dekoratif, cop syarikat di atas jumlah dan resit termal yang pudar semuanya menjejaskan pengecaman.

OCR atau LLM vision: apakah yang diberikan oleh setiap satu?

OCR klasik LLM vision
Output Teks mentah, selalunya dengan kedudukan perkataan Apa sahaja yang anda minta: medan, JSON, ringkasan, terjemahan
Pemahaman susun atur Anda menulis peraturan atau templat Model menyimpulkannya (“jumlah berada di kanan bawah”)
Susun atur invois baharu Templat atau peraturan baharu Biasanya berfungsi tanpa perubahan
Terjemahan Langkah berasingan Permintaan yang sama
Kebolehramalan Deterministik untuk input yang sama Boleh berbeza; sahkan output
Risiko halusinasi Rendah (tersalah baca, tetapi tidak mereka-reka) Nyata: boleh menghasilkan nilai yang munasabah tetapi salah
Terbaik untuk Carian teks penuh dokumen imbasan panjang, arkib Invois, resit, kad pengenalan, borang yang perlu diambil tindakan

Pertukaran utama: OCR tersalah baca tetapi tidak mereka-reka. LLM vision memahami, tetapi boleh berhalusinasi menghasilkan nilai yang munasabah. Saluran yang baik menggunakan LLM untuk pemahaman dan kod untuk semakan.

Bagaimanakah membaca invois bahasa Arab dengan LLM vision?

Hantar imej sebagai URL data base64 di dalam kandungan mesej dan minta tepat medan yang anda mahukan. Panduan invois vision mempunyai langkah penuh; terasnya seperti ini:

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)

Tiga butiran yang menjimatkan masa nyahpepijat:

  1. Nyatakan sistem angka yang anda mahukan. “Convert Eastern Arabic numerals to Western digits” mengelakkan campuran ١٢٥٠ dan 1250 dalam pangkalan data anda.
  2. Minta null, bukan tekaan. Model lebih cenderung mereka-reka nilai apabila setiap kunci mesti diisi.
  3. Kekalkan nama dalam skrip asal. Mentransliterasi “مؤسسة النور للتجارة” ke huruf Rumi mengundang varian ejaan. Simpan versi Arab dan terjemah secara berasingan jika anda perlukan bahasa Inggeris.

Jika model memulangkan jawapan kosong, ia kehabisan max_tokens semasa membuat penaakulan; lihat token penaakulan dan respons kosong. Untuk bentuk JSON yang lebih ketat, lihat output berstruktur dengan skema JSON; penjana skema JSON percuma membina skema daripada sampel invois.

Bagaimanakah mengesan nombor yang tersalah baca?

Anggap setiap nilai yang diekstrak sebagai dakwaan untuk disemak dalam kod, bukan sebagai data. Item baris mesti berjumlah sama dengan subjumlah, subjumlah tambah VAT mesti sama dengan jumlah, tarikh mesti boleh dihurai dan bukan pada masa hadapan, dan mata wang patut sepadan dengan negara vendor. Nombor VAT Saudi mempunyai panjang dan format tetap, yang menjadikannya semakan tambahan yang murah. Digit yang tersalah baca hampir selalu merosakkan sesuatu jumlah, jadi semakan aritmetik mengesan kebanyakan ralat yang penting. Apa-apa yang gagal dihantar ke baris gilir semakan manusia dengan imej di sebelah medan yang diekstrak.

Saluran penuh, dengan skema Pydantic, pengesah aritmetik, satu cubaan semula dengan mesej ralat dan baris gilir semakan, ada dalam ekstrak data invois dan resit ke JSON dengan LLM vision.

Model vision manakah yang patut membaca dokumen bahasa Arab?

Tiga model chat di BroadNet Inference menerima imej:

Model Input / output setiap 1M token Konteks Nota
Qwen3.8 27B $0.175 / $2.17 262,144 Model yang diuji BroadNet dalam bahasa Arab
DeepSeek V4.1 Flash $0.175 / $0.52 1,048,576 Juga dalam pelan harga tetap tanpa had
BroadNet Gemma 4 VL 26B $0.10 / $0.22 32,768 Paling murah antara model vision BroadNet; berfungsi dengan kredit percuma dan kunci sejam $0.50

BroadNet melaporkan Qwen3.8 27B menulis bahasa Arab yang lancar, memahami dialek Teluk dan Mesir serta menterjemah bahasa Arab dan Inggeris dengan tepat dalam ujiannya. BroadNet tidak menerbitkan penanda aras OCR atau pengekstrakan dokumen, jadi ukur ketepatan medan pada dokumen anda sendiri. Susunan yang praktikal ialah Gemma 4 VL 26B untuk resit ringkas dan laluan kedua dengan Qwen3.8 27B untuk apa-apa yang gagal pengesahan. Perbandingan Gemma 4 VL 26B vs Qwen3.8 27B meletakkan kedua-duanya bersebelahan.

