---
title: "Распознавание счетов в JSON через vision LLM | BroadRouter"
description: "Рабочий конвейер для счетов, чеков и форм: подготовка изображений, промпт со схемой JSON, проверка Pydantic, арифметические проверки, повторы и ручная проверка."
url: https://broadrouter.com/ru/blog/extract-data-from-documents-with-vision-llm/
lang: ru
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/blog/extract-data-from-documents-with-vision-llm/) (обновлён 2026-11-14).

# Распознавание счетов, чеков и форм в JSON с помощью vision LLM

Команда BroadNet Inference · 4 мин чтения · Опубликовано 2026-11-14

Переведите каждую страницу в изображение, отправьте его vision-модели с промптом, где названо каждое поле и его формат, и просите только JSON. Затем проверяйте в коде: разберите ответ, сверьте его со схемой, убедитесь, что позиции в сумме дают итог, и один раз повторите запрос с текстом ошибки. Повторные сбои отправляйте человеку.

## Главное

-   Модель читает, решает ваш код. Никогда не записывайте извлечённые данные в учёт без проверок схемы и арифметики.
-   Назовите в промпте каждое поле, его тип и формат и скажите, что возвращать, если поля нет (null, а не догадку).
-   Арифметические проверки ловят большинство ошибок чтения: суммы строк должны давать подытог, а подытог плюс налог — итог.
-   Повторите запрос один раз с ошибкой валидации в промпте; повторные сбои отправляйте в очередь ручной проверки.
-   При оплате по факту изображения тарифицируются как входные токены, а большие изображения расходуют больше, так что уменьшайте их перед отправкой.

**На этой странице**

1.  Как выглядит конвейер?
2.  Как подготовить изображения документов?
3.  Как написать промпт для извлечения?
4.  Как получить структурированный вывод и проверить его?
5.  Какие проверки ловят больше всего ошибок?
6.  Как измерить точность до запуска?
7.  Какие vision-модели есть в BroadNet Inference?
8.  Где здесь BroadNet Inference

_[image: A paper invoice headed "فاتورة" (invoice) with tabs labelled Vendor, Date and Total, and the text "Turn documents into useful data."]_

Illustrative example.

У счетов, чеков и форм одна и та же проблема: данные находятся на картинке, а нужны в базе данных. OCR на шаблонах ломается на каждом новом макете поставщика. [Визуально-языковая модель](https://broadrouter.com/ru/glossary/vision-language-model/) читает страницу и сразу возвращает поля. Подвох в том, что она может уверенно ошибаться, поэтому основная работа — в конвейере вокруг неё. Эта статья описывает общий конвейер для любого языка. Для арабских документов настройка описана в руководстве [чтение арабских счетов с помощью vision](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/), а о том, когда классический OCR подходит лучше, — в статье [арабский OCR или vision LLM](https://broadrouter.com/ru/blog/arabic-ocr-vision-llm/).

## Как выглядит конвейер?

1.  **Подготовка** каждой страницы: рендеринг PDF в изображения, исправление поворота, уменьшение размера.
2.  **Извлечение**: один запрос на документ с промптом по полям, только JSON.
3.  **Валидация**: разбор, проверка схемы, арифметическая проверка.
4.  **Повтор** один раз с сообщением об ошибке, если валидация не пройдена.
5.  **Проверка**: всё, что по-прежнему не проходит, отправляется человеку вместе с изображением и черновиком.
6.  **Измерение** точности по полям на размеченной выборке — и повторный прогон при каждой смене модели или промпта.

