جن عربی انوائسز، رسیدوں اور فارمز پر آپ کو عمل کرنا ہے، ان کے لیے vision LLM استعمال کریں: یہ تصویر پڑھتا ہے اور آپ کے مانگے ہوئے فیلڈز، جیسے وینڈر، VAT نمبر، تاریخ اور کل رقم، JSON میں لوٹاتا ہے۔ لمبے اسکین شدہ صفحات میں پورے متن کی سرچ یا آف لائن کام کے لیے روایتی optical character recognition (OCR) استعمال کریں۔ دونوں صورتوں میں نمبر کوڈ میں جانچیں۔
نیچے دی گئی وجوہات سے عربی دونوں راستوں کو انگریزی سے زیادہ مشکل بناتی ہے۔
عربی OCR مشکل کیوں ہے؟
- جڑا ہوا رسم الخط۔ عربی حروف جڑتے ہیں، اور زیادہ تر کی چار تک شکلیں ہوتی ہیں (الگ، ابتدائی، درمیانی، آخری)۔ OCR انجن کو ایسا لفظ توڑنا پڑتا ہے جس کے کنارے وہ دیکھ نہیں سکتا۔
- نقطے معنی رکھتے ہیں۔ ب ت ث ن ي کی بنیادی شکل ایک ہے اور یہ صرف نقطوں سے مختلف ہیں۔ کم resolution والا اسکین یا ایک شکن ایک حرف کو دوسرے میں بدل سکتی ہے۔
- ایک سطر پر دو سمتیں۔ “المجموع: 1,250.00 SAR” جیسی انوائس سطر دائیں سے بائیں عربی کو بائیں سے دائیں نمبروں اور لاطینی متن کے ساتھ ملاتی ہے۔ OCR آؤٹ پٹ اکثر غلط بصری ترتیب میں آتا ہے، جسے دکھاتے وقت Unicode bidirectional algorithm پھر سے ترتیب بدلتا ہے۔
- ہندسوں کے دو سیٹ۔ خلیجی اور مصری دستاویزات اکثر 0–9 کی جگہ مشرقی عربی ہندسے (٠١٢٣٤٥٦٧٨٩) چھاپتی ہیں، کبھی ایک ہی صفحے پر دونوں۔
- فونٹس اور مہریں۔ آرائشی نسخ اور رقعہ عنوانات، کل رقم پر لگی کمپنی کی مہر اور تھرمل رسید کا مدھم پڑنا، سب پہچان کو نقصان پہنچاتے ہیں۔
OCR یا vision LLM: ہر ایک آپ کو کیا دیتا ہے؟
| روایتی OCR | Vision LLM | |
|---|---|---|
| آؤٹ پٹ | خام متن، اکثر الفاظ کی positions کے ساتھ | جو بھی آپ مانگیں: فیلڈز، JSON، خلاصہ، ترجمہ |
| Layout کی سمجھ | آپ اصول یا templates لکھتے ہیں | ماڈل خود سمجھتا ہے (“کل رقم نیچے دائیں ہے”) |
| انوائس کے نئے layouts | نیا template یا اصول | عموماً بغیر تبدیلی کے کام کرتا ہے |
| ترجمہ | الگ مرحلہ | اسی درخواست میں |
| قابلِ پیش گوئی | ایک ہی ان پٹ کے لیے deterministic | بدل سکتا ہے؛ آؤٹ پٹ validate کریں |
| گھڑنے کا خطرہ | کم (غلط پڑھتا ہے، لیکن گھڑتا نہیں) | حقیقی: قابلِ یقین لیکن غلط قدر بنا سکتا ہے |
| کس کے لیے بہترین | لمبی اسکین شدہ دستاویزات اور آرکائیوز میں پورے متن کی سرچ | انوائسز، رسیدیں، IDs، فارمز جن پر عمل کرنا ہے |
بنیادی نفع نقصان: OCR غلط پڑھتا ہے لیکن گھڑتا نہیں۔ vision LLM سمجھتا ہے، لیکن قابلِ یقین قدر گھڑ سکتا ہے۔ اچھی پائپ لائن سمجھنے کے لیے LLM اور جانچنے کے لیے کوڈ استعمال کرتی ہے۔
