---
title: "Arabische OCR vs. Vision-LLM für Rechnungen und Dokumente"
description: "Wann klassische OCR, wann ein Vision-LLM für arabische Rechnungen, Belege und Formulare: Fehlerfallen, JSON-Ausgabe, Kosten pro Seite und eine Validierungspipeline."
url: https://broadrouter.com/de/blog/arabic-ocr-vision-llm/
lang: de
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/blog/arabic-ocr-vision-llm/) (aktualisiert am 2026-11-14).

# Arabische OCR vs. Vision-LLM: Dokumente und Rechnungen lesen

Vom Team von BroadNet Inference · 5 Min. Lesezeit · Veröffentlicht 2026-11-14

Klassische OCR macht aus Bildern arabischer Seiten Rohtext; ein Vision-LLM liest das Bild und gibt die angefragten Felder wie Lieferant, Datum und Gesamtbetrag als JSON zurück. Bei Rechnungen und Belegen erspart ein Vision-LLM meist den Parsing-Schritt. Bei BroadNet Inference nehmen Qwen3.8 27B, DeepSeek V4.1 Flash und BroadNet Gemma 4 VL 26B Bilder an.

## Das Wichtigste in Kürze

-   Arabische OCR ist schwierig, weil Buchstaben verbunden sind, ihre Form je nach Position ändern und von Punkten abhängen; gemischte arabisch-englische Zeilen bringen Probleme mit der bidirektionalen Reihenfolge.
-   Klassische OCR liefert Text und Positionen. Ein Vision-LLM liefert Bedeutung: benannte Felder, übersetzte Beschriftungen, strukturiertes JSON.
-   Validieren Sie Zahlen immer im Code: Gesamtbeträge entsprechen den Positionssummen, die MwSt. passt zum Satz, Daten lassen sich parsen.
-   Bei Pay-as-you-go wird ein Bild als Input-Tokens abgerechnet; verkleinern Sie große Fotos also vor dem Senden.
-   Nutzen Sie OCR für die Volltextsuche in langen gescannten Büchern; nutzen Sie ein Vision-LLM für Dokumente, auf die Sie reagieren müssen.

**Auf dieser Seite**

1.  Warum ist arabische OCR schwierig?
2.  OCR oder Vision-LLM: Was liefert jeweils was?
3.  Wie liest man eine arabische Rechnung mit einem Vision-LLM?
4.  Wie erkennt man falsch gelesene Zahlen?
5.  Welches Vision-Modell sollte arabische Dokumente lesen?
6.  Was kostet ein Vision-LLM pro Seite?
7.  Wann gewinnt klassische OCR noch?
8.  Datenschutz

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

Für arabische Rechnungen, Belege und Formulare, auf die Sie reagieren müssen, verwenden Sie ein [Vision-LLM](https://broadrouter.com/de/glossary/vision-language-model/): Es liest das Bild und gibt die angefragten Felder wie Lieferant, USt-Nummer, Datum und Gesamtbetrag als JSON zurück. Verwenden Sie klassische [optische Zeichenerkennung (OCR)](https://broadrouter.com/de/glossary/ocr/) für die Volltextsuche in langen gescannten Seiten oder für Offline-Arbeit. So oder so: Prüfen Sie Zahlen im Code.

Arabisch macht beide Wege schwieriger als bei Englisch, aus den folgenden Gründen.

## Warum ist arabische OCR schwierig?

-   **Verbundene Schrift.** Arabische Buchstaben werden verbunden, und die meisten haben bis zu vier Formen (isoliert, Anfang, Mitte, Ende). OCR-Engines müssen ein Wort segmentieren, dessen Grenzen sie nicht sehen.
-   **Punkte tragen Bedeutung.** ب ت ث ن ي teilen eine Grundform und unterscheiden sich nur durch Punkte. Ein Scan mit niedriger Auflösung oder ein Knick kann einen Buchstaben in einen anderen verwandeln.
-   **Zwei Richtungen in einer Zeile.** Eine Rechnungszeile wie „المجموع: 1,250.00 SAR“ mischt rechtsläufiges Arabisch mit linksläufigen Zahlen und lateinischem Text. Die OCR-Ausgabe kommt oft in der falschen visuellen Reihenfolge zurück, die der [Unicode Bidirectional Algorithm](https://www.unicode.org/reports/tr9/) bei der Anzeige dann erneut umordnet.
-   **Zwei Ziffernsätze.** Dokumente vom Golf und aus Ägypten drucken oft ostarabische Ziffern (٠١٢٣٤٥٦٧٨٩) statt 0–9, manchmal beide auf derselben Seite.
-   **Schriften und Stempel.** Dekorative Überschriften in Naschi und Ruqʿa, Firmenstempel über dem Gesamtbetrag und verblassende Thermobelege erschweren die Erkennung.

