---
title: "用视觉大模型 API 提取阿拉伯语发票数据 | BroadRouter"
description: "把发票或收据照片发给 BroadNet Inference 上的视觉模型，用阿拉伯语或英语提问，以 JSON 形式拿回总金额、日期和商家。"
url: https://broadrouter.com/zh/guides/read-arabic-invoices-with-vision/
lang: zh-Hans
updated: 2026-11-16
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/guides/read-arabic-invoices-with-vision/)（2026-11-16 更新）。

# 用视觉模型识别阿拉伯语发票和收据

更新于 2026-11-16

把图片编码成 base64 data URL 放进消息内容，发给 broadnet/qwen3.8-27b 或 broadnet/gemma-4-26b-a4b 这样的视觉模型，并要求它以 JSON 返回你需要的字段。MIME 类型要写对。按量付费时，图片按输入 token 计费；图片越大，用的 token 越多。

BroadNet Inference 上有三个对话模型可以接收图片：DeepSeek V4.1 Flash、Qwen3.8 27B 和 BroadNet Gemma 4 VL 26B。GLM 5.3 只支持文本。对于阿拉伯语文档，Qwen3.8 27B 是 BroadNet 做过阿拉伯语测试的那个：写作流畅，能听懂海湾和埃及方言，阿拉伯语与英语互译准确。Gemma 4 VL 26B 是三者中在 BroadNet 上最便宜的，可以用免费额度运行。

## 针对一张发票提问

```python
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)
```

这个问题用阿拉伯语问的是“这张发票的总金额是多少？”。PNG 文件请在 data URL 中使用 `image/png`：MIME 类型必须与文件一致。要根据文件名自动设置：

```python
import mimetypes
mime = mimetypes.guess_type("invoice.png")[0]   # "image/png"
url = f"data:{mime};base64," + base64.b64encode(open("invoice.png", "rb").read()).decode()
```

## 拿回结构化字段

要求返回 JSON，并明确说出你想要哪些键：

```python
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 会先思考再回答，所以要给它留出空间。见[为什么推理模型会返回空回答](https://broadrouter.com/zh/guides/reasoning-tokens-empty-response/)。BroadNet 的文档为 Qwen3.8 27B 列出了结构化输出；JSON schema 的一般用法见[结构化输出](https://broadrouter.com/zh/glossary/structured-output/)。用 `json.loads` 解析回复，并在存储之前检查各字段。

## 费用

按量付费时，图片按模型的输入价格以输入 token 计费，所以很大的照片请先缩小；[图片 token 计算器](https://broadrouter.com/tools/image-token-calculator/)可以算出某个尺寸要花多少 token。在[不限量 DeepSeek V4.1 Flash 套餐](https://broadrouter.com/zh/guides/unlimited-llm-api-sessions/)上，图片也包含在不限量使用之内。

[对比各视觉模型的价格](https://broadrouter.com/zh/pricing/)，或者在[阿拉伯语 OCR API 对比](https://broadrouter.com/zh/blog/arabic-ocr-api-comparison/)中看看视觉模型与 Google、Azure、Textract 和 Mistral OCR 相比如何。

## 故障排查

-   **Qwen3.8 27B 或 DeepSeek V4.1 Flash 返回空回答。** 思考用完了 `max_tokens`。调高它，或者把 `reasoning_effort` 设为 `low`。
-   **图片报 400 或 422。** 检查 data URL 是否以 `data:image/jpeg;base64,` 或 `data:image/png;base64,` 开头，以及 MIME 类型是否与文件一致。
-   **模型报 403 或其他错误。** GLM 5.3 不接收图片，Qwen3.8 27B 和 DeepSeek V4.1 Flash 需要充值。可以用免费额度运行 BroadNet Gemma 4 VL 26B。
-   **请求过大或上下文错误。** 大照片会用掉很多 token，而 Gemma 4 VL 26B 的上下文窗口是三者中最小的（见 pricing.json）。把图片缩到合适的宽度，或者只裁剪出总金额区域。
-   **总金额错误或数字颠倒。** 同一张收据上可能同时出现阿拉伯-印度数字（٠١٢٣）和拉丁数字。要求模型用拉丁数字返回数值，并在代码里用明细行核对总金额。
-   **JSON 无效。** 要求“只返回 JSON”，解析前去掉可能存在的代码围栏，解析失败时重试一次。

_[image: An Arabic and English invoice beside a phone showing the JSON {"total":125.00,"currency":"AED"}, with the text "From documents to structured data."]_

Illustrative example; the figures are not real output.

## 本指南涉及的术语

[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。

[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。

[结构化输出（structured output）](https://broadrouter.com/zh/glossary/structured-output/)

结构化输出是大模型 API 的一项功能，它把模型的回复约束为开发者指定的格式（通常是 JSON Schema），让代码能可靠地解析。它比 JSON mode 更严格：JSON mode 只保证输出是合法 JSON，不保证特定结构。

[图像 token（image tokens）](https://broadrouter.com/zh/glossary/image-tokens/)

图像 token 是视觉语言模型用来在提示词中表示一张图片的输入 token。服务商根据图片尺寸计算其数量，通常是先缩放、再切成固定大小的图块，并像文本输入 token 一样计费，所以图片越大越贵。

[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。

[输入 token 与输出 token](https://broadrouter.com/zh/glossary/input-and-output-tokens/)

输入 token 是语言模型在一次请求中读取的 token，包括系统提示词、对话历史、工具定义和图片。输出 token 是模型生成回复的 token，包括思考内容。大模型 API 通常分别计价，输出一般更贵。

[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。

## 常见问题

### BroadNet 上哪些模型能识别图片？

DeepSeek V4.1 Flash、Qwen3.8 27B 和 BroadNet Gemma 4 VL 26B 可以通过对话补全接收图片。GLM 5.3 只支持文本，转写模型接收的是音频。

### 怎么把本地图片文件发给视觉大模型 API？

读取文件，做 base64 编码，然后以 data URL 的形式放进 image\_url 内容块，例如 data:image/jpeg;base64, 后面接编码后的字节。URL 里的 MIME 类型必须与文件一致。

### 用免费额度能提取发票数据吗？

可以，用 BroadNet Gemma 4 VL 26B，它可以用免费的初始额度运行。Qwen3.8 27B 和 DeepSeek V4.1 Flash 需要充值后才能使用。

### 可以直接发送 PDF 发票吗？

BroadNet 的文档描述的是以 data URL 发送的图片，而不是 PDF 文件。请先把 PDF 的每一页渲染成 JPEG 或 PNG，例如用 pdftoppm，再把这些页面作为图片发送。

## 相关指南

-   [阿拉伯语语音转文字 API 分步教程](https://broadrouter.com/zh/guides/arabic-speech-to-text-api/)
-   [用 OpenAI Python SDK 调用 BroadNet Inference](https://broadrouter.com/zh/guides/openai-python-sdk/)
-   [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-guides-read-arabic-invoices-with-vision&utm_content=page-cta) ·

**来源**

-   [BroadNet Inference API 参考文档：带图片的对话（英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-guides-read-arabic-invoices-with-vision&utm_content=sources#requests)
-   [BroadNet Inference 价格（Qwen3.8 27B 阿拉伯语测试说明）（英文）](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-guides-read-arabic-invoices-with-vision&utm_content=sources)
-   [机器可读的模型列表，含模态和上下文长度（pricing.json）（英文）](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-guides-read-arabic-invoices-with-vision&utm_content=sources)
