BroadNet Inference پر تین چیٹ ماڈلز امیجز لیتے ہیں: DeepSeek V4.1 Flash، Qwen3.8 27B اور BroadNet Gemma 4 VL 26B۔ GLM 5.3 صرف ٹیکسٹ لیتا ہے۔ عربی دستاویزات کے لیے Qwen3.8 27B وہ ماڈل ہے جسے BroadNet نے عربی میں ٹیسٹ کیا ہے: رواں تحریر، خلیجی اور مصری لہجوں کی سمجھ، اور درست عربی–انگریزی ترجمہ۔ Gemma 4 VL 26B، BroadNet پر ان تینوں میں سب سے سستا ہے اور مفت کریڈٹ پر چلتا ہے۔
ایک انوائس کے بارے میں سوال پوچھیں
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)
سوال عربی میں پوچھتا ہے: “اس انوائس میں کل رقم کتنی ہے؟” PNG فائلوں کے لیے data URL میں image/png استعمال کریں: MIME type ملنا چاہیے۔ فائل کے نام سے اسے سیٹ کرنے کے لیے:
import mimetypes
mime = mimetypes.guess_type("invoice.png")[0] # "image/png"
url = f"data:{mime};base64," + base64.b64encode(open("invoice.png", "rb").read()).decode()
اسٹرکچرڈ فیلڈز واپس حاصل کریں
JSON مانگیں اور واضح بتائیں کہ کون سی keys چاہییں:
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 جواب دینے سے پہلے ریزننگ کرتا ہے، اس لیے اسے گنجائش دیں۔ ریزننگ ماڈلز خالی جوابات کیوں دیتے ہیں، یہاں پڑھیں۔ BroadNet کی دستاویزات Qwen3.8 27B کے لیے اسٹرکچرڈ آؤٹ پٹ درج کرتی ہیں؛ JSON schemas عموماً کیسے کام کرتے ہیں، اس کے لیے اسٹرکچرڈ آؤٹ پٹ دیکھیں۔ جواب کو json.loads سے پارس کریں اور محفوظ کرنے سے پہلے فیلڈز جانچ لیں۔
لاگت
استعمال کے مطابق ادائیگی پر امیج کا بل ماڈل کی ان پٹ قیمت پر ان پٹ ٹوکنز کے طور پر بنتا ہے، اس لیے بہت بڑی تصاویر پہلے چھوٹی کر لیں؛ امیج ٹوکن کیلکولیٹر بتاتا ہے کہ کسی سائز پر کتنے ٹوکن لگتے ہیں۔ DeepSeek V4.1 Flash کے لامحدود پلان پر امیجز بھی لامحدود استعمال کا حصہ ہیں۔
وژن ماڈلز کی قیمتوں کا موازنہ کریں، یا عربی OCR API کے موازنے میں دیکھیں کہ وژن ماڈل، Google، Azure، Textract اور Mistral OCR کے مقابلے میں کیسا ہے۔
مسائل کا حل
- Qwen3.8 27B یا DeepSeek V4.1 Flash سے خالی جواب۔ ریزننگ نے
max_tokensختم کر دیے۔ اسے بڑھائیں یاreasoning_effortکوlowپر سیٹ کریں۔ - امیج پر 400 یا 422۔ جانچیں کہ data URL،
data:image/jpeg;base64,یاdata:image/png;base64,سے شروع ہوتا ہے اور MIME type فائل سے ملتا ہے۔ - ماڈل پر 403 یا ایرر۔ GLM 5.3 امیجز نہیں لیتا، اور Qwen3.8 27B اور DeepSeek V4.1 Flash کے لیے ٹاپ اپ چاہیے۔ مفت کریڈٹ پر BroadNet Gemma 4 VL 26B استعمال کریں۔
- درخواست بہت بڑی یا کانٹیکسٹ ایررز۔ بڑی تصویر بہت ٹوکن لیتی ہے، اور تینوں میں Gemma 4 VL 26B کی کانٹیکسٹ ونڈو سب سے چھوٹی ہے (pricing.json میں درج)۔ امیج کو مناسب چوڑائی تک چھوٹا کریں یا صرف ٹوٹل والا حصہ کراپ کریں۔
- غلط ٹوٹل یا ہندسے آپس میں بدلے ہوئے۔ ایک ہی رسید پر عربی-ہندی ہندسے (٠١٢٣) اور لاطینی ہندسے دونوں ہو سکتے ہیں۔ ماڈل سے کہیں کہ اعداد لاطینی ہندسوں میں لوٹائے، اور اپنے کوڈ میں ٹوٹل کو لائن آئٹمز سے ملا کر جانچیں۔
- غلط JSON۔ “JSON only” مانگیں، پارس کرنے سے پہلے کوئی بھی code fence ہٹا دیں، اور پارسنگ ناکام ہو تو ایک بار دوبارہ کوشش کریں۔