## Как подготовить изображения документов?

Рендерьте PDF в изображения через PyMuPDF так, чтобы самый мелкий текст оставался чётким, но без лишних пикселей:

```python
# pip install pymupdf pillow
import base64, io
import pymupdf  # older code imports it as fitz
from PIL import Image

def pdf_pages_as_data_urls(path, long_edge=1800):
    urls = []
    for page in pymupdf.open(path):
        pix = page.get_pixmap(dpi=200)
        img = Image.open(io.BytesIO(pix.tobytes("png"))).convert("RGB")
        img.thumbnail((long_edge, long_edge))
        buf = io.BytesIO()
        img.save(buf, format="JPEG", quality=90)
        urls.append("data:image/jpeg;base64," + base64.b64encode(buf.getvalue()).decode())
    return urls
```

В BroadNet Inference изображения передаются в сообщении как `data:`\-URL с точным MIME-типом, а при [оплате по факту](https://broadrouter.com/ru/glossary/pay-as-you-go/) тарифицируются как входные токены; большие изображения расходуют больше. Один раз измерьте число токенов на страницу по блоку `usage` и от него планируйте размер пакетов; как это сделать, показано в статье [подсчёт токенов до отправки](https://broadrouter.com/ru/blog/count-tokens-before-sending/), а статья [стоимость vision LLM за изображение](https://broadrouter.com/ru/blog/cheapest-vision-llm-api/) переводит токены в цену за страницу. Чтобы оценить число токенов на страницу ещё до отправки, загрузите пример скана в [калькулятор токенов изображения](https://broadrouter.com/tools/image-token-calculator/).

## Как написать промпт для извлечения?

Будьте точны в ключах, типах, форматах и отсутствующих значениях. Если вам нужна ещё и JSON Schema для валидации или для провайдеров, которые её соблюдают принудительно, бесплатный [генератор JSON-схем](https://broadrouter.com/tools/json-schema-generator/) построит её по образцу счёта:

```python
PROMPT = """Extract this invoice. Reply with one JSON object only, no prose.
Keys:
- vendor_name: string, as printed
- vendor_tax_id: string or null
- invoice_number: string
- invoice_date: string, YYYY-MM-DD
- currency: ISO 4217 code, e.g. USD, EUR, SAR
- line_items: list of {description: string, quantity: number, unit_price: number, line_total: number}
- subtotal: number
- tax: number or null
- total: number
Rules: numbers without currency symbols or thousands separators. If a field is not on the page, use null. Never guess."""
```

Важнее всего «Never guess» вместе с явным `null`. Без этого модели заполняют пробелы правдоподобными значениями, а это хуже пустого поля, потому что такое значение проходит наивную проверку.

## Как получить структурированный вывод и проверить его?

У [структурированного вывода](https://broadrouter.com/ru/glossary/structured-output/) два уровня. Режим JSON гарантирует валидный JSON. Вывод, ограниченный схемой, гарантирует ещё и структуру. Руководство OpenAI говорит об этом прямо: оба режима дают валидный JSON, но соблюдение схемы обеспечивают только Structured Outputs. Поддержка того и другого зависит от провайдера и модели, поэтому проверяйте в коде, что бы ни обещал API:

```python
import json, os
from decimal import Decimal
from pydantic import BaseModel, ValidationError, model_validator
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

class Line(BaseModel):
    description: str
    quantity: Decimal
    unit_price: Decimal
    line_total: Decimal

class Invoice(BaseModel):
    vendor_name: str
    vendor_tax_id: str | None = None
    invoice_number: str
    invoice_date: str
    currency: str
    line_items: list[Line]
    subtotal: Decimal
    tax: Decimal | None = None
    total: Decimal

    @model_validator(mode="after")
    def sums(self):
        tol = Decimal("0.02")
        if abs(sum(l.line_total for l in self.line_items) - self.subtotal) > tol:
            raise ValueError("line_totals do not sum to subtotal")
        if abs(self.subtotal + (self.tax or 0) - self.total) > tol:
            raise ValueError("subtotal + tax != total")
        return self

def extract(image_urls, model="broadnet/qwen3.8-27b"):
    content = [{"type": "text", "text": PROMPT}] + [
        {"type": "image_url", "image_url": {"url": u}} for u in image_urls]
    messages = [{"role": "user", "content": content}]
    for attempt in range(2):
        r = client.chat.completions.create(model=model, messages=messages, max_tokens=4000, temperature=0)
        raw = (r.choices[0].message.content or "").strip().removeprefix("```json").removesuffix("```")
        try:
            return Invoice.model_validate(json.loads(raw)), r.usage
        except (json.JSONDecodeError, ValidationError, ValueError) as e:
            messages += [{"role": "assistant", "content": raw},
                         {"role": "user", "content": f"That failed validation: {e}. Re-read the image and reply with corrected JSON only."}]
    return None, r.usage  # send to human review
```

