---
title: "阿拉伯语 OCR 与视觉大模型：发票与文档识别 | BroadRouter"
description: "阿拉伯语发票、收据和表单，什么时候用传统 OCR，什么时候用视觉大模型：准确率陷阱、JSON 输出、每页成本和校验流水线。"
url: https://broadrouter.com/zh/blog/arabic-ocr-vision-llm/
lang: zh-Hans
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。[阅读英文原文](https://broadrouter.com/blog/arabic-ocr-vision-llm/)（2026-11-14 更新）。

# 阿拉伯语 OCR 与视觉大模型：识别阿拉伯语文档和发票

BroadNet Inference 团队 · 阅读约 5 分钟 · 发布于 2026-11-14

传统 OCR 把阿拉伯语页面图像转成原始文本；视觉大模型读取图像，并以 JSON 返回你要求的字段，比如商家、日期和总额。对于发票和收据，视觉大模型通常能省掉解析这一步。在 BroadNet Inference 上，Qwen3.8 27B、DeepSeek V4.1 Flash 和 BroadNet Gemma 4 VL 26B 都接受图片输入。

## 要点

-   阿拉伯语 OCR 难在字母相连、随位置变形且依赖点来区分；阿拉伯语和英语混排的行还会带来双向排序问题。
-   传统 OCR 给你文本和位置。视觉大模型给你含义：命名字段、翻译好的标签、结构化 JSON。
-   始终在代码里校验数字：总额等于各行之和，增值税与税率相符，日期能被解析。
-   在按量付费模式下，图片按输入 token 计费，所以发送前要把大照片缩小。
-   需要对长篇扫描书籍做全文检索时用 OCR；需要据此采取行动的文档，用视觉大模型。

**本页内容**

1.  为什么阿拉伯语 OCR 很难？
2.  OCR 还是视觉大模型：各自能给你什么？
3.  怎样用视觉大模型读取阿拉伯语发票？
4.  怎样发现读错的数字？
5.  该用哪个视觉模型读取阿拉伯语文档？
6.  视觉大模型每页要花多少钱？
7.  什么时候传统 OCR 仍然更好？
8.  隐私

_[image: Parcels on a conveyor labelled "FRAGILE", "ZERBRECHLICH" and "取扱注意", with the text "From printed text to useful data."]_

对于需要据此采取行动的阿拉伯语发票、收据和表单，用[视觉大模型](https://broadrouter.com/zh/glossary/vision-language-model/)：它读取图像，并以 JSON 返回你要求的字段，比如商家、增值税号、日期和总额。对于长篇扫描页面的全文检索或离线处理，用传统的[光学字符识别（OCR）](https://broadrouter.com/zh/glossary/ocr/)。无论哪种方式，都要在代码里核对数字。

由于下面这些原因，阿拉伯语让两种方式都比处理英语时更难。

## 为什么阿拉伯语 OCR 很难？

-   \*\*连写文字。\*\*阿拉伯字母相互连接，大多数字母最多有四种形态（独立、词首、词中、词尾）。OCR 引擎必须切分一个它看不清边界的词。
-   \*\*点承载含义。\*\*ب ت ث ن ي 共用一个基本形状，只靠点来区分。低分辨率扫描或一道折痕，就可能把一个字母变成另一个。
-   \*\*一行两种方向。\*\*像“المجموع: 1,250.00 SAR”这样的发票行，把从右到左的阿拉伯语和从左到右的数字及拉丁文本混在一起。OCR 输出常常以错误的视觉顺序返回，显示时 [Unicode 双向算法](https://www.unicode.org/reports/tr9/)又会再次重排。
-   \*\*两套数字。\*\*海湾和埃及的文档经常印东阿拉伯数字（٠١٢٣٤٥٦٧٨٩）而不是 0–9，有时同一页上两种都有。
-   \*\*字体和印章。\*\*装饰性的 Naskh 和 Ruq’ah 标题、盖在总额上的公司印章，以及热敏收据的褪色，都会影响识别。

