---
title: "استخراج بيانات الفواتير إلى JSON بنموذج LLM للرؤية | BroadRouter"
description: "مسار إنتاجي للفواتير والإيصالات والنماذج: تجهيز الصور، وأمر بمخطط JSON، والتحقق بـ Pydantic، وفحوص حسابية، وإعادة المحاولة، وطابور مراجعة بشرية."
url: https://broadrouter.com/ar/blog/extract-data-from-documents-with-vision-llm/
lang: ar
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

تُرجمت هذه الصفحة من الإنجليزية بمساعدة الذكاء الاصطناعي. [اقرأ الأصل الإنجليزي](https://broadrouter.com/blog/extract-data-from-documents-with-vision-llm/) (حُدّث في 2026-11-14).

# استخراج بيانات الفواتير والإيصالات والنماذج إلى JSON بنموذج رؤية

بقلم فريق BroadNet Inference · قراءة في 4 دقائق · تاريخ النشر 2026-11-14

حوّل كل صفحة إلى صورة، وأرسلها إلى نموذج رؤية مع أمر يسمّي كل حقل وصيغته، واطلب JSON فقط. ثم تحقّق في الشيفرة: حلّل الناتج، وافحص مخططه، وتأكّد أن مجموع البنود يساوي الإجمالي، وأعد المحاولة مرة واحدة مع رسالة الخطأ. ووجّه حالات الفشل المتكررة إلى شخص.

## أبرز النقاط

-   النموذج يقرأ، وشيفرتك تقرّر. لا تكتب البيانات المستخرجة في دفتر الحسابات أبدًا دون فحوص المخطط والفحوص الحسابية.
-   سمِّ في الأمر كل حقل ونوعه وصيغته، وحدّد ما يُعاد حين يغيب الحقل (null، لا تخمين أبدًا).
-   تكشف الفحوص الحسابية معظم أخطاء القراءة: يجب أن يساوي مجموع البنود المجموع الفرعي، وأن يساوي المجموع الفرعي مع الضريبة الإجمالي.
-   أعد المحاولة مرة واحدة مع خطأ التحقق في الأمر؛ ووجّه حالات الفشل المتكررة إلى طابور بشري.
-   في الدفع حسب الاستخدام، تُحتسب الصور كرموز (توكن) إدخال، والصور الأكبر تستهلك أكثر، فصغّر حجمها قبل الإرسال.

**في هذه الصفحة**

1.  كيف يبدو المسار؟
2.  كيف تجهّز صور المستندات؟
3.  كيف تكتب أمر الاستخراج؟
4.  كيف تحصل على مخرجات مهيكلة وتتحقق منها؟
5.  ما الفحوص التي تكشف أكثر الأخطاء؟
6.  كيف تقيس الدقة قبل الإطلاق؟
7.  ما نماذج الرؤية المناسبة على BroadNet Inference؟
8.  أين تناسب BroadNet Inference

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

Illustrative example.

الفواتير والإيصالات والنماذج تشترك في المشكلة نفسها: البيانات في صورة، وأنت تحتاجها في قاعدة بيانات. وOCR المعتمد على القوالب ينكسر مع كل تخطيط جديد لمورّد. أما [نموذج الرؤية واللغة](https://broadrouter.com/ar/glossary/vision-language-model/) فيقرأ الصفحة ويعيد الحقول مباشرة. والمشكلة أنه قد يخطئ بثقة، فيكون العمل الحقيقي في المسار المحيط به. يغطي هذا المقال المسار العام لأي لغة. أما المستندات العربية، فراجع [قراءة الفواتير العربية بنماذج الرؤية](https://broadrouter.com/ar/guides/read-arabic-invoices-with-vision/) للإعداد، و[OCR العربي مقابل نماذج الرؤية](https://broadrouter.com/ar/blog/arabic-ocr-vision-llm/) لمعرفة متى يكون OCR التقليدي الأداة الأفضل.

## كيف يبدو المسار؟

1.  **جهّز** كل صفحة: حوّل ملفات PDF إلى صور، وصحّح الدوران، وغيّر الحجم.
2.  **استخرج**: طلب واحد لكل مستند مع أمر يفصّل الحقول حقلًا حقلًا، وJSON فقط.
3.  **تحقّق**: حلّل الناتج، وافحص المخطط، وافحص الحساب.
4.  **أعد المحاولة** مرة واحدة مع رسالة الخطأ إذا فشل التحقق.
5.  **راجع**: كل ما يظل فاشلًا يذهب إلى شخص، مع الصورة والمسودة.
6.  **قِس** دقة الحقول على عينة مصنّفة، وأعد القياس كلما غيّرت النموذج أو الأمر.

