Для арабских счетов, чеков и форм, по которым нужно действовать, используйте vision-LLM: она читает изображение и возвращает нужные вам поля, например поставщика, номер плательщика НДС, дату и итог, в JSON. Классическое оптическое распознавание символов (OCR) используйте для полнотекстового поиска по длинным отсканированным страницам или для работы офлайн. В любом случае проверяйте числа в коде.
Арабский делает оба пути сложнее, чем для английского, по причинам ниже.
Почему OCR арабского — это сложно?
- Связное письмо. Арабские буквы соединяются, и у большинства до четырёх форм (изолированная, начальная, срединная, конечная). Движку OCR приходится сегментировать слово, границ которого он не видит.
- Точки несут смысл. У ب ت ث ن ي одна основа, различаются они только точками. Скан низкого разрешения или сгиб может превратить одну букву в другую.
- Два направления в одной строке. Строка счёта вроде “المجموع: 1,250.00 SAR” смешивает арабский справа налево с числами и латиницей слева направо. Вывод OCR часто возвращается в неверном визуальном порядке, который двунаправленный алгоритм Unicode при отображении переставляет ещё раз.
- Два набора цифр. Документы из Залива и Египта часто печатают восточноарабские цифры (٠١٢٣٤٥٦٧٨٩) вместо 0–9, иногда оба варианта на одной странице.
- Шрифты и печати. Декоративные заголовки насхом и рукаа, печати компаний поверх итоговой суммы и выцветание термочеков — всё это мешает распознаванию.
OCR или vision-LLM: что даёт каждый?
| Классический OCR | Vision-LLM | |
|---|---|---|
| Вывод | Сырой текст, часто с позициями слов | Всё, что попросите: поля, JSON, краткое содержание, перевод |
| Понимание вёрстки | Вы пишете правила или шаблоны | Модель сама её выводит («итог — внизу справа») |
| Новые макеты счетов | Новый шаблон или правило | Обычно работает без изменений |
| Перевод | Отдельный шаг | Тот же запрос |
| Предсказуемость | Детерминирован для одного и того же входа | Может различаться; проверяйте вывод |
| Риск галлюцинаций | Низкий (ошибается в чтении, но не выдумывает) | Реальный: может выдать правдоподобное, но неверное значение |
| Лучше всего для | Полнотекстового поиска по длинным отсканированным документам, архивов | Счетов, чеков, удостоверений, форм, по которым нужно действовать |
Главный компромисс: OCR ошибается в чтении, но не выдумывает. Vision-LLM понимает, но может галлюцинировать правдоподобное значение. Хороший пайплайн использует LLM для понимания, а код — для проверки.
Как прочитать арабский счёт с помощью vision-LLM?
Отправьте изображение как base64 data URL внутри содержимого сообщения и попросите ровно те поля, которые нужны. Полный разбор — в руководстве по чтению счетов с vision-моделью; суть выглядит так:
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)
Три детали, которые экономят время на отладке:
- Укажите, какая система цифр нужна. «Convert Eastern Arabic numerals to Western digits» избавляет от смеси ١٢٥٠ и 1250 в базе данных.
- Просите
null, а не догадку. Модели чаще выдумывают значение, когда каждый ключ обязан быть заполнен. - Имена оставляйте в исходной графике. Транслитерация “مؤسسة النور للتجارة” латиницей порождает варианты написания. Храните арабский вариант и переводите отдельно, если нужен английский.
Если модель вернула пустой ответ, у неё закончились max_tokens во время рассуждений; см. руководство о токенах рассуждений и пустых ответах. Для более строгой формы JSON см. статью о структурированном выводе с JSON Schema; бесплатный генератор JSON-схем построит схему по образцу счёта.
Как ловить неверно прочитанные числа?
Считайте каждое извлечённое значение утверждением, которое нужно проверить в коде, а не данными. Строки должны давать в сумме подытог, подытог плюс НДС должен равняться итогу, даты должны разбираться и не быть в будущем, а валюта должна соответствовать стране поставщика. У саудовских номеров плательщика НДС фиксированные длина и формат, что даёт ещё одну дешёвую проверку. Неверно прочитанная цифра почти всегда ломает сумму, поэтому арифметические проверки ловят большую часть важных ошибок. Всё, что не прошло, уходит в очередь ручной проверки с изображением рядом с извлечёнными полями.
Полный пайплайн со схемой Pydantic, арифметическими валидаторами, одним повтором с текстом ошибки и очередью проверки — в статье об извлечении данных счетов и чеков в JSON с помощью vision-LLM.
Какая vision-модель должна читать арабские документы?
Изображения принимают три чат-модели BroadNet Inference:
| Модель | Вход / выход за 1 млн токенов | Контекст | Примечания |
|---|---|---|---|
| Qwen3.8 27B | $0.175 / $2.17 | 262 144 | Модель, которую BroadNet тестировала на арабском |
| DeepSeek V4.1 Flash | $0.175 / $0.52 | 1 048 576 | Также на безлимитных тарифах с фиксированной ценой |
| BroadNet Gemma 4 VL 26B | $0.10 / $0.22 | 32 768 | Самая дешёвая из vision-моделей BroadNet; работает на бесплатном кредите и с почасовым ключом за $0.50 |
BroadNet сообщает, что в её тестах Qwen3.8 27B писала беглый арабский текст, понимала диалекты Залива и египетский и точно переводила между арабским и английским. Бенчмарка OCR или извлечения данных из документов BroadNet не публикует, поэтому измеряйте точность полей на своих документах. Практичная схема — Gemma 4 VL 26B для простых чеков и второй проход Qwen3.8 27B для всего, что не прошло проверку. Сравнение Gemma 4 VL 26B и Qwen3.8 27B показывает обе модели рядом.
Сколько стоит страница при чтении vision-LLM?
На ключах с оплатой по мере использования изображение тарифицируется как входные токены по цене входа модели, и чем больше изображение, тем больше токенов. Уменьшайте фотографии с телефона примерно до 1 500–2 000 пикселей по длинной стороне: арабским точкам нужно достаточное разрешение, но фото на 12 мегапикселей в основном добавляет стоимость. Посмотрите usage.prompt_tokens на нескольких реальных изображениях, чтобы узнать цену за страницу. На безлимитном тарифе DeepSeek V4.1 Flash, как сказано в документации BroadNet, изображения входят в безлимитное использование тарифа. Расчёт токенов на изображение и на страницу разобран в статье о стоимости vision-LLM за изображение.
Когда классический OCR всё ещё выигрывает?
- Длинные отсканированные книги и архивы, где для поиска нужно каждое слово, а не несколько полей.
- Строгая воспроизводимость, когда один и тот же вход всегда должен давать один и тот же текст.
- Обработка офлайн или на устройстве без сети.
Движки с открытым кодом вроде Tesseract предлагают обученные данные для арабского (ara) и работают офлайн. Хорошо работает и гибрид: OCR страницы для текста, по которому можно искать, и отправка изображения в vision-LLM за полями, по которым нужно действовать. Какие облачные API OCR поддерживают арабский, печатный и рукописный, и сколько каждый стоит за 1 000 страниц — в сравнении API OCR для арабского.
Конфиденциальность
Счета и удостоверения содержат имена, налоговые номера и банковские реквизиты. BroadNet Inference не хранит изображения, промпты и ответы после запроса; см. нулевое хранение данных. Применяйте то же правило к своему хранилищу: держите только нужные извлечённые поля и удаляйте изображения, которые больше не обязаны хранить.