## OCR 还是视觉大模型：各自能给你什么？

|  | 传统 OCR | 视觉大模型 |
| --- | --- | --- |
| 输出 | 原始文本，通常带词语位置 | 你要求的任何东西：字段、JSON、摘要、译文 |
| 版面理解 | 需要你写规则或模板 | 由模型推断（“总额在右下角”） |
| 新的发票版式 | 需要新模板或新规则 | 通常无需改动即可使用 |
| 翻译 | 单独的步骤 | 同一个请求 |
| 可预测性 | 相同输入结果确定 | 可能变化；需要校验输出 |
| 幻觉风险 | 低（会读错，但不会编造） | 真实存在：可能给出看似合理但错误的值 |
| 最适合 | 长篇扫描文档、档案的全文检索 | 需要据此行动的发票、收据、证件、表单 |

关键的取舍是：OCR 会读错，但不会编造。视觉大模型能理解，但可能[幻觉](https://broadrouter.com/zh/glossary/hallucination/)出一个看似合理的值。好的流水线用大模型负责理解，用代码负责核对。

## 怎样用视觉大模型读取阿拉伯语发票？

把图片作为 base64 data URL 放在消息内容里发送，并准确要求你想要的字段。[视觉模型读取发票指南](https://broadrouter.com/zh/guides/read-arabic-invoices-with-vision/)有完整的演练；核心代码如下：

```python
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)
```

三个能节省调试时间的细节：

1.  **说明你要哪种数字体系。**“Convert Eastern Arabic numerals to Western digits”（把东阿拉伯数字转换成西方数字）可以避免数据库里混着 ١٢٥٠ 和 1250。
2.  \*\*要求返回 `null`，而不是猜。\*\*当每个键都必须填写时，模型更容易编造值。
3.  \*\*名字保留原文字。\*\*把“مؤسسة النور للتجارة”音译成拉丁字母会招来各种拼写变体。存储阿拉伯语原文，需要英文时再单独翻译。

如果模型返回空回答，说明它在思考时用完了 `max_tokens`；参见[思考 token 与空回答](https://broadrouter.com/zh/guides/reasoning-tokens-empty-response/)。如需更严格的 JSON 结构，请看[用 JSON schema 实现结构化输出](https://broadrouter.com/zh/blog/structured-output-json-schema/)；免费的 [JSON schema 生成器](https://broadrouter.com/tools/json-schema-generator/)可以根据一张样例发票生成 schema。

## 怎样发现读错的数字？

把每个抽取出的值都当作需要在代码里核对的说法，而不是数据。各行金额之和必须等于小计，小计加增值税必须等于总额，日期必须能解析且不能是未来日期，货币应与商家所在国家相符。沙特增值税号有固定的长度和格式，可以作为一项低成本的额外检查。读错一个数字几乎总会让某个求和对不上，所以算术检查能抓住大多数要紧的错误。任何未通过检查的结果都进入人工审核队列，并把图片和抽取出的字段并排显示。

完整的流水线，包括 Pydantic schema、算术校验器、带错误信息的一次重试和审核队列，见[用视觉大模型把发票和收据数据抽取为 JSON](https://broadrouter.com/zh/blog/extract-data-from-documents-with-vision-llm/)。

## 该用哪个视觉模型读取阿拉伯语文档？

BroadNet Inference 上有三个对话模型接受图片输入：

| 模型 | 每百万 token 输入 / 输出 | 上下文 | 说明 |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/zh/models/qwen3.8-27b/) | $0.175 / $2.17 | 262,144 | BroadNet 做过阿拉伯语测试的模型 |
| [DeepSeek V4.1 Flash](https://broadrouter.com/zh/models/deepseek-v4.1-flash/) | $0.175 / $0.52 | 1,048,576 | 也可用不限量的固定价格套餐 |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/zh/models/gemma-4-vl-26b/) | $0.10 / $0.22 | 32,768 | BroadNet 视觉模型中最便宜的；可用免费额度和 $0.50 的按小时密钥调用 |