## كيف تجهّز صور المستندات؟

حوّل ملفات PDF إلى صور باستخدام PyMuPDF، وأبقِ أصغر نص واضحًا دون إرسال بكسلات أكثر مما يلزم:

```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
```

في BroadNet Inference، تُرسل الصور داخل الرسالة كروابط `data:` بنوع MIME صحيح، وفي [الدفع حسب الاستخدام](https://broadrouter.com/ar/glossary/pay-as-you-go/) تُحتسب كرموز إدخال؛ والصور الأكبر تستهلك أكثر. قِس الرموز لكل صفحة مرة واحدة عبر كتلة `usage`، وحدّد أحجام دفعاتك بناءً عليها؛ ويبيّن مقال [عدّ الرموز قبل الإرسال](https://broadrouter.com/ar/blog/count-tokens-before-sending/) الطريقة، ويحوّل مقال [تكلفة نماذج الرؤية لكل صورة](https://broadrouter.com/ar/blog/cheapest-vision-llm-api/) الرموز إلى تكلفة لكل صفحة. ولتقدير الرموز لكل صفحة قبل إرسال أي شيء، ضع نموذجًا ممسوحًا ضوئيًا في [حاسبة رموز الصور](https://broadrouter.com/tools/image-token-calculator/).

## كيف تكتب أمر الاستخراج؟

كن دقيقًا في المفاتيح والأنواع والصيغ والقيم المفقودة. وإذا أردت أيضًا مخطط JSON Schema للتحقق، أو للمزوّدين الذين يفرضون مخططًا، فإن [مولّد مخطط JSON](https://broadrouter.com/tools/json-schema-generator/) المجاني يبنيه من فاتورة نموذجية:

```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."""
```

العبارة “Never guess” (لا تخمّن أبدًا) مع `null` صريحة هي الأهم. فدونها تملأ النماذج الفجوات بقيم معقولة الشكل، وهذا أسوأ من حقل فارغ لأنه يجتاز الفحص الساذج.

## كيف تحصل على مخرجات مهيكلة وتتحقق منها؟

هناك مستويان من [المخرجات المهيكلة](https://broadrouter.com/ar/glossary/structured-output/). يضمن وضع JSON أن يكون JSON صالحًا. وتضمن المخرجات المقيّدة بمخطط الشكل أيضًا. ويقولها دليل OpenAI بوضوح: كلاهما ينتج JSON صالحًا، لكن Structured Outputs وحدها تضمن الالتزام بالمخطط. ويتفاوت دعم كل منهما بحسب المزوّد والنموذج، فتحقّق في الشيفرة أيًا كان ما تعد به الواجهة:

```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
```

استخدم `Decimal` لا `float` للمبالغ المالية. واجعل `max_tokens` سخيًا: فـ Qwen3.8 27B يستدل قبل أن يجيب، والاستدلال يُحتسب ضمن الحد؛ والسقف الصغير يعيد سلسلة فارغة. راجع [لماذا تعيد نماذج الاستدلال ردودًا فارغة](https://broadrouter.com/ar/guides/reasoning-tokens-empty-response/).

## ما الفحوص التي تكشف أكثر الأخطاء؟

| الفحص | ما يكشفه | التكلفة |
| --- | --- | --- |
| تحليل JSON ينجح | نص نثري حول JSON، أو بتر | مجاني |
| المخطط صحيح | مفاتيح مفقودة، وأنواع خاطئة | مجاني |
| مجموع البنود يساوي المجموع الفرعي | أرقام مقروءة خطأً، وبنود متخطاة | مجاني |
| المجموع الفرعي + الضريبة = الإجمالي | إجمالي أو ضريبة مقروءان خطأً | مجاني |
| التاريخ قابل للتحليل وليس في المستقبل | تبديل اليوم والشهر، وضوضاء OCR | مجاني |
| الرقم الضريبي للمورّد يطابق قائمة مورّديك | مورّد خاطئ، واحتيال | بحث واحد |
| تكرار رقم الفاتورة لدى المورّد نفسه | دفع مزدوج | استعلام واحد |

الفحوص الحسابية هي الأعلى قيمة: فرقم واحد مقروء خطأً يكسر المجموع في كل الحالات تقريبًا. وكثيرًا ما تفتقر الإيصالات إلى تفاصيل على مستوى البنود، فافحص ما هو موجود واقبل فحوصًا أقل لها.

