---
title: "وژن LLM سے انوائس کا ڈیٹا JSON میں نکالیں | BroadRouter"
description: "انوائسز، رسیدوں اور فارمز کے لیے پروڈکشن پائپ لائن: تصویر کی تیاری، JSON اسکیما والا پرامپٹ، Pydantic توثیق، جمع کی جانچ، retries اور انسانی جائزے کی قطار۔"
url: https://broadrouter.com/ur/blog/extract-data-from-documents-with-vision-llm/
lang: ur
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/blog/extract-data-from-documents-with-vision-llm/) (اپ ڈیٹ: 2026-11-14).

# وژن LLM سے انوائس، رسید اور فارم کا ڈیٹا JSON میں نکالیں

BroadNet Inference ٹیم · 4 منٹ کی پڑھائی · شائع شدہ 2026-11-14

ہر صفحے کو تصویر میں بدلیں، اسے ایسے پرامپٹ کے ساتھ وژن ماڈل کو بھیجیں جو ہر فیلڈ اور اس کا فارمیٹ بتائے، اور صرف JSON مانگیں۔ پھر کوڈ میں جانچیں: parse کریں، اسکیما جانچیں، دیکھیں کہ لائن آئٹمز جمع ہو کر کل رقم بنتے ہیں، اور ایرر کے ساتھ ایک بار retry کریں۔ بار بار ناکام ہونے والی دستاویزات کسی انسان کو بھیجیں۔

## اہم نکات

-   ماڈل پڑھتا ہے؛ فیصلہ آپ کا کوڈ کرتا ہے۔ اسکیما اور جمع کی جانچ کے بغیر نکالا گیا ڈیٹا کبھی لیجر میں نہ لکھیں۔
-   پرامپٹ میں ہر فیلڈ، اس کی ٹائپ اور فارمیٹ بتائیں، اور یہ بھی کہ فیلڈ نہ ملے تو کیا لوٹانا ہے (null، کبھی اندازہ نہیں)۔
-   جمع کی جانچ زیادہ تر غلط پڑھائی پکڑ لیتی ہے: لائن ٹوٹلز جمع ہو کر subtotal بننے چاہییں، اور subtotal اور ٹیکس مل کر total۔
-   پرامپٹ میں توثیق کے ایرر کے ساتھ ایک بار retry کریں؛ بار بار ناکام ہونے والی دستاویزات انسانی قطار میں بھیجیں۔
-   استعمال کے مطابق ادائیگی پر تصاویر کا بل ان پٹ ٹوکنز کے طور پر بنتا ہے اور بڑی تصاویر زیادہ ٹوکن لیتی ہیں، اس لیے بھیجنے سے پہلے سائز کم کریں۔

**اس صفحے پر**

1.  پائپ لائن کیسی نظر آتی ہے؟
2.  دستاویز کی تصاویر کیسے تیار کریں؟
3.  extraction پرامپٹ کیسے لکھیں؟
4.  structured output کیسے حاصل کریں اور اس کی توثیق کیسے کریں؟
5.  کون سی جانچیں سب سے زیادہ غلطیاں پکڑتی ہیں؟
6.  لائیو جانے سے پہلے درستگی کیسے ناپیں؟
7.  BroadNet Inference پر کون سے وژن ماڈلز فٹ ہوتے ہیں؟
8.  BroadNet Inference کہاں فٹ ہوتا ہے

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

Illustrative example.

انوائسز، رسیدیں اور فارمز، سب کا مسئلہ ایک ہے: ڈیٹا تصویر میں ہے، اور آپ کو وہ ڈیٹا بیس میں چاہیے۔ ٹیمپلیٹ والا OCR ہر نئے وینڈر لے آؤٹ پر ٹوٹ جاتا ہے۔ [vision-language ماڈل](https://broadrouter.com/ur/glossary/vision-language-model/) صفحہ پڑھتا ہے اور سیدھے فیلڈز لوٹاتا ہے۔ مشکل یہ ہے کہ وہ پورے اعتماد کے ساتھ غلط ہو سکتا ہے، اس لیے اصل کام اس کے گرد کی پائپ لائن میں ہے۔ یہ پوسٹ کسی بھی زبان کے لیے عمومی پائپ لائن بتاتی ہے۔ عربی دستاویزات کے لیے سیٹ اپ [وژن سے عربی انوائسز پڑھنا](https://broadrouter.com/ur/guides/read-arabic-invoices-with-vision/) میں ہے، اور کلاسک OCR کب بہتر ٹول ہے، یہ [عربی OCR بمقابلہ وژن LLMs](https://broadrouter.com/ur/blog/arabic-ocr-vision-llm/) میں۔