Для денег используйте `Decimal`, а не `float`. Держите `max_tokens` с запасом: Qwen3.8 27B рассуждает перед ответом, и рассуждения засчитываются в лимит; при маленьком лимите возвращается пустая строка. См. [почему модели с рассуждениями возвращают пустые ответы](https://broadrouter.com/ru/guides/reasoning-tokens-empty-response/).

## Какие проверки ловят больше всего ошибок?

| Проверка | Что ловит | Цена |
| --- | --- | --- |
| JSON разбирается | Текст вокруг JSON, обрезка | Бесплатно |
| Схема проходит валидацию | Пропущенные ключи, неверные типы | Бесплатно |
| Строки в сумме дают подытог | Неверно прочитанные цифры, пропущенные строки | Бесплатно |
| Подытог + налог = итог | Неверно прочитанный итог или налог | Бесплатно |
| Дата разбирается и не в будущем | Перепутанные день и месяц, шум OCR | Бесплатно |
| Налоговый номер поставщика есть в вашем списке поставщиков | Не тот поставщик, мошенничество | Один поиск |
| Дубликат номера счёта у поставщика | Двойная оплата | Один запрос |

Лучше всего окупаются арифметические проверки: одна неверно прочитанная цифра почти всегда ломает сумму. В чеках часто нет детализации по строкам, так что проверяйте то, что есть, и миритесь с меньшим числом проверок.

## Как измерить точность до запуска?

Разметьте вручную 50–100 реальных документов, прогоните конвейер и оценивайте **по полям**, а не по документам. К итогам и датам требования строже, чем к описаниям. Отслеживайте три числа: точность по полям, долю документов, прошедших валидацию без повтора, и долю отправленных на проверку. Как устроить этот этап проверки, включая случайный аудит прошедших документов, описано в статье [ручная проверка как часть процесса document AI](https://broadrouter.com/ru/blog/document-review-queues/). Пробуя другую модель, прогоняйте тот же набор; метод описан в статье [оценка LLM перед сменой провайдера](https://broadrouter.com/ru/blog/evaluate-llm-before-switching/).

## Какие vision-модели есть в BroadNet Inference?

| Модель | Изображения | Контекст | Примечания |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/ru/models/qwen3.8-27b/) | Да | 262 144 | Указаны инструменты, структурированный вывод и рассуждения; протестирована BroadNet на арабском |
| [Gemma 4 VL 26B](https://broadrouter.com/ru/models/gemma-4-vl-26b/) | Да | 32 768 | Самая низкая цена у BroadNet; работает на бесплатном гранте и почасовом ключе |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ru/models/deepseek-v4.1-flash/) | Да | 1 048 576 | Изображения включены в безлимитные тарифы |

Цены за 1 млн токенов — на [странице цен](https://broadrouter.com/ru/pricing/); умножьте измеренное число токенов на страницу на месячный объём в [калькуляторе стоимости LLM API](https://broadrouter.com/tools/llm-api-cost-calculator/).

## Где здесь BroadNet Inference

BroadNet Inference принимает изображения на трёх чат-моделях через стандартный формат сообщений OpenAI и не хранит промпты, изображения и ответы после запроса, что важно для счетов, полных имён, налоговых номеров и банковских реквизитов ([нулевое хранение данных](https://broadrouter.com/ru/privacy/)). Её документация указывает структурированный вывод для Qwen3.8 27B, но не описывает параметры схемы, так что полагайтесь на описанный выше слой валидации, а не на то, что API соблюдёт вашу схему. BroadNet не публикует лимит размера изображения и не предлагает отдельного продукта для document AI, а в документации описан ввод изображений, а не загрузка PDF, так что сначала переводите страницы в изображения. Для больших объёмов при фиксированном бюджете подойдёт [безлимитный тариф DeepSeek V4.1 Flash](https://broadrouter.com/ru/guides/unlimited-llm-api-sessions/) — изображения в него включены.