## كيف تقيس الدقة قبل الإطلاق؟

صنّف يدويًا ما بين 50 و100 مستند حقيقي، وشغّل المسار، وقيّم **لكل حقل**، لا لكل مستند. والإجماليات والتواريخ تستحق معيارًا أشد من الأوصاف. تتبّع ثلاثة أرقام: دقة الحقول، ونسبة المستندات التي تجتاز التحقق دون إعادة محاولة، ونسبة ما يُرسل إلى المراجعة. أما كيفية تصميم خطوة المراجعة تلك، بما في ذلك التدقيق العشوائي في المستندات التي اجتازت، ففي [جعل المراجعة البشرية جزءًا من مسار الذكاء الاصطناعي للمستندات](https://broadrouter.com/ar/blog/document-review-queues/). وحين تجرّب نموذجًا آخر، شغّل المجموعة نفسها؛ ويغطي مقال [تقييم نموذج LLM قبل الانتقال](https://broadrouter.com/ar/blog/evaluate-llm-before-switching/) الطريقة.

## ما نماذج الرؤية المناسبة على BroadNet Inference؟

| النموذج | الصور | السياق | ملاحظات |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/ar/models/qwen3.8-27b/) | نعم | 262,144 | الأدوات والمخرجات المهيكلة والاستدلال مدرجة؛ اختبرته BroadNet على العربية |
| [Gemma 4 VL 26B](https://broadrouter.com/ar/models/gemma-4-vl-26b/) | نعم | 32,768 | أقل سعر في BroadNet؛ يعمل على الرصيد المجاني والمفتاح بالساعة |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ar/models/deepseek-v4.1-flash/) | نعم | 1,048,576 | الصور مشمولة في الخطط غير المحدودة |

الأسعار لكل مليون رمز موجودة في [صفحة الأسعار](https://broadrouter.com/ar/pricing/)؛ واضرب الرموز المقيسة لكل صفحة في الحجم الشهري باستخدام [حاسبة تكلفة LLM API](https://broadrouter.com/tools/llm-api-cost-calculator/).

## أين تناسب BroadNet Inference

تقبل BroadNet Inference الصور في ثلاثة نماذج محادثة عبر صيغة رسائل OpenAI القياسية، ولا تحتفظ بالأوامر أو الصور أو الإجابات بعد الطلب، وهذا مهم لفواتير مليئة بالأسماء والأرقام الضريبية والتفاصيل المصرفية ([عدم الاحتفاظ بالبيانات](https://broadrouter.com/ar/privacy/)). وتذكر وثائقها المخرجات المهيكلة لـ Qwen3.8 27B لكنها لا توثّق معاملات المخطط، فاعتمد على طبقة التحقق أعلاه لا على الواجهة لفرض مخططك. ولا تنشر BroadNet حدًا لحجم الصور ولا منتجًا مخصصًا لذكاء المستندات، وتصف وثائقها إدخال الصور لا رفع ملفات PDF، فحوّل الصفحات إلى صور أولًا. وللتشغيلات الكبيرة بميزانية ثابتة، تشمل [خطة DeepSeek V4.1 Flash غير المحدودة](https://broadrouter.com/ar/guides/unlimited-llm-api-sessions/) الصور.

أدوات مجانية لهذا الموضوع (بالإنجليزية)

-   [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.

[أدوات مجانية (بالإنجليزية)](https://broadrouter.com/tools/)

## مصطلحات في هذا المقال

[المخرجات المنظَّمة (Structured output)](https://broadrouter.com/ar/glossary/structured-output/)

المخرجات المنظَّمة هي ميزة في LLM API تقيّد رد النموذج بصيغة يحدّدها المطوّر، عادةً JSON Schema، لكي تحلّلها الشيفرة بموثوقية. وهي أكثر صرامة من وضع JSON (JSON mode)، الذي يضمن JSON صالحًا لكن لا يضمن بنية معيّنة.

[استدعاء الأدوات (Tool calling)](https://broadrouter.com/ar/glossary/tool-calling/)

استدعاء الأدوات، ويُسمّى أيضًا استدعاء الدوال (function calling)، ميزة في واجهات LLM API يُرجع فيها النموذج طلبًا منظَّمًا لتشغيل دالة عرّفها المطوّر، مع معاملات بصيغة JSON. ويشغّل التطبيق الدالة ويعيد النتيجة؛ فالنموذج لا يشغّل الشيفرة بنفسه أبدًا.

[التعرّف الضوئي على الحروف (OCR)](https://broadrouter.com/ar/glossary/ocr/)

التعرّف الضوئي على الحروف (OCR) تقنية تكتشف النص المطبوع أو المكتوب بخط اليد في صورة أو مستند ممسوح أو ملف PDF وتحوّله إلى حروف قابلة للقراءة آليًا. يُخرج OCR التقليدي النص وموضعه في الصفحة، أما النماذج اللغوية البصرية فتقرأ النص وتجيب عن أسئلة حوله مباشرة.

[الدفع حسب الاستخدام (Pay-as-you-go)](https://broadrouter.com/ar/glossary/pay-as-you-go/)

الدفع حسب الاستخدام هو نموذج تسعير تدفع فيه مقابل ما تستخدمه فقط، مقيسًا بوحدات مثل الرموز (التوكنات) أو الطلبات أو دقائق الصوت، دون اشتراك أو حد أدنى للالتزام. وتحتسب معظم واجهات LLM API تكلفتها بهذه الطريقة، من رصيد مدفوع مسبقًا أو بفاتورة دورية.

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

JSON Schema (مخطط JSON) مفردات مكتوبة بصيغة JSON لوصف بنية بيانات JSON والتحقق منها: الأنواع والحقول الإلزامية والقيم المسموحة والتداخل. والإصدار الحالي هو 2020-12. وتستخدمه واجهات LLM API لتعريف معاملات الأدوات والبنية الدقيقة التي يجب أن تتبعها المخرجات المنظَّمة.

[الرمز (التوكن، Token)](https://broadrouter.com/ar/glossary/token/)

الرمز (التوكن) هو وحدة النص التي يقرؤها نموذج اللغة ويكتبها: كلمة، أو جزء من كلمة، أو علامة ترقيم، أو تسلسل بايتات ينتجه مجزّئ النموذج (tokenizer). وتَعُدّ واجهات LLM API الاستهلاك بالرموز، وتضع حدودها بها، وتحتسب تكلفتها بها عادةً.

[رموز الصور (Image tokens)](https://broadrouter.com/ar/glossary/image-tokens/)

رموز الصور (image tokens) هي رموز الإدخال التي يستخدمها نموذج لغة بصري لتمثيل صورة في الطلب. يحسبها المزوّدون من حجم الصورة، غالبًا بتقسيمها إلى رقع أو مربعات ثابتة الحجم بعد تغيير مقاسها، ويحاسبون عليها كرموز إدخال النص، فتكلّف الصور الأكبر أكثر.

[وضع JSON (JSON mode)](https://broadrouter.com/ar/glossary/json-mode/)

وضع JSON (JSON mode) إعداد في LLM API، هو response\_format {"type": "json\_object"} في الواجهات على طريقة OpenAI، يجعل رد النموذج JSON صالحًا قابلًا للتحليل. وبخلاف المخرجات المنظَّمة مع JSON Schema، لا يضمن المفاتيح أو الأنواع أو القيم التي يحتويها الكائن.

## أسئلة شائعة

### هل يمكن لنموذج LLM للرؤية أن يحل محل OCR في الفواتير؟

في كثير من التخطيطات، نعم. يقرأ نموذج الرؤية الصورة ويربط النص بالحقول في خطوة واحدة، دون قوالب لكل مورّد. لكنه يخطئ أحيانًا في قراءة الأرقام، فاحتفظ بالتحقق وبطابور للمراجعة.

### كيف أحصل على JSON موثوق من نموذج رؤية؟

اذكر في الأمر المفاتيح والأنواع والصيغ بدقة، واطلب JSON فقط، وحلّله في الشيفرة. وإذا كان النموذج يدعم مخرجات مقيّدة بمخطط، فاستخدمها. وفي الحالتين تحقّق باستخدام مكتبة مخططات، وأعد المحاولة مرة واحدة مع الخطأ.

### كيف أستخرج البيانات من فاتورة PDF متعددة الصفحات؟

حوّل كل صفحة إلى صورة، ثم أرسل جميع صفحات الفاتورة الواحدة في طلب واحد إذا كانت تتسع في سياق النموذج، حتى يمكن مطابقة الإجماليات في الصفحة الأخيرة مع البنود في الصفحة الأولى.

### ما الدقة المناسبة لصور الفواتير؟

دقة تكفي لتكون أصغر الأرقام واضحة، ولا أكثر. فالصور الأكبر تستهلك رموز إدخال أكثر. وطول للضلع الأطول بين 1,500 و2,000 بكسل تقريبًا نقطة بداية معقولة لصفحة A4؛ واختبر على مستنداتك.

### كيف أقيس دقة الاستخراج؟

صنّف يدويًا ما بين 50 و100 مستند حقيقي، وقيّم حقلًا بحقل. وتتبّع الإجماليات والتواريخ بمعزل عن الحقول النصية الحرة مثل أسماء المورّدين، لأن تكلفة أخطائها مختلفة.

## تابع القراءة

-   [OCR العربي أم نماذج اللغة البصرية؟ قراءة المستندات والفواتير العربية](https://broadrouter.com/ar/blog/arabic-ocr-vision-llm/)
-   [مقارنة واجهات OCR العربي: Google وAzure وTextract وMistral ونماذج LLM](https://broadrouter.com/ar/blog/arabic-ocr-api-comparison/)
-   [أرخص API لنماذج الرؤية: التكلفة لكل صورة ولكل صفحة بالحساب](https://broadrouter.com/ar/blog/cheapest-vision-llm-api/)
-   [وضع JSON أم json\_schema: مخرجات منظَّمة يمكن الاعتماد عليها](https://broadrouter.com/ar/blog/structured-output-json-schema/)
-   [كيف تقيّم نموذج LLM قبل الانتقال إلى مزوّد آخر](https://broadrouter.com/ar/blog/evaluate-llm-before-switching/)
-   [كيف تحسب عدد الرموز قبل إرسال طلب إلى LLM API؟](https://broadrouter.com/ar/blog/count-tokens-before-sending/)
-   [المراجعة البشرية جزء من سير عمل الذكاء الاصطناعي للمستندات](https://broadrouter.com/ar/blog/document-review-queues/)
-   [عتاد GPU لدى BroadNet وطريقة تقديم النماذج، كما تصفها BroadNet](https://broadrouter.com/ar/blog/broadnet-gpu-fleet-and-serving/)
-   [تخزين استجابات LLM API مؤقتًا لخفض التكلفة: تطابق تام بـ Python](https://broadrouter.com/ar/blog/cache-llm-responses-cut-cost/)
-   [دليل: قراءة الفواتير والإيصالات العربية بنموذج رؤية](https://broadrouter.com/ar/guides/read-arabic-invoices-with-vision/)
-   [دليل: لماذا يعيد نموذج الاستدلال إجابة فارغة؟](https://broadrouter.com/ar/guides/reasoning-tokens-empty-response/)
-   [دليل: استخدام OpenAI Python SDK مع BroadNet Inference](https://broadrouter.com/ar/guides/openai-python-sdk/)

جرّبه على مهامك الفعلية. تبدأ الحسابات الجديدة برصيد قدره $5 لاستخدام Gemma والتفريغ الصوتي. أما DeepSeek وGLM وQwen3.8 فتتطلب شحن الرصيد.

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

**المصادر**

-   [المرجع التقني لواجهة BroadNet Inference: المحادثة مع صورة، وأنواع MIME، والصور في الخطط (تاريخ الاطلاع 2026-11-14) (بالإنجليزية)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-extract-data-from-documents-with-vision-llm&utm_content=sources#requests)
-   [أسعار BroadNet Inference بصيغة قابلة للقراءة آليًا، والنماذج والوسائط، pricing.json (تاريخ الاطلاع 2026-11-14) (بالإنجليزية)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-extract-data-from-documents-with-vision-llm&utm_content=sources)
-   [دليل OpenAI للمخرجات المهيكلة، وضع JSON مقابل الالتزام بالمخطط (تاريخ الاطلاع 2026-11-14)](https://developers.openai.com/api/docs/guides/structured-outputs)
-   [وثائق Pydantic، النماذج والتحقق (تاريخ الاطلاع 2026-11-14)](https://docs.pydantic.dev/latest/concepts/models/)
-   [وثائق PyMuPDF، تحويل الصفحات إلى صور (تاريخ الاطلاع 2026-11-14)](https://pymupdf.readthedocs.io/en/latest/recipes-images.html)
