للفواتير والإيصالات والنماذج العربية التي ستتخذ إجراءً بناءً عليها، استخدم نموذج لغة بصريًا: فهو يقرأ الصورة ويعيد الحقول التي تطلبها، كالمورّد والرقم الضريبي والتاريخ والمجموع، بصيغة JSON. واستخدم التعرف الضوئي على النص (OCR) التقليدي للبحث النصي الكامل في الصفحات الممسوحة الطويلة أو للعمل دون اتصال. وفي الحالتين، تحقّق من الأرقام في الشيفرة.
والعربية تجعل الطريقين أصعب مما هما عليه مع الإنجليزية، للأسباب التالية.
لماذا يصعب OCR العربي؟
- خط متصل. الحروف العربية تتصل، ولمعظمها حتى أربعة أشكال (منفصل، وأول الكلمة، ووسطها، وآخرها). ويجب على محرك OCR أن يقطّع كلمة لا يرى حدود حروفها.
- النقاط تحمل المعنى. ب ت ث ن ي تشترك في شكل أساسي واحد ولا تختلف إلا بالنقاط. ومسح منخفض الدقة أو ثنية في الورق قد يحوّل حرفًا إلى آخر.
- اتجاهان في سطر واحد. سطر فاتورة مثل «المجموع: 1,250.00 SAR» يخلط العربية من اليمين إلى اليسار بأرقام ونص لاتيني من اليسار إلى اليمين. وكثيرًا ما تعود مخرجات OCR بترتيب بصري خاطئ، ثم تعيد خوارزمية Unicode ثنائية الاتجاه ترتيبها مرة أخرى عند العرض.
- مجموعتا أرقام. كثيرًا ما تطبع مستندات الخليج ومصر الأرقام العربية المشرقية (٠١٢٣٤٥٦٧٨٩) بدلًا من 0–9، وأحيانًا الاثنتين في الصفحة نفسها.
- الخطوط والأختام. عناوين النسخ والرقعة المزخرفة، وأختام الشركات فوق المجموع، وبهتان الإيصالات الحرارية، كلها تضر بالتعرف.
OCR أم نموذج لغة بصري: ماذا يعطيك كلٌّ منهما؟
| OCR التقليدي | نموذج اللغة البصري | |
|---|---|---|
| المخرجات | نص خام، غالبًا مع مواضع الكلمات | ما تطلبه: حقول، أو JSON، أو ملخص، أو ترجمة |
| فهم التخطيط | تكتب أنت القواعد أو القوالب | يستنتجه النموذج («المجموع في أسفل اليمين») |
| تخطيطات فواتير جديدة | قالب أو قاعدة جديدة | يعمل عادةً دون تغييرات |
| الترجمة | خطوة منفصلة | في الطلب نفسه |
| قابلية التوقع | حتمي للمدخل نفسه | قد يتفاوت؛ تحقّق من المخرجات |
| خطر الهلوسة | منخفض (يخطئ القراءة لكنه لا يختلق) | حقيقي: قد يُنتج قيمة معقولة لكنها خاطئة |
| الأنسب لـ | البحث النصي الكامل في المستندات الممسوحة الطويلة، والأرشيف | الفواتير والإيصالات والهويات والنماذج التي ستتخذ إجراءً بناءً عليها |
جوهر المفاضلة: OCR يخطئ القراءة لكنه لا يختلق. أما نموذج اللغة البصري فيفهم، لكنه قد يهلوس قيمة معقولة. وخط المعالجة الجيد يستخدم النموذج للفهم والشيفرة للتحقق.
كيف تقرأ فاتورة عربية بنموذج لغة بصري؟
أرسل الصورة بصيغة base64 data URL داخل محتوى الرسالة، واطلب الحقول التي تريدها بالضبط. يشرح دليل قراءة الفواتير بالرؤية الخطوات كاملة؛ وهذا جوهرها:
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)
ثلاث تفاصيل توفّر عليك وقت التصحيح:
- حدّد نظام الأرقام الذي تريده. عبارة “Convert Eastern Arabic numerals to Western digits” (الترجمة: «حوّل الأرقام العربية المشرقية إلى أرقام غربية») تمنع خليطًا من ١٢٥٠ و1250 في قاعدة بياناتك.
- اطلب
nullلا التخمين. تميل النماذج أكثر إلى اختلاق قيمة حين يجب ملء كل مفتاح. - أبقِ الأسماء بخطها الأصلي. نقل «مؤسسة النور للتجارة» إلى حروف لاتينية يفتح الباب لتهجئات متعددة. خزّن الاسم العربي وترجمه على حدة إن احتجت إلى الإنجليزية.
إن أعاد النموذج إجابة فارغة، فقد استنفد max_tokens أثناء الاستدلال المنطقي؛ راجع رموز الاستدلال المنطقي والاستجابات الفارغة. ولبنية JSON أكثر صرامة، راجع المخرجات المنظَّمة باستخدام JSON Schema؛ وتبني أداة توليد JSON Schema المجانية مخططًا من فاتورة نموذجية.
