Изображения принимают три чат-модели BroadNet Inference: DeepSeek V4.1 Flash, Qwen3.8 27B и BroadNet Gemma 4 VL 26B. GLM 5.3 работает только с текстом. Для арабских документов подходит Qwen3.8 27B — именно её BroadNet тестировала на арабском: беглое письмо, понимание диалектов Залива и египетского, точный перевод между арабским и английским. Gemma 4 VL 26B — самая дешёвая из трёх в BroadNet и работает на бесплатном гранте.
Вопрос по одному счёту
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)
Вопрос в коде на арабском: «Какова итоговая сумма в этом счёте?». Для PNG-файлов указывайте в data URL image/png: MIME-тип должен совпадать. Чтобы определить его по имени файла:
import mimetypes
mime = mimetypes.guess_type("invoice.png")[0] # "image/png"
url = f"data:{mime};base64," + base64.b64encode(open("invoice.png", "rb").read()).decode()
Структурированные поля в ответе
Попросите JSON и точно перечислите нужные ключи. Промпт ниже просит вернуть только JSON с ключами vendor, date, currency, total и vat и оставить имя поставщика по-арабски, если оно так написано; комментарий напоминает, что Qwen3.8 27B сначала рассуждает:
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}},
]}],
)
Qwen3.8 27B рассуждает перед ответом, поэтому дайте ей запас. См. почему модели с рассуждениями возвращают пустые ответы. Документация BroadNet заявляет для Qwen3.8 27B структурированный вывод; как в целом работают JSON-схемы, см. структурированный вывод в глоссарии. Разберите ответ через json.loads и проверьте поля, прежде чем сохранять их.
Стоимость
При оплате по факту изображение тарифицируется как входные токены по цене входа модели, поэтому очень большие фотографии сначала уменьшайте; калькулятор токенов для изображений показывает, сколько токенов стоит изображение заданного размера. На безлимитном тарифе DeepSeek V4.1 Flash изображения входят в безлимитное использование.
Сравните цены vision-моделей или посмотрите, как vision-модель выглядит на фоне Google, Azure, Textract и Mistral OCR, в сравнении API для OCR арабского текста.
Решение проблем
- Пустой ответ от Qwen3.8 27B или DeepSeek V4.1 Flash. Рассуждения израсходовали
max_tokens. Увеличьте лимит или задайтеreasoning_effortравнымlow. - 400 или 422 на изображении. Проверьте, что data URL начинается с
data:image/jpeg;base64,илиdata:image/png;base64,и что MIME-тип соответствует файлу. - 403 или ошибка модели. GLM 5.3 не принимает изображения, а для Qwen3.8 27B и DeepSeek V4.1 Flash нужно пополнить баланс. На бесплатном гранте используйте BroadNet Gemma 4 VL 26B.
- Слишком большой запрос или ошибки контекста. Большое фото расходует много токенов, а у Gemma 4 VL 26B самое маленькое контекстное окно из трёх (указано в pricing.json). Уменьшите изображение до разумной ширины или обрежьте до области с итогами.
- Неверные итоги или переставленные цифры. На одном чеке могут встречаться и арабско-индийские цифры (٠١٢٣), и латинские. Попросите модель возвращать числа латинскими цифрами и сверяйте итоги со строками в своём коде.
- Невалидный JSON. Просите «JSON only» (только JSON), перед разбором удаляйте ограждения блоков кода и повторите запрос один раз, если разбор не удался.