Бесплатные инструменты по теме (на английском)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Бесплатные инструменты (на английском)](https://broadrouter.com/tools/)

## Термины в этой статье

[Вызов инструментов (tool calling)](https://broadrouter.com/ru/glossary/tool-calling/)

Вызов инструментов (function calling) — это функция LLM API, при которой модель возвращает структурированный запрос на выполнение функции, заданной разработчиком, с аргументами в JSON. Приложение выполняет функцию и отправляет результат обратно; сама модель код никогда не выполняет.

[Структурированный вывод (structured output)](https://broadrouter.com/ru/glossary/structured-output/)

Структурированный вывод — это функция LLM API, которая ограничивает ответ модели форматом, заданным разработчиком, обычно JSON Schema, чтобы код мог надёжно его разобрать. Он строже, чем JSON mode, который гарантирует корректный JSON, но не конкретную структуру.

[Оплата по факту (pay-as-you-go)](https://broadrouter.com/ru/glossary/pay-as-you-go/)

Оплата по факту (pay-as-you-go) — это модель ценообразования, при которой вы платите только за то, что использовали, по счётчику в единицах вроде токенов, запросов или минут аудио, без подписки и минимальных обязательств. Так тарифицирует большинство LLM API — с предоплаченного баланса или по периодическому счёту.

[Токен (token)](https://broadrouter.com/ru/glossary/token/)

Токен — это единица текста, которую языковая модель читает и пишет: слово, часть слова, знак препинания или последовательность байтов, которую выдаёт токенизатор модели. LLM API считают, ограничивают и обычно тарифицируют использование в токенах.

[Визуально-языковая модель (VLM)](https://broadrouter.com/ru/glossary/vision-language-model/)

Визуально-языковая модель (vision-language model, VLM) — это модель, которая принимает на вход изображения вместе с текстом и выдаёт текст, поэтому может описывать картинки, отвечать на вопросы о них и читать документы, графики и скриншоты. VLM также называют моделями image-text-to-text или мультимодальными моделями.

[Входные и выходные токены (input and output tokens)](https://broadrouter.com/ru/glossary/input-and-output-tokens/)

Входные токены — это токены, которые языковая модель читает в запросе: системный промпт, история диалога, описания инструментов и изображения. Выходные токены — это токены, которые она генерирует в ответ, включая рассуждения. LLM API обычно тарифицируют их по отдельности, и выход, как правило, дороже.

[Контекстное окно (context window)](https://broadrouter.com/ru/glossary/context-window/)

Контекстное окно — это максимальное число токенов, с которым языковая модель может работать в одном запросе. В него входят промпт, история диалога, описания инструментов, изображения и сгенерированный ответ, включая токены рассуждений. Всё, что не помещается, приходится обрезать, сжимать в краткое изложение или делить на несколько запросов.

[Нулевое хранение данных (ZDR)](https://broadrouter.com/ru/glossary/zero-data-retention/)

Нулевое хранение данных (ZDR) — это политика обработки данных, при которой AI-провайдер обрабатывает промпты и ответы только для выполнения запроса и после этого не сохраняет их содержимое ни в логах, ни в кэшах, ни в обучающих данных. Записи без содержимого, например число токенов и время выполнения, обычно всё же хранятся.

## Вопросы и ответы

### Может ли vision LLM заменить OCR для счетов?

Для многих макетов — да. Vision-модель читает изображение и сопоставляет текст с полями за один шаг, без шаблонов под каждого поставщика. Но цифры она всё ещё иногда читает неверно, так что оставьте валидацию и очередь проверки.