Vision LLM سے عربی انوائس کیسے پڑھیں؟
تصویر کو message content کے اندر base64 data URL کے طور پر بھیجیں اور بالکل وہی فیلڈز مانگیں جو آپ کو چاہییں۔ مکمل رہنمائی vision انوائس گائیڈ میں ہے؛ بنیادی حصہ ایسا دکھتا ہے:
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)
تین تفصیلات جو debugging کا وقت بچاتی ہیں:
- بتائیں کہ کون سا ہندسی نظام چاہیے۔ “Convert Eastern Arabic numerals to Western digits” (ترجمہ: مشرقی عربی ہندسوں کو مغربی ہندسوں میں بدلیں) آپ کے ڈیٹابیس میں ١٢٥٠ اور 1250 کے امتزاج سے بچاتا ہے۔
- اندازہ نہیں،
nullمانگیں۔ جب ہر key بھرنا ضروری ہو تو ماڈل کے قدر گھڑنے کا امکان زیادہ ہوتا ہے۔ - نام اصل رسم الخط میں رکھیں۔ “مؤسسة النور للتجارة” کو لاطینی حروف میں transliterate کرنے سے املا کی کئی شکلیں بنتی ہیں۔ عربی محفوظ کریں اور انگریزی چاہیے تو الگ سے ترجمہ کریں۔
اگر ماڈل خالی جواب لوٹاتا ہے تو ریزننگ کرتے ہوئے اس کا max_tokens ختم ہو گیا؛ دیکھیں ریزننگ ٹوکن اور خالی جوابات۔ زیادہ سخت JSON شکل کے لیے JSON schema کے ساتھ structured output دیکھیں؛ مفت JSON schema generator ایک نمونہ انوائس سے schema بناتا ہے۔
غلط پڑھے نمبر کیسے پکڑیں؟
نکالی گئی ہر قدر کو ڈیٹا نہیں، کوڈ میں جانچنے کے قابل دعویٰ سمجھیں۔ سطروں کا مجموعہ subtotal کے برابر ہو، subtotal جمع VAT کل رقم کے برابر ہو، تاریخیں parse ہوں اور مستقبل کی نہ ہوں، اور کرنسی وینڈر کے ملک سے ملے۔ سعودی VAT نمبروں کی لمبائی اور فارمیٹ مقرر ہے، جو ایک سستی اضافی جانچ بناتا ہے۔ غلط پڑھا ہندسہ تقریباً ہمیشہ کوئی مجموعہ توڑ دیتا ہے، اس لیے حسابی جانچیں اہم غلطیوں کی اکثریت پکڑ لیتی ہیں۔ جو کچھ ناکام ہو، وہ تصویر اور نکالے گئے فیلڈز کو ساتھ رکھ کر انسانی جائزے کی queue میں جائے۔
مکمل پائپ لائن، Pydantic schema، حسابی validators، error پیغام کے ساتھ ایک دوبارہ کوشش اور جائزے کی queue کے ساتھ، vision LLM سے انوائس اور رسید کا ڈیٹا JSON میں نکالیں میں ہے۔
عربی دستاویزات کون سا vision ماڈل پڑھے؟
BroadNet Inference پر تین چیٹ ماڈلز تصاویر لیتے ہیں:
| ماڈل | فی دس لاکھ ٹوکن ان پٹ / آؤٹ پٹ | کانٹیکسٹ | نوٹس |
|---|---|---|---|
| Qwen3.8 27B | $0.175 / $2.17 | 262,144 | وہ ماڈل جسے BroadNet نے عربی میں ٹیسٹ کیا |
| DeepSeek V4.1 Flash | $0.175 / $0.52 | 1,048,576 | لامحدود مقررہ قیمت والے پلانز پر بھی |