Berapakah kos LLM vision setiap halaman?

Pada kunci bayar ikut guna, imej dibilkan sebagai token input pada harga input model, dan imej yang lebih besar menggunakan lebih banyak token. Kecilkan foto telefon kepada kira-kira 1,500–2,000 piksel pada sisi panjang: titik huruf Arab memerlukan resolusi yang mencukupi, tetapi foto 12 megapiksel kebanyakannya hanya menambah kos. Baca usage.prompt_tokens pada beberapa imej sebenar untuk mendapatkan kos setiap halaman anda. Pada pelan DeepSeek V4.1 Flash tanpa had, dokumentasi BroadNet menyatakan imej adalah sebahagian daripada penggunaan tanpa had pelan itu. Kiraan token setiap imej dan setiap halaman dihuraikan dalam kos LLM vision setiap imej.

Bilakah OCR klasik masih menang?

  • Buku dan arkib imbasan yang panjang di mana anda perlukan setiap perkataan untuk carian, bukan beberapa medan.
  • Kebolehulangan yang ketat, di mana input yang sama mesti sentiasa menghasilkan teks yang sama.
  • Pemprosesan luar talian atau pada peranti tanpa rangkaian.

Enjin sumber terbuka seperti Tesseract menyenaraikan data terlatih bahasa Arab (ara) dan berjalan di luar talian. Pendekatan hibrid juga berfungsi dengan baik: OCR halaman untuk teks yang boleh dicari, dan hantar imej kepada LLM vision untuk medan yang perlu diambil tindakan. API OCR awan mana yang menyenaraikan bahasa Arab, bercetak dan tulisan tangan, serta kos setiap satu bagi setiap 1,000 halaman ada dalam perbandingan API OCR bahasa Arab.

Privasi

Invois dan kad pengenalan mengandungi nama, nombor cukai dan butiran bank. BroadNet Inference tidak menyimpan imej, prompt atau jawapan selepas permintaan; lihat tanpa penyimpanan data. Gunakan peraturan yang sama pada storan anda sendiri: simpan medan yang diekstrak yang anda perlukan dan padam imej yang tidak perlu disimpan lagi.

Soalan lazim

Adakah LLM vision lebih tepat daripada OCR untuk bahasa Arab?

Bergantung pada dokumen. LLM vision biasanya lebih baik memahami susun atur dan mengeluarkan medan bernama daripada invois dan resit. OCR khusus boleh lebih mudah diramal pada halaman bercetak yang panjang dan bersih. Uji kedua-duanya pada sampel dokumen anda.

Bolehkah LLM vision membaca tulisan tangan bahasa Arab?

Kadangkala, jika tulisan tangannya jelas. Ketepatan menurun dengan cepat pada tulisan bersambung atau tergesa-gesa. Hantar medan tulisan tangan berkeyakinan rendah kepada penyemak manusia.

Model BroadNet manakah paling murah untuk membaca imej?

BroadNet Gemma 4 VL 26B, pada $0.10 setiap 1M token input. Ia juga berfungsi dengan kredit permulaan percuma dan dengan kunci sejam berharga tetap.

Bagaimanakah menukar angka Arab Timur kepada digit Barat?

Minta model memulangkan digit Barat, kemudian kuatkuasakannya dalam kod. Dalam Python, text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")) menukar mana-mana digit Arab Timur yang terlepas. Digit Parsi (۰–۹) menggunakan titik kod berbeza, jadi tambahkannya jika dokumen anda datang dari Iran atau Afghanistan.

Bolehkah model menterjemah label Arab ke bahasa Inggeris?

Boleh. Minta kunci dalam bahasa Inggeris dan kekalkan nilai Arab asal, atau minta kedua-duanya. Kekalkan nama dalam skrip asal untuk mengelakkan ralat transliterasi.

Baca sebagai MarkdownTanya ChatGPTTanya ClaudeTanya Perplexity