كيف تكتشف الأرقام المقروءة خطأً؟
تعامل مع كل قيمة مستخرجة على أنها ادعاء تتحقق منه في الشيفرة، لا على أنها بيانات. يجب أن تساوي البنود المجموع الفرعي، وأن يساوي المجموع الفرعي مع ضريبة القيمة المضافة المجموع الكلي، وأن تكون التواريخ قابلة للتحليل وليست في المستقبل، وأن تطابق العملة بلد المورّد. وأرقام ضريبة القيمة المضافة السعودية لها طول وصيغة ثابتان، ما يتيح فحصًا إضافيًا رخيصًا. والرقم المقروء خطأً يكسر مجموعًا في أغلب الأحوال، لذا تلتقط الفحوص الحسابية معظم الأخطاء المهمة. وكل ما يفشل يذهب إلى طابور مراجعة بشرية، مع الصورة بجانب الحقول المستخرجة.
خط المعالجة الكامل، بمخطط Pydantic ومدقّقات حسابية وإعادة محاولة واحدة مع رسالة الخطأ وطابور مراجعة، موجود في استخراج بيانات الفواتير والإيصالات إلى JSON بنموذج لغة بصري.
أي نموذج بصري يقرأ المستندات العربية؟
ثلاثة نماذج محادثة على BroadNet Inference تقبل الصور:
| النموذج | الإدخال / الإخراج لكل مليون رمز | السياق | ملاحظات |
|---|---|---|---|
| Qwen3.8 27B | $0.175 / $2.17 | 262,144 | النموذج الذي اختبرته BroadNet بالعربية |
| DeepSeek V4.1 Flash | $0.175 / $0.52 | 1,048,576 | متاح أيضًا في الخطط الثابتة غير المحدودة |
| BroadNet Gemma 4 VL 26B | $0.10 / $0.22 | 32,768 | الأرخص بين نماذج الرؤية لدى BroadNet؛ يعمل على الرصيد المجاني وعلى المفتاح بالساعة بسعر $0.50 |
تفيد BroadNet بأن Qwen3.8 27B كتب عربية سلسة، وفهم اللهجتين الخليجية والمصرية، وترجم بين العربية والإنجليزية بدقة في اختباراتها. ولا تنشر BroadNet قياس أداء لـ OCR أو لاستخراج بيانات المستندات، لذا قِس دقة الحقول على مستنداتك. والإعداد العملي هو Gemma 4 VL 26B للإيصالات البسيطة، ثم تمريرة ثانية بـ Qwen3.8 27B لكل ما يفشل في التحقق. وتضع مقارنة Gemma 4 VL 26B وQwen3.8 27B النموذجين جنبًا إلى جنب.
كم يكلّف نموذج اللغة البصري لكل صفحة؟
في مفاتيح الدفع حسب الاستخدام تُحتسب الصورة رموزَ إدخال بسعر إدخال النموذج، والصور الأكبر تستهلك رموزًا أكثر. صغّر صور الهاتف إلى نحو 1,500–2,000 بكسل في الضلع الأطول: نقاط الحروف العربية تحتاج إلى دقة كافية، لكن صورة بدقة 12 ميغابكسل تضيف تكلفة في الغالب. اقرأ usage.prompt_tokens على بضع صور حقيقية لتعرف تكلفة الصفحة لديك. وفي خطة DeepSeek V4.1 Flash غير المحدودة، تقول وثائق BroadNet إن الصور جزء من الاستخدام غير المحدود للخطة. والحساب التفصيلي للرموز لكل صورة ولكل صفحة موجود في تكلفة نموذج اللغة البصري لكل صورة.
متى يظل OCR التقليدي هو الأفضل؟
- الكتب والأرشيفات الممسوحة الطويلة حين تحتاج إلى كل كلمة للبحث، لا إلى بضعة حقول.
- قابلية إعادة الإنتاج الصارمة، حين يجب أن يُنتج المدخل نفسه النص نفسه دائمًا.
- المعالجة دون اتصال أو على الجهاز دون شبكة.
المحركات مفتوحة المصدر مثل Tesseract تُدرج بيانات مدرَّبة للعربية (ara) وتعمل دون اتصال. والحل الهجين يعمل جيدًا أيضًا: طبّق OCR على الصفحة للحصول على نص قابل للبحث، وأرسل الصورة إلى نموذج لغة بصري للحقول التي ستتخذ إجراءً بناءً عليها. أما أي واجهات OCR سحابية تُدرج العربية، المطبوعة والمكتوبة بخط اليد، وكم تكلّف كل منها لكل 1,000 صفحة، فتجده في مقارنة واجهات OCR العربي.
الخصوصية
الفواتير والهويات تحتوي على أسماء وأرقام ضريبية وتفاصيل مصرفية. لا تحتفظ BroadNet Inference بالصور أو الأوامر أو الإجابات بعد الطلب؛ راجع عدم الاحتفاظ بالبيانات. وطبّق القاعدة نفسها على تخزينك: احتفظ بالحقول المستخرجة التي تحتاجها، واحذف الصور التي لم تعد ملزمًا بالاحتفاظ بها.