BroadNet 报告，在其测试中 Qwen3.8 27B 能流畅书写阿拉伯语、理解海湾和埃及方言，并能准确进行阿拉伯语和英语互译。BroadNet 没有公布 OCR 或文档抽取基准，所以请在你自己的文档上测量字段准确率。一个实用的组合是：简单收据用 Gemma 4 VL 26B，未通过校验的再用 Qwen3.8 27B 处理一遍。[Gemma 4 VL 26B 与 Qwen3.8 27B 对比](https://broadrouter.com/compare/gemma-4-vl-26b-vs-qwen3.8-27b/)把两者并排做了比较。

## 视觉大模型每页要花多少钱？

在按量付费密钥上，图片按模型的输入价格以输入 token 计费，图片越大消耗的 token 越多。把手机照片缩小到长边大约 1,500–2,000 像素：阿拉伯字母的点需要足够的分辨率，但 1200 万像素的照片多出来的主要是成本。在几张真实图片上读取 `usage.prompt_tokens`，就能得到你的每页成本。在不限量的 DeepSeek V4.1 Flash 套餐上，BroadNet 的文档说图片属于套餐不限量使用的范围。每张图片和每页的 token 计算，详见[视觉大模型每张图片的费用](https://broadrouter.com/zh/blog/cheapest-vision-llm-api/)。

## 什么时候传统 OCR 仍然更好？

-   **长篇扫描书籍和档案**，你需要每个字用于检索，而不只是几个字段。
-   **严格可复现**，同样的输入必须始终产生同样的文本。
-   **离线或端侧**处理，没有网络。

[Tesseract](https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html) 等开源引擎提供阿拉伯语（`ara`）训练数据，并且可以离线运行。混合方案也很好用：用 OCR 处理页面得到可检索的文本，再把图片发给视觉大模型提取你要据此行动的字段。哪些云端 OCR API 支持阿拉伯语印刷体和手写体，以及每 1,000 页各要多少钱，见[阿拉伯语 OCR API 对比](https://broadrouter.com/zh/blog/arabic-ocr-api-comparison/)。

## 隐私

发票和证件包含姓名、税号和银行信息。BroadNet Inference 在请求结束后不保留图片、提示词或回答；参见[零数据保留](https://broadrouter.com/zh/privacy/)。对你自己的存储也采用同样的规则：只保留需要的抽取字段，删除不再需要保留的图片。

相关免费工具（英文）

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[免费工具（英文）](https://broadrouter.com/tools/)

## 本文涉及的术语

[光学字符识别（OCR）](https://broadrouter.com/zh/glossary/ocr/)

光学字符识别（OCR）是一种技术，能检测图片、扫描件或 PDF 中的印刷或手写文字，并转换成机器可读的字符。传统 OCR 输出文字及其在页面上的位置；视觉语言模型则能直接读取文字并回答相关问题。

[视觉语言模型（VLM，vision-language model）](https://broadrouter.com/zh/glossary/vision-language-model/)

视觉语言模型（VLM）是一种同时接收图像和文本作为输入、输出文本的模型，可以描述图片、回答关于图片的问题，并读取文档、图表或截图。VLM 也被称为图文生文（image-text-to-text）模型或多模态模型。

[Token（词元）](https://broadrouter.com/zh/glossary/token/)

token（词元）是大语言模型读写文本的基本单位：由模型的分词器切分出的一个词、词的一部分、一个标点或一段字节序列。大模型 API 按 token 计数、设定限制，通常也按 token 计费。

[从右到左（RTL）文本](https://broadrouter.com/zh/glossary/rtl-text/)

从右到左（RTL）文本是指阿拉伯语、希伯来语等从右向左显示的文字。计算机按逻辑阅读顺序存储它；当它与从左到右的文字、数字、模型名或代码混排时，由 Unicode 双向算法决定显示顺序。

[AI 幻觉（hallucination）](https://broadrouter.com/zh/glossary/hallucination/)

幻觉是语言模型输出的、听起来合理但实际错误、凭空编造或没有输入依据的内容，例如虚构的引用、错误的数字或不存在的 API。它源于模型预测"可能的文本"，而不是核查事实。