### Как получать от vision-модели надёжный JSON?

Перечислите в промпте точные ключи, типы и форматы, попросите только JSON и разбирайте его в коде. Если модель поддерживает вывод, ограниченный схемой, используйте его. В любом случае проверяйте ответ библиотекой схем и один раз повторяйте запрос с текстом ошибки.

### Как извлечь данные из многостраничного счёта в PDF?

Переведите каждую страницу в изображение и отправьте все страницы одного счёта одним запросом, если они помещаются в контекст модели, — тогда итоги на последней странице можно сопоставить со строками на первой.

### Какое разрешение нужно для изображений счетов?

Достаточное, чтобы самые мелкие цифры были чёткими, и не больше. Большие изображения расходуют больше входных токенов. Для страницы A4 разумная отправная точка — около 1500–2000 пикселей по длинной стороне; проверьте на своих документах.

### Как измерить точность извлечения?

Разметьте вручную 50–100 реальных документов и оценивайте поле за полем. Итоги и даты отслеживайте отдельно от свободных текстовых полей вроде названия поставщика, потому что цена их ошибок разная.

## Читайте также

-   [OCR арабского или vision-LLM: как читать арабские документы и счета](https://broadrouter.com/ru/blog/arabic-ocr-vision-llm/)
-   [Сравнение API для OCR арабского: Google, Azure, Textract, Mistral, LLM](https://broadrouter.com/ru/blog/arabic-ocr-api-comparison/)
-   [Самый дешёвый vision LLM API: цена за изображение и за страницу](https://broadrouter.com/ru/blog/cheapest-vision-llm-api/)
-   [JSON mode или json\_schema: надёжный структурированный вывод LLM](https://broadrouter.com/ru/blog/structured-output-json-schema/)
-   [Как оценить LLM перед сменой провайдера](https://broadrouter.com/ru/blog/evaluate-llm-before-switching/)
-   [Как посчитать токены до отправки запроса к LLM](https://broadrouter.com/ru/blog/count-tokens-before-sending/)
-   [Ручная проверка в распознавании документов с помощью ИИ](https://broadrouter.com/ru/blog/document-review-queues/)
-   [GPU-парк и подход к инференсу BroadNet — по описанию самой BroadNet](https://broadrouter.com/ru/blog/broadnet-gpu-fleet-and-serving/)
-   [Кэширование ответов LLM API: кэш точных совпадений на Python](https://broadrouter.com/ru/blog/cache-llm-responses-cut-cost/)
-   [Руководство: Как читать арабские счета и чеки vision-моделью](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/)
-   [Руководство: Почему рассуждающая модель возвращает пустой ответ](https://broadrouter.com/ru/guides/reasoning-tokens-empty-response/)
-   [Руководство: OpenAI Python SDK и BroadNet Inference](https://broadrouter.com/ru/guides/openai-python-sdk/)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

[Начать](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-extract-data-from-documents-with-vision-llm&utm_content=page-cta) ·

**Источники**

-   [Справочник BroadNet Inference API: чат с изображением, MIME-типы, изображения на тарифах (дата обращения 2026-11-14) (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-extract-data-from-documents-with-vision-llm&utm_content=sources#requests)
-   [Машиночитаемые цены BroadNet Inference, модели и модальности, pricing.json (дата обращения 2026-11-14) (на английском)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-extract-data-from-documents-with-vision-llm&utm_content=sources)
-   [Руководство OpenAI по Structured Outputs: режим JSON и соблюдение схемы (дата обращения 2026-11-14)](https://developers.openai.com/api/docs/guides/structured-outputs)
-   [Документация Pydantic, модели и валидация (дата обращения 2026-11-14)](https://docs.pydantic.dev/latest/concepts/models/)
-   [Документация PyMuPDF, рендеринг страниц в изображения (дата обращения 2026-11-14)](https://pymupdf.readthedocs.io/en/latest/recipes-images.html)
