Três modelos de chat da BroadNet Inference aceitam imagens: DeepSeek V4.1 Flash, Qwen3.8 27B e BroadNet Gemma 4 VL 26B. O GLM 5.3 é só texto. Para documentos em árabe, o Qwen3.8 27B é o que a BroadNet testou em árabe: escrita fluente, compreensão dos dialetos do Golfo e egípcio, e tradução precisa entre árabe e inglês. O Gemma 4 VL 26B é o mais barato dos três na BroadNet e funciona com o crédito gratuito.
Faça uma pergunta sobre uma nota
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)
A pergunta diz, em árabe, “Qual é o valor total desta nota?”. Para arquivos PNG, use image/png no data URL: o MIME type precisa corresponder. Para obtê-lo a partir do nome do arquivo:
import mimetypes
mime = mimetypes.guess_type("invoice.png")[0] # "image/png"
url = f"data:{mime};base64," + base64.b64encode(open("invoice.png", "rb").read()).decode()
Receba campos estruturados
Peça JSON e diga exatamente quais chaves você quer:
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}},
]}],
)
O Qwen3.8 27B raciocina antes de responder, então dê espaço a ele. Veja por que modelos de raciocínio devolvem respostas vazias. A documentação da BroadNet lista saída estruturada para o Qwen3.8 27B; veja saída estruturada para entender como JSON schemas funcionam em geral. Faça o parse da resposta com json.loads e confira os campos antes de salvá-los.
Custo
No pagamento por uso, uma imagem é cobrada como tokens de entrada pelo preço de entrada do modelo, então redimensione antes as fotos muito grandes; a calculadora de tokens de imagem mostra quantos tokens custa um determinado tamanho. Num plano ilimitado do DeepSeek V4.1 Flash, as imagens entram no uso ilimitado.
Compare os preços dos modelos de visão, ou veja como um modelo de visão se sai frente ao Google, Azure, Textract e Mistral OCR na comparação de APIs de OCR para árabe.
Solução de problemas
- Resposta vazia do Qwen3.8 27B ou do DeepSeek V4.1 Flash. O raciocínio esgotou
max_tokens. Aumente o valor ou definareasoning_effortcomolow. - 400 ou 422 na imagem. Confira se o data URL começa com
data:image/jpeg;base64,oudata:image/png;base64,e se o MIME type corresponde ao arquivo. - 403 ou erro no modelo. O GLM 5.3 não aceita imagens, e o Qwen3.8 27B e o DeepSeek V4.1 Flash exigem uma recarga. Use o BroadNet Gemma 4 VL 26B com o crédito gratuito.
- Requisição grande demais ou erros de contexto. Uma foto grande usa muitos tokens, e o Gemma 4 VL 26B tem a menor janela de contexto dos três (listada no pricing.json). Redimensione para uma largura razoável ou recorte a área dos totais.
- Totais errados ou dígitos trocados. Dígitos arábico-índicos (٠١٢٣) e dígitos latinos podem aparecer no mesmo recibo. Peça ao modelo que devolva os números em dígitos latinos e confira no seu código os totais contra os itens.
- JSON inválido. Peça “só JSON”, remova eventuais code fences antes do parse e tente de novo uma vez se o parse falhar.