| BroadNet Gemma 4 VL 26B | $0.10 / $0.22 | 32,768 | BroadNet کے vision ماڈلز میں سب سے سستا؛ مفت کریڈٹ اور $0.50 والی گھنٹے کی کلید پر کام کرتا ہے |
BroadNet رپورٹ کرتا ہے کہ اس کے ٹیسٹس میں Qwen3.8 27B نے رواں عربی لکھی، خلیجی اور مصری لہجے سمجھے اور عربی اور انگریزی کا درست ترجمہ کیا۔ BroadNet کوئی OCR یا document-extraction benchmark شائع نہیں کرتا، اس لیے اپنی دستاویزات پر فیلڈز کی درستگی ناپیں۔ ایک عملی سیٹ اپ ہے: سادہ رسیدوں کے لیے Gemma 4 VL 26B، اور validation میں ناکام ہونے والی ہر چیز کے لیے Qwen3.8 27B سے دوسرا پاس۔ Gemma 4 VL 26B بمقابلہ Qwen3.8 27B موازنہ دونوں کو ساتھ ساتھ رکھتا ہے۔
Vision LLM کی فی صفحہ لاگت کتنی ہے؟
استعمال کے مطابق ادائیگی والی کلیدوں پر تصویر کا بل ماڈل کی ان پٹ قیمت پر ان پٹ ٹوکنز کے طور پر بنتا ہے، اور بڑی تصاویر زیادہ ٹوکن لیتی ہیں۔ فون کی تصاویر کو لمبی طرف سے تقریباً 1,500–2,000 pixels پر چھوٹا کریں: عربی نقطوں کو کافی resolution چاہیے، لیکن 12-megapixel کی تصویر زیادہ تر صرف لاگت بڑھاتی ہے۔ فی صفحہ لاگت جاننے کے لیے چند اصل تصاویر پر usage.prompt_tokens پڑھیں۔ لامحدود DeepSeek V4.1 Flash پلان پر BroadNet کی دستاویزات کہتی ہیں کہ تصاویر پلان کے لامحدود استعمال کا حصہ ہیں۔ فی تصویر اور فی صفحہ ٹوکن کا حساب vision LLM کی فی تصویر لاگت میں نکالا گیا ہے۔
روایتی OCR اب بھی کب جیتتا ہے؟
- لمبی اسکین شدہ کتابیں اور آرکائیوز جہاں سرچ کے لیے ہر لفظ چاہیے، چند فیلڈز نہیں۔
- سخت reproducibility، جہاں ایک ہی ان پٹ سے ہمیشہ ایک ہی متن بننا چاہیے۔
- آف لائن یا on-device پروسیسنگ، بغیر نیٹ ورک کے۔
Tesseract جیسے open-source انجن عربی (ara) کا trained data فہرست کرتے ہیں اور آف لائن چلتے ہیں۔ ہائبرڈ طریقہ بھی اچھا کام کرتا ہے: قابلِ تلاش متن کے لیے صفحے کا OCR کریں، اور جن فیلڈز پر عمل کرنا ہے ان کے لیے تصویر vision LLM کو بھیجیں۔ کون سے cloud OCR APIs عربی، چھپی اور ہاتھ سے لکھی، فہرست کرتے ہیں اور ہر ایک کی فی 1,000 صفحات لاگت کیا ہے، یہ عربی OCR API موازنہ میں ہے۔
پرائیویسی
انوائسز اور IDs میں نام، ٹیکس نمبر اور بینک کی تفصیلات ہوتی ہیں۔ BroadNet Inference درخواست کے بعد تصاویر، پرامپٹس یا جوابات محفوظ نہیں رکھتا؛ دیکھیں zero data retention۔ یہی اصول اپنے اسٹوریج پر لاگو کریں: جو نکالے گئے فیلڈز چاہییں وہ رکھیں اور جن تصاویر کو رکھنا اب ضروری نہیں، انہیں حذف کر دیں۔