## پائپ لائن کیسی نظر آتی ہے؟

1.  ہر صفحہ **تیار کریں**: PDFs کو تصاویر میں رینڈر کریں، گھماؤ ٹھیک کریں، سائز کم کریں۔
2.  **نکالیں**: ہر دستاویز کے لیے ایک درخواست، فیلڈ بہ فیلڈ پرامپٹ کے ساتھ، صرف JSON۔
3.  **جانچیں**: parse، اسکیما کی جانچ، جمع کی جانچ۔
4.  توثیق ناکام ہو تو ایرر میسج کے ساتھ ایک بار **retry کریں**۔
5.  **جائزہ**: جو اب بھی ناکام ہو، وہ تصویر اور مسودے کے ساتھ کسی انسان کے پاس جائے۔
6.  لیبل شدہ سیمپل پر فیلڈز کی درستگی **ناپیں**، اور ماڈل یا پرامپٹ بدلنے پر ہر بار دوبارہ چلائیں۔

## دستاویز کی تصاویر کیسے تیار کریں؟

PDFs کو PyMuPDF سے تصاویر میں رینڈر کریں، اور ضرورت سے زیادہ پکسلز بھیجے بغیر سب سے چھوٹا متن واضح رکھیں:

```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
```

BroadNet Inference پر تصاویر پیغام میں درست MIME ٹائپ والے `data:` URLs کی شکل میں جاتی ہیں، اور [استعمال کے مطابق ادائیگی](https://broadrouter.com/ur/glossary/pay-as-you-go/) پر ان کا بل ان پٹ ٹوکنز کے طور پر بنتا ہے؛ بڑی تصاویر زیادہ ٹوکن لیتی ہیں۔ `usage` بلاک سے ایک بار فی صفحہ ٹوکن ناپیں اور اسی سے اپنے بیچ کا سائز طے کریں؛ [بھیجنے سے پہلے ٹوکن گننا](https://broadrouter.com/ur/blog/count-tokens-before-sending/) طریقہ بتاتا ہے، اور [فی تصویر وژن LLM لاگت](https://broadrouter.com/ur/blog/cheapest-vision-llm-api/) ٹوکنز کو فی صفحہ لاگت میں بدلتا ہے۔ کچھ بھی بھیجنے سے پہلے فی صفحہ ٹوکنز کا اندازہ لگانے کے لیے ایک نمونہ اسکین [امیج ٹوکن کیلکولیٹر](https://broadrouter.com/tools/image-token-calculator/) میں ڈالیں۔

## extraction پرامپٹ کیسے لکھیں؟

keys، ٹائپس، فارمیٹس اور غائب قدروں کے بارے میں بالکل درست رہیں۔ اگر آپ کو توثیق کے لیے، یا اسکیما نافذ کرنے والے فراہم کنندگان کے لیے، JSON Schema بھی چاہیے تو مفت [JSON schema generator](https://broadrouter.com/tools/json-schema-generator/) ایک نمونہ انوائس سے اسے بنا دیتا ہے:

```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."""
```

“Never guess” اور واضح لکھا `null` سب سے زیادہ اہم ہیں۔ ان کے بغیر ماڈلز خالی جگہوں کو قابلِ یقین لگنے والی قدروں سے بھر دیتے ہیں، جو خالی چھوڑنے سے بدتر ہے، کیونکہ ایسی قدر سادہ جانچ سے گزر جاتی ہے۔

## structured output کیسے حاصل کریں اور اس کی توثیق کیسے کریں؟

[structured output](https://broadrouter.com/ur/glossary/structured-output/) کے دو درجے ہیں۔ JSON mode درست JSON کی ضمانت دیتا ہے۔ اسکیما کا پابند آؤٹ پٹ اس کی شکل کی بھی ضمانت دیتا ہے۔ OpenAI کی گائیڈ صاف کہتی ہے: دونوں درست JSON بناتے ہیں، مگر اسکیما کی پابندی صرف Structured Outputs یقینی بناتا ہے۔ دونوں کی سپورٹ فراہم کنندہ اور ماڈل کے لحاظ سے بدلتی ہے، اس لیے API کچھ بھی وعدہ کرے، کوڈ میں توثیق کریں:

```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
```