## OCR oder Vision-LLM: Was liefert jeweils was?

|  | Klassische OCR | Vision-LLM |
| --- | --- | --- |
| Ausgabe | Rohtext, oft mit Wortpositionen | Was immer Sie anfordern: Felder, JSON, eine Zusammenfassung, eine Übersetzung |
| Layoutverständnis | Sie schreiben Regeln oder Vorlagen | Das Modell leitet es ab („der Gesamtbetrag steht unten rechts“) |
| Neue Rechnungslayouts | Neue Vorlage oder Regel | Funktioniert meist ohne Änderungen |
| Übersetzung | Separater Schritt | Dieselbe Anfrage |
| Berechenbarkeit | Deterministisch bei gleicher Eingabe | Kann schwanken; Ausgaben validieren |
| Halluzinationsrisiko | Gering (liest falsch, erfindet aber nicht) | Real: kann einen plausiblen, aber falschen Wert erzeugen |
| Am besten für | Volltextsuche in langen gescannten Dokumenten, Archive | Rechnungen, Belege, Ausweise, Formulare, auf die Sie reagieren müssen |

Die zentrale Abwägung: OCR liest falsch, erfindet aber nichts. Ein Vision-LLM versteht, kann aber einen plausiblen Wert [halluzinieren](https://broadrouter.com/de/glossary/hallucination/). Eine gute Pipeline nutzt das LLM zum Verstehen und Code zum Prüfen.

## Wie liest man eine arabische Rechnung mit einem Vision-LLM?

Senden Sie das Bild als Base64-Data-URL im Nachrichteninhalt und fordern Sie genau die Felder an, die Sie wollen. Der [Leitfaden zu Rechnungen mit Vision](https://broadrouter.com/de/guides/read-arabic-invoices-with-vision/) enthält die vollständige Anleitung; der Kern sieht so aus:

```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)
```

Drei Details, die Debugging-Zeit sparen:

1.  **Sagen Sie, welches Ziffernsystem Sie wollen.** „Convert Eastern Arabic numerals to Western digits“ (ostarabische Ziffern in westliche umwandeln) verhindert eine Mischung aus ١٢٥٠ und 1250 in Ihrer Datenbank.
2.  **Fordern Sie `null` an, keine Vermutung.** Modelle erfinden eher einen Wert, wenn jeder Schlüssel befüllt werden muss.
3.  **Behalten Sie Namen in der Originalschrift.** Wer „مؤسسة النور للتجارة“ in lateinische Buchstaben transliteriert, lädt Schreibvarianten ein. Speichern Sie das Arabische und übersetzen Sie getrennt, wenn Sie Englisch brauchen.

Gibt das Modell eine leere Antwort zurück, sind ihm beim Reasoning die `max_tokens` ausgegangen; siehe [Reasoning-Tokens und leere Antworten](https://broadrouter.com/de/guides/reasoning-tokens-empty-response/). Für eine strengere JSON-Form siehe [strukturierte Ausgabe mit JSON Schema](https://broadrouter.com/de/blog/structured-output-json-schema/); der kostenlose [JSON-Schema-Generator](https://broadrouter.com/tools/json-schema-generator/) erstellt ein Schema aus einer Beispielrechnung.

## Wie erkennt man falsch gelesene Zahlen?

Behandeln Sie jeden extrahierten Wert als Behauptung, die im Code zu prüfen ist, nicht als Daten. Die Positionen müssen die Zwischensumme ergeben, Zwischensumme plus MwSt. muss dem Gesamtbetrag entsprechen, Daten müssen sich parsen lassen und dürfen nicht in der Zukunft liegen, und die Währung sollte zum Land des Lieferanten passen. Saudische USt-Nummern haben eine feste Länge und ein festes Format, was eine günstige Zusatzprüfung ermöglicht. Eine falsch gelesene Ziffer bricht fast immer eine Summe; arithmetische Prüfungen erkennen also die meisten Fehler, die zählen. Was durchfällt, geht in eine Warteschlange zur menschlichen Prüfung, mit dem Bild neben den extrahierten Feldern.

Die vollständige Pipeline mit Pydantic-Schema, arithmetischen Validatoren, einem Wiederholungsversuch mit der Fehlermeldung und einer Prüfwarteschlange steht unter [Rechnungs- und Belegdaten mit einem Vision-LLM als JSON extrahieren](https://broadrouter.com/de/blog/extract-data-from-documents-with-vision-llm/).

## Welches Vision-Modell sollte arabische Dokumente lesen?

Drei Chat-Modelle bei BroadNet Inference nehmen Bilder an:

| Modell | Input / Output pro 1 Mio. Tokens | Kontext | Hinweise |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/de/models/qwen3.8-27b/) | $0.175 / $2.17 | 262.144 | Das Modell, das BroadNet auf Arabisch getestet hat |
| [DeepSeek V4.1 Flash](https://broadrouter.com/de/models/deepseek-v4.1-flash/) | $0.175 / $0.52 | 1.048.576 | Auch in den unbegrenzten Flatrate-Plänen |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/de/models/gemma-4-vl-26b/) | $0.10 / $0.22 | 32.768 | Günstigstes Vision-Modell von BroadNet; funktioniert mit kostenlosem Guthaben und dem Stundenschlüssel für $0.50 |

BroadNet berichtet, dass Qwen3.8 27B in seinen Tests flüssiges Arabisch schrieb, Golf- und ägyptischen Dialekt verstand und genau zwischen Arabisch und Englisch übersetzte. Einen Benchmark für OCR oder Dokumentenextraktion veröffentlicht BroadNet nicht; messen Sie die Feldgenauigkeit also an Ihren eigenen Dokumenten. Ein praktisches Setup ist Gemma 4 VL 26B für einfache Belege und ein zweiter Durchgang mit Qwen3.8 27B für alles, was die Validierung nicht besteht. Der [Vergleich Gemma 4 VL 26B vs. Qwen3.8 27B](https://broadrouter.com/compare/gemma-4-vl-26b-vs-qwen3.8-27b/) stellt beide nebeneinander.

## Was kostet ein Vision-LLM pro Seite?

Bei Pay-as-you-go-Schlüsseln wird ein Bild als Input-Tokens zum Input-Preis des Modells abgerechnet, und größere Bilder verbrauchen mehr Tokens. Verkleinern Sie Handyfotos auf etwa 1.500–2.000 Pixel an der langen Seite: Arabische Punkte brauchen genug Auflösung, aber ein Foto mit 12 Megapixeln erhöht vor allem die Kosten. Lesen Sie `usage.prompt_tokens` bei einigen echten Bildern aus, um Ihre Kosten pro Seite zu ermitteln. Bei einem unbegrenzten Plan für DeepSeek V4.1 Flash gehören Bilder laut den Docs von BroadNet zur unbegrenzten Nutzung des Plans. Die Token-Rechnung pro Bild und pro Seite steht unter [Kosten eines Vision-LLM pro Bild](https://broadrouter.com/de/blog/cheapest-vision-llm-api/).

## Wann gewinnt klassische OCR noch?

-   **Lange gescannte Bücher und Archive,** bei denen Sie jedes Wort für die Suche brauchen, nicht nur einige Felder.
-   **Strenge Reproduzierbarkeit,** wenn dieselbe Eingabe immer denselben Text liefern muss.
-   **Offline- oder On-Device-Verarbeitung** ohne Netzwerk.