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

JSON Schema 是一套用 JSON 编写的词汇，用于描述和校验 JSON 数据的结构：类型、必填字段、允许的取值和嵌套。当前版本是 2020-12。大模型 API 用它来定义工具参数，以及结构化输出必须遵循的确切结构。

[大模型包月套餐（flat-rate LLM plan）](https://broadrouter.com/zh/glossary/flat-rate-llm-plan/)

大模型包月套餐（固定价格套餐）是按一个周期（如一个月）收取固定费用、提供大模型 API 使用权的计价方式，不按 token 计费。这类套餐通常会限制别的东西，如并发、速度、模型或使用时间窗口，所以限制条件和价格同样重要。

[工具调用（tool calling / function calling）](https://broadrouter.com/zh/glossary/tool-calling/)

工具调用（也叫函数调用，function calling）是大模型 API 的一项功能：模型返回一个结构化请求，要求执行开发者定义的某个函数，并附上 JSON 参数。应用执行该函数并把结果发回；模型自己从不执行代码。

## 常见问题

### 识别阿拉伯语，视觉大模型比 OCR 更准吗？

取决于文档。视觉大模型通常更擅长理解版面，并从发票和收据中提取命名字段。在长篇、干净的印刷页面上，专用 OCR 可能更可预测。用你的一批文档两种都测一下。

### 视觉大模型能识别手写阿拉伯语吗？

字迹清楚时有时可以。遇到连笔或潦草的字迹，准确率会迅速下降。把置信度低的手写字段转给人工审核。

### BroadNet 上读图最便宜的是哪个模型？

BroadNet Gemma 4 VL 26B，每百万输入 token $0.10。它也可以用免费的初始额度，以及固定价格的按小时密钥调用。

### 怎么把东阿拉伯数字转换成西方数字？

让模型返回西方数字，再在代码里强制执行。在 Python 中，text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")) 可以转换漏网的东阿拉伯数字。波斯数字（۰–۹）使用不同的码位，如果你的文档来自伊朗或阿富汗，要把它们也加上。

### 模型能把阿拉伯语标签翻译成英文吗？

能。要求返回英文键名并保留阿拉伯语原值，或者两者都要。名字保留原文字，以避免音译错误。

## 继续阅读

-   [用视觉大模型把发票、收据和表单数据提取为 JSON](https://broadrouter.com/zh/blog/extract-data-from-documents-with-vision-llm/)
-   [最便宜的视觉大模型 API：每张图片和每页文档的成本算法](https://broadrouter.com/zh/blog/cheapest-vision-llm-api/)
-   [如何选择阿拉伯语大模型 API：该测试什么](https://broadrouter.com/zh/blog/choosing-an-llm-for-arabic/)
-   [JSON 模式与 json\_schema：靠得住的结构化输出](https://broadrouter.com/zh/blog/structured-output-json-schema/)
-   [用大模型给阿拉伯语加注音符号：提示词、校验与 DER](https://broadrouter.com/zh/blog/arabic-diacritization-llm/)
-   [用大模型做阿拉伯语语法和拼写纠错：实操指南](https://broadrouter.com/zh/blog/arabic-grammar-spelling-correction-llm/)
-   [指南：用视觉模型识别阿拉伯语发票和收据](https://broadrouter.com/zh/guides/read-arabic-invoices-with-vision/)
-   [指南：推理模型为什么返回空回答](https://broadrouter.com/zh/guides/reasoning-tokens-empty-response/)

用你的真实业务负载试一试。新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

[开始使用](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-arabic-ocr-vision-llm&utm_content=page-cta) ·

**来源**

-   [BroadNet Inference API 参考：带图片的对话、套餐中的图片（2026-11-14 查阅）（英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-arabic-ocr-vision-llm&utm_content=sources)
-   [BroadNet Inference 机器可读价格 pricing.json（2026-11-14 查阅）（英文）](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-arabic-ocr-vision-llm&utm_content=sources)
-   [Tesseract 文档：按语言划分的训练数据文件，包括阿拉伯语（2026-11-14 查阅）](https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html)
-   [Unicode 标准附件 #9：Unicode 双向算法（2026-11-14 查阅）](https://www.unicode.org/reports/tr9/)