رقم کے لیے `float` نہیں، `Decimal` استعمال کریں۔ `max_tokens` کھلا رکھیں: Qwen3.8 27B جواب دینے سے پہلے ریزننگ کرتا ہے، اور ریزننگ حد میں گنی جاتی ہے؛ چھوٹی حد خالی اسٹرنگ لوٹاتی ہے۔ دیکھیں [ریزننگ ماڈلز خالی جواب کیوں دیتے ہیں](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/)۔

## کون سی جانچیں سب سے زیادہ غلطیاں پکڑتی ہیں؟

| جانچ | کیا پکڑتی ہے | لاگت |
| --- | --- | --- |
| JSON parse ہوتا ہے | JSON کے گرد نثر، کٹا ہوا آؤٹ پٹ | مفت |
| اسکیما کی توثیق ہوتی ہے | غائب keys، غلط ٹائپس | مفت |
| لائنیں جمع ہو کر subtotal بنتی ہیں | غلط پڑھے ہندسے، چھوٹی ہوئی لائنیں | مفت |
| subtotal + ٹیکس = total | غلط پڑھا total یا ٹیکس | مفت |
| تاریخ parse ہوتی ہے اور مستقبل کی نہیں | دن/مہینے کا الٹ پھیر، OCR کا شور | مفت |
| وینڈر کا ٹیکس ID آپ کی سپلائر لسٹ سے ملتا ہے | غلط وینڈر، دھوکا دہی | ایک lookup |
| ہر وینڈر کے لیے دہرایا گیا انوائس نمبر | دوہری ادائیگی | ایک query |

جمع کی جانچ سب سے فائدہ مند ہے: ایک بھی غلط پڑھا ہندسہ تقریباً ہمیشہ جمع بگاڑ دیتا ہے۔ رسیدوں میں اکثر لائن کی سطح کی تفصیل نہیں ہوتی، اس لیے جو موجود ہے اسے جانچیں اور ان کے لیے کم جانچیں قبول کریں۔

## لائیو جانے سے پہلے درستگی کیسے ناپیں؟

50 سے 100 حقیقی دستاویزات ہاتھ سے لیبل کریں، پائپ لائن چلائیں، اور **ہر فیلڈ** کا اسکور نکالیں، ہر دستاویز کا نہیں۔ ٹوٹلز اور تاریخوں کے لیے تفصیل سے سخت معیار رکھیں۔ تین نمبر ٹریک کریں: فیلڈز کی درستگی، retry کے بغیر توثیق پاس کرنے والی دستاویزات کا حصہ، اور جائزے کے لیے بھیجی گئی دستاویزات کا حصہ۔ وہ جائزے کا قدم کیسے ڈیزائن کریں، پاس ہونے والی دستاویزات کے بے ترتیب آڈٹ سمیت، یہ [انسانی جائزے کو اپنے document AI ورک فلو کا حصہ بنانا](https://broadrouter.com/ur/blog/document-review-queues/) میں ہے۔ جب کوئی دوسرا ماڈل آزمائیں تو وہی سیٹ چلائیں؛ طریقہ [بدلنے سے پہلے LLM کی جانچ](https://broadrouter.com/ur/blog/evaluate-llm-before-switching/) میں ہے۔

## BroadNet Inference پر کون سے وژن ماڈلز فٹ ہوتے ہیں؟

| ماڈل | تصاویر | کانٹیکسٹ | نوٹس |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/ur/models/qwen3.8-27b/) | ہاں | 262,144 | ٹولز، structured output اور ریزننگ درج؛ BroadNet نے عربی میں ٹیسٹ کیا |
| [Gemma 4 VL 26B](https://broadrouter.com/ur/models/gemma-4-vl-26b/) | ہاں | 32,768 | BroadNet کی سب سے کم قیمت؛ مفت کریڈٹ اور گھنٹے والی کلید پر چلتا ہے |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ur/models/deepseek-v4.1-flash/) | ہاں | 1,048,576 | لامحدود پلانز میں تصاویر شامل |

فی 1M ٹوکن قیمتیں [قیمتوں کے صفحے](https://broadrouter.com/ur/pricing/) پر ہیں؛ فی صفحہ ناپے گئے ٹوکنز کو ماہانہ مقدار سے [LLM API لاگت کیلکولیٹر](https://broadrouter.com/tools/llm-api-cost-calculator/) میں ضرب دیں۔

## BroadNet Inference کہاں فٹ ہوتا ہے

BroadNet Inference تین چیٹ ماڈلز پر معیاری OpenAI پیغام فارمیٹ کے ذریعے تصاویر لیتا ہے، اور درخواست کے بعد پرامپٹس، تصاویر یا جوابات نہیں رکھتا، جو ناموں، ٹیکس IDs اور بینک تفصیلات سے بھری انوائسز کے لیے اہم ہے ([zero data retention](https://broadrouter.com/ur/privacy/))۔ اس کی دستاویزات Qwen3.8 27B کے لیے structured output درج کرتی ہیں مگر اسکیما پیرامیٹرز دستاویز نہیں کرتیں، اس لیے اپنا اسکیما نافذ کروانے کے لیے API کے بجائے اوپر والی توثیق کی تہہ پر بھروسہ کریں۔ BroadNet کوئی تصویر سائز کی حد یا الگ document-AI پروڈکٹ شائع نہیں کرتا، اور اس کی دستاویزات PDF اپ لوڈ نہیں بلکہ تصویر ان پٹ بیان کرتی ہیں، اس لیے پہلے صفحات کو تصاویر میں رینڈر کریں۔ مقررہ بجٹ پر بڑی مقدار والے رنز کے لیے [لامحدود DeepSeek V4.1 Flash پلان](https://broadrouter.com/ur/guides/unlimited-llm-api-sessions/) میں تصاویر شامل ہیں۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [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.

[مفت ٹولز (انگریزی میں)](https://broadrouter.com/tools/)

## اس مضمون کی اصطلاحات

[اسٹرکچرڈ آؤٹ پٹ (structured output)](https://broadrouter.com/ur/glossary/structured-output/)

اسٹرکچرڈ آؤٹ پٹ LLM API کا ایک فیچر ہے جو ماڈل کے جواب کو ڈویلپر کے طے کردہ فارمیٹ، عموماً JSON Schema، تک محدود کرتا ہے، تاکہ کوڈ اسے قابلِ اعتماد طریقے سے پارس کر سکے۔ یہ JSON mode سے زیادہ سخت ہے، جو درست JSON کی ضمانت دیتا ہے، لیکن کسی خاص ساخت کی نہیں۔

[ٹوکن (token)](https://broadrouter.com/ur/glossary/token/)

ٹوکن متن کی وہ اکائی ہے جسے لینگویج ماڈل پڑھتا اور لکھتا ہے: کوئی لفظ، لفظ کا حصہ، رموزِ اوقاف کی کوئی علامت یا بائٹس کا سلسلہ، جو ماڈل کا ٹوکنائزر بناتا ہے۔ LLM API استعمال کو ٹوکنز میں گنتے ہیں، انہی میں حدیں لگاتے ہیں اور عموماً بل بھی بناتے ہیں۔

[OCR (optical character recognition)](https://broadrouter.com/ur/glossary/ocr/)

OCR (optical character recognition) وہ ٹیکنالوجی ہے جو کسی تصویر، اسکین یا PDF میں چھپے یا ہاتھ سے لکھے متن کو پہچان کر مشین کے پڑھنے کے قابل حروف میں بدلتی ہے۔ روایتی OCR متن اور صفحے پر اس کی جگہ دیتا ہے؛ vision-language ماڈل متن پڑھ کر اس کے بارے میں براہِ راست سوالوں کے جواب دے سکتے ہیں۔

[استعمال کے مطابق ادائیگی (pay-as-you-go)](https://broadrouter.com/ur/glossary/pay-as-you-go/)

استعمال کے مطابق ادائیگی (pay-as-you-go) قیمت طے کرنے کا ایک ماڈل ہے جس میں آپ صرف اتنا دیتے ہیں جتنا استعمال کرتے ہیں، ٹوکن، درخواستوں یا آڈیو منٹ جیسی اکائیوں میں ناپ کر، بغیر سبسکرپشن یا کم از کم وابستگی کے۔ زیادہ تر LLM API اسی طرح بل بناتے ہیں، پری پیڈ بیلنس یا وقتاً فوقتاً بننے والی انوائس سے۔

[ٹول کالنگ (tool calling)](https://broadrouter.com/ur/glossary/tool-calling/)

ٹول کالنگ، جسے function calling بھی کہتے ہیں، LLM API کی وہ سہولت ہے جس میں ماڈل ڈویلپر کے طے کردہ کسی فنکشن کو چلانے کی ایک منظم درخواست، JSON آرگیومنٹس کے ساتھ، لوٹاتا ہے۔ ایپلیکیشن فنکشن چلا کر نتیجہ واپس بھیجتی ہے؛ ماڈل خود کبھی کوڈ نہیں چلاتا۔

[زیرو ڈیٹا ریٹینشن (zero data retention، ZDR)](https://broadrouter.com/ur/glossary/zero-data-retention/)

زیرو ڈیٹا ریٹینشن (ZDR) ڈیٹا سنبھالنے کی ایک پالیسی ہے، جس میں AI فراہم کنندہ پرامپٹس اور آؤٹ پٹ صرف درخواست پوری کرنے کے لیے پروسیس کرتا ہے اور بعد میں وہ مواد لاگز، کیش یا تربیتی ڈیٹا میں محفوظ نہیں کرتا۔ ٹوکن گنتی اور اوقات جیسے بغیر مواد کے ریکارڈ عموماً پھر بھی رکھے جاتے ہیں۔

[JSON Schema (JSON اسکیما)](https://broadrouter.com/ur/glossary/json-schema/)

JSON Schema، JSON میں لکھی ایک لغت ہے جو JSON ڈیٹا کی ساخت بیان کرتی اور جانچتی ہے: ٹائپس، لازمی فیلڈز، قابلِ قبول قدریں اور نیسٹنگ۔ موجودہ ورژن 2020-12 ہے۔ LLM APIs اس سے ٹول پیرامیٹرز طے کرتے ہیں، اور وہ عین شکل بھی جس کی اسٹرکچرڈ آؤٹ پٹ کو پابندی کرنی ہے۔

[JSON موڈ (JSON mode)](https://broadrouter.com/ur/glossary/json-mode/)

JSON موڈ، LLM API کی ایک سیٹنگ ہے، OpenAI طرز کے APIs میں response\_format {"type": "json\_object"}، جو ماڈل کے جواب کو درست اور پارس ہونے کے قابل JSON بناتی ہے۔ JSON Schema والے اسٹرکچرڈ آؤٹ پٹ کے برعکس، یہ ضمانت نہیں دیتی کہ آبجیکٹ میں کون سی keys، ٹائپس یا قدریں ہوں گی۔

## عام سوالات

### کیا انوائسز کے لیے وژن LLM، OCR کی جگہ لے سکتا ہے؟

کئی لے آؤٹس کے لیے، جی ہاں۔ وژن ماڈل تصویر پڑھتا ہے اور ایک ہی قدم میں متن کو فیلڈز سے جوڑ دیتا ہے، ہر وینڈر کے لیے ٹیمپلیٹ کے بغیر۔ پھر بھی وہ کبھی کبھار ہندسے غلط پڑھتا ہے، اس لیے توثیق اور جائزے کی قطار رکھیں۔

### وژن ماڈل سے قابلِ بھروسہ JSON کیسے حاصل کروں؟

پرامپٹ میں درست keys، ٹائپس اور فارمیٹس لکھیں، صرف JSON مانگیں، اور کوڈ میں parse کریں۔ اگر ماڈل اسکیما کا پابند آؤٹ پٹ سپورٹ کرتا ہے تو اسے استعمال کریں۔ دونوں صورتوں میں اسکیما لائبریری سے توثیق کریں اور ایرر کے ساتھ ایک بار retry کریں۔

### کئی صفحات والی PDF انوائس سے ڈیٹا کیسے نکالوں؟

ہر صفحے کو تصویر میں بدلیں، پھر ایک انوائس کے تمام صفحات ایک ہی درخواست میں بھیجیں، اگر وہ ماڈل کے کانٹیکسٹ میں آ جائیں، تاکہ آخری صفحے کے ٹوٹلز پہلے صفحے کی لائنوں سے ملائے جا سکیں۔

### انوائس کی تصاویر کا resolution کتنا ہونا چاہیے؟

اتنا کہ سب سے چھوٹے ہندسے واضح نظر آئیں، اس سے زیادہ نہیں۔ بڑی تصاویر زیادہ ان پٹ ٹوکن لیتی ہیں۔ A4 صفحے کے لیے لمبی طرف تقریباً 1,500 سے 2,000 پکسلز ایک معقول آغاز ہے؛ اپنی دستاویزات پر ٹیسٹ کریں۔

### extraction کی درستگی کیسے ناپوں؟

50 سے 100 حقیقی دستاویزات ہاتھ سے لیبل کریں اور فیلڈ بہ فیلڈ اسکور کریں۔ ٹوٹلز اور تاریخوں کو وینڈر کے نام جیسے آزاد متن والے فیلڈز سے الگ ٹریک کریں، کیونکہ ان کی غلطی کی قیمت مختلف ہوتی ہے۔

## مزید پڑھیں

-   [عربی OCR بمقابلہ vision LLMs: عربی دستاویزات اور انوائسز پڑھنا](https://broadrouter.com/ur/blog/arabic-ocr-vision-llm/)
-   [عربی OCR API کا موازنہ: Google، Azure، Textract، Mistral، LLMs](https://broadrouter.com/ur/blog/arabic-ocr-api-comparison/)
-   [سب سے سستا وژن LLM API: فی تصویر اور فی صفحہ لاگت کا حساب](https://broadrouter.com/ur/blog/cheapest-vision-llm-api/)
-   [JSON mode بمقابلہ json\_schema: قابل اعتماد اسٹرکچرڈ آؤٹ پٹ](https://broadrouter.com/ur/blog/structured-output-json-schema/)
-   [فراہم کنندہ بدلنے سے پہلے LLM کی جانچ کیسے کریں](https://broadrouter.com/ur/blog/evaluate-llm-before-switching/)
-   [LLM درخواست بھیجنے سے پہلے ٹوکن کیسے گنیں](https://broadrouter.com/ur/blog/count-tokens-before-sending/)
-   [دستاویزی AI ورک فلو میں انسانی جائزے کو شامل کریں](https://broadrouter.com/ur/blog/document-review-queues/)
-   [BroadNet کا GPU ہارڈویئر اور سروِنگ کا طریقہ، BroadNet کی زبانی](https://broadrouter.com/ur/blog/broadnet-gpu-fleet-and-serving/)
-   [LLM API جوابات کیش کر کے لاگت کم کریں: Python میں ایگزیکٹ میچ کیش](https://broadrouter.com/ur/blog/cache-llm-responses-cut-cost/)
-   [گائیڈ: وژن ماڈل سے عربی انوائسز اور رسیدیں پڑھیں](https://broadrouter.com/ur/guides/read-arabic-invoices-with-vision/)
-   [گائیڈ: ریزننگ ماڈل خالی جواب کیوں لوٹاتا ہے](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/)
-   [گائیڈ: BroadNet Inference کے ساتھ OpenAI Python SDK استعمال کریں](https://broadrouter.com/ur/guides/openai-python-sdk/)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

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

**ذرائع**

-   [BroadNet Inference API ریفرنس: تصویر کے ساتھ چیٹ، MIME ٹائپس، پلانز پر تصاویر (حاصل کیا گیا 2026-11-14) (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-extract-data-from-documents-with-vision-llm&utm_content=sources#requests)
-   [BroadNet Inference کی مشین ریڈایبل قیمتیں، ماڈلز اور modalities، pricing.json (حاصل کیا گیا 2026-11-14) (انگریزی میں)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-extract-data-from-documents-with-vision-llm&utm_content=sources)
-   [OpenAI Structured Outputs گائیڈ، JSON mode بمقابلہ اسکیما کی پابندی (حاصل کیا گیا 2026-11-14)](https://developers.openai.com/api/docs/guides/structured-outputs)
-   [Pydantic دستاویزات، ماڈلز اور validation (حاصل کیا گیا 2026-11-14)](https://docs.pydantic.dev/latest/concepts/models/)
-   [PyMuPDF دستاویزات، صفحات کو تصاویر میں رینڈر کرنا (حاصل کیا گیا 2026-11-14)](https://pymupdf.readthedocs.io/en/latest/recipes-images.html)