Open-Source-Engines wie [Tesseract](https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html) listen Trainingsdaten für Arabisch (`ara`) und laufen offline. Auch ein hybrider Ansatz funktioniert gut: OCR für durchsuchbaren Text der Seite und das Bild an ein Vision-LLM für die Felder, auf die Sie reagieren. Welche Cloud-OCR-APIs Arabisch listen, gedruckt und handschriftlich, und was jede pro 1.000 Seiten kostet, steht im [Vergleich von OCR-APIs für Arabisch](https://broadrouter.com/de/blog/arabic-ocr-api-comparison/).

## Datenschutz

Rechnungen und Ausweise enthalten Namen, Steuernummern und Bankdaten. BroadNet Inference speichert Bilder, Prompts und Antworten nach der Anfrage nicht; siehe [Zero Data Retention](https://broadrouter.com/de/privacy/). Wenden Sie dieselbe Regel auf Ihren eigenen Speicher an: Behalten Sie die extrahierten Felder, die Sie brauchen, und löschen Sie Bilder, die Sie nicht mehr aufbewahren müssen.

Kostenlose Tools zum Thema (auf Englisch)

-   [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.

[Kostenlose Tools (auf Englisch)](https://broadrouter.com/tools/)

## Begriffe in diesem Artikel

[Texterkennung (OCR)](https://broadrouter.com/de/glossary/ocr/)

Optische Zeichenerkennung (OCR) ist eine Technik, die gedruckten oder handgeschriebenen Text in einem Bild, Scan oder PDF erkennt und in maschinenlesbare Zeichen umwandelt. Klassische OCR liefert Text und seine Position auf der Seite; Vision-Language-Modelle können Text lesen und direkt Fragen dazu beantworten.

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

Ein Token ist die Texteinheit, die ein Sprachmodell liest und schreibt: ein Wort, ein Wortteil, ein Satzzeichen oder eine Bytefolge, die der Tokenizer des Modells erzeugt. LLM-APIs zählen, begrenzen und berechnen die Nutzung meist in Tokens.

[Halluzination (KI)](https://broadrouter.com/de/glossary/hallucination/)

Eine Halluzination ist Output eines Sprachmodells, der plausibel klingt, aber falsch, erfunden oder nicht durch den gegebenen Input gedeckt ist, etwa eine erfundene Quelle, eine falsche Zahl oder eine nicht existierende API. Sie entsteht, weil das Modell wahrscheinlichen Text vorhersagt, statt Fakten zu prüfen.

[Tool Calling (Function Calling)](https://broadrouter.com/de/glossary/tool-calling/)

Tool Calling, auch Function Calling genannt, ist eine Funktion von LLM-APIs, bei der das Modell eine strukturierte Anfrage zurückgibt, eine vom Entwickler definierte Funktion mit JSON-Argumenten auszuführen. Die Anwendung führt die Funktion aus und sendet das Ergebnis zurück; das Modell selbst führt nie Code aus.

[Vision-Language-Modell (VLM)](https://broadrouter.com/de/glossary/vision-language-model/)

Ein Vision-Language-Modell (VLM) ist ein Modell, das Bilder und Text zusammen als Eingabe nimmt und Text erzeugt. So kann es Bilder beschreiben, Fragen zu ihnen beantworten und Dokumente, Diagramme oder Screenshots lesen. VLMs heißen auch Image-Text-to-Text- oder multimodale Modelle.

[Zero Data Retention (ZDR)](https://broadrouter.com/de/glossary/zero-data-retention/)

Zero Data Retention (ZDR) ist eine Datenrichtlinie, bei der ein KI-Anbieter Prompts und Outputs nur zur Bearbeitung einer Anfrage verarbeitet und diese Inhalte danach nicht speichert, weder in Logs noch in Caches oder Trainingsdaten. Inhaltsfreie Daten wie Token-Zahlen und Zeiten werden meist weiterhin aufbewahrt.

[Input- und Output-Tokens](https://broadrouter.com/de/glossary/input-and-output-tokens/)

Input-Tokens sind die Tokens, die ein Sprachmodell in einer Anfrage liest, einschließlich System-Prompt, Gesprächsverlauf, Tool-Definitionen und Bildern. Output-Tokens sind die Tokens, die es als Antwort erzeugt, einschließlich Reasoning. LLM-APIs berechnen beide meist getrennt, und Output ist in der Regel teurer.

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

JSON Schema ist ein in JSON geschriebenes Vokabular, mit dem Sie die Struktur von JSON-Daten beschreiben und validieren: Typen, Pflichtfelder, erlaubte Werte und Verschachtelung. Die aktuelle Version ist 2020-12. LLM-APIs definieren damit Tool-Parameter und die genaue Struktur, der eine strukturierte Ausgabe folgen muss.

## Häufige Fragen

### Ist ein Vision-LLM bei Arabisch genauer als OCR?

Das hängt vom Dokument ab. Vision-LLMs verstehen das Layout meist besser und ziehen benannte Felder zuverlässiger aus Rechnungen und Belegen. Spezialisierte OCR kann bei langen, sauber gedruckten Seiten berechenbarer sein. Testen Sie beides an einer Stichprobe Ihrer Dokumente.

### Können Vision-LLMs arabische Handschrift lesen?

Manchmal, bei deutlicher Handschrift. Bei kursiver oder hastiger Schrift sinkt die Genauigkeit schnell. Leiten Sie handschriftliche Felder mit niedriger Konfidenz an einen menschlichen Prüfer weiter.

### Welches BroadNet-Modell ist beim Lesen von Bildern am günstigsten?

BroadNet Gemma 4 VL 26B, zu $0.10 pro 1 Mio. Input-Tokens. Es funktioniert auch mit dem kostenlosen Startguthaben und mit einem Stundenschlüssel zum Festpreis.

### Wie wandle ich ostarabische Ziffern in westliche Ziffern um?

Lassen Sie das Modell westliche Ziffern zurückgeben und erzwingen Sie das dann im Code. In Python wandelt text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")) alle ostarabischen Ziffern um, die durchrutschen. Persische Ziffern (۰–۹) haben andere Codepoints; ergänzen Sie sie, wenn Ihre Dokumente aus dem Iran oder Afghanistan stammen.

### Kann das Modell die arabischen Beschriftungen ins Englische übersetzen?

Ja. Fordern Sie englische Schlüssel an und behalten Sie die arabischen Originalwerte, oder fordern Sie beides an. Behalten Sie Namen in der Originalschrift, um Transliterationsfehler zu vermeiden.

## Weiterlesen

-   [Rechnungs-, Beleg- und Formulardaten mit einem Vision-LLM als JSON](https://broadrouter.com/de/blog/extract-data-from-documents-with-vision-llm/)
-   [Günstigste Vision-LLM-API: Kosten pro Bild und pro Seite berechnet](https://broadrouter.com/de/blog/cheapest-vision-llm-api/)
-   [LLM-API für Arabisch auswählen: Was Sie testen sollten](https://broadrouter.com/de/blog/choosing-an-llm-for-arabic/)
-   [JSON Mode vs. json\_schema: strukturierte Ausgabe, die hält](https://broadrouter.com/de/blog/structured-output-json-schema/)
-   [Arabischen Text per LLM vokalisieren: Prompt, Prüfung, DER](https://broadrouter.com/de/blog/arabic-diacritization-llm/)
-   [Arabische Grammatik- und Rechtschreibkorrektur per LLM: Anleitung](https://broadrouter.com/de/blog/arabic-grammar-spelling-correction-llm/)
-   [Anleitung: Arabische Rechnungen und Belege mit einem Vision-Modell auslesen](https://broadrouter.com/de/guides/read-arabic-invoices-with-vision/)
-   [Anleitung: Warum ein Reasoning-Modell eine leere Antwort liefert](https://broadrouter.com/de/guides/reasoning-tokens-empty-response/)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

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

**Quellen**

-   [API-Referenz von BroadNet Inference: Chat mit Bild, Bilder in den Plänen (abgerufen am 14.11.2026) (auf Englisch)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-arabic-ocr-vision-llm&utm_content=sources)
-   [Maschinenlesbare Preise von BroadNet Inference, pricing.json (abgerufen am 14.11.2026) (auf Englisch)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-arabic-ocr-vision-llm&utm_content=sources)
-   [Tesseract-Dokumentation, Trainingsdaten nach Sