OCR — это шаг, который превращает фото чека в текст, который программа может искать, хранить или проверять.
Как это работает
Классический OCR-движок находит на странице области с текстом, делит их на строки и распознаёт символы в каждой строке. Tesseract, самый известный движок с открытым кодом, в версии 4 получил нейросеть LSTM, которая распознаёт строки целиком, и из коробки умеет “recognize more than 100 languages” (перевод: «распознавать более 100 языков»). Результат выдаётся как обычный текст, hOCR (HTML), PDF, PDF с невидимым текстовым слоем, TSV, ALTO или PAGE, так что вы получаете и положение слов.
Классический OCR останавливается на символах. Чтобы понять, какое число — итоговая сумма, а какая строка — название поставщика, нужны правила или вторая модель.
Визуально-языковые модели идут другим путём. Страница задачи image-text-to-text на Hugging Face описывает ответы на вопросы по документам как “an OCR-free approach” (перевод: «подход без OCR»): изображение документа сразу отправляется визуально-языковой модели, которая читает его и отвечает. Можно сразу просить поля и получать их как структурированный вывод.
| Классический OCR (например, Tesseract) | Визуальная LLM | |
|---|---|---|
| Результат | символы и их положение | ответы, краткие изложения или поля JSON |
| Понимание вёрстки | ограниченное, нужны правила | читает таблицы и подписи в контексте |
| Где работает | локально, без платы за вызов | обычно через API с оплатой за токены |
| Риск | неверно прочитанные символы | неверно прочитанные символы и выдуманные значения |
Почему это важно
- Стоимость. Изображение, отправленное в API LLM, тарифицируется как входные токены. Локальный OCR не берёт плату за вызов, но требует серверов и обслуживания.
- Проверка точности. Визуальная модель может вернуть правдоподобную сумму, которой нет на странице. Просите её цитировать исходный текст и проверяйте суммы в коде.
- Арабский. Письмо справа налево, слитные формы букв и смесь арабских и латинских цифр — всё это добавляет сложности. Тестируйте любой движок или модель на своих сканах.
В BroadNet Inference
BroadNet не документирует отдельного эндпоинта для OCR. Документация показывает, как прочитать счёт: изображение отправляется как data: URL чат-модели, у которой в строке модели указаны изображения или vision, например DeepSeek V4.1 Flash, BroadNet Gemma 4 VL 26B или Qwen3.8 27B. На ключе с оплатой по факту изображение считается входными токенами по цене входа модели ($0.10 за 1 млн у Gemma), и изображения побольше занимают больше токенов. Пошаговый разбор — в руководстве по арабским счетам, а когда классический OCR всё ещё лучше, читайте в статье об арабском OCR с визуальными LLM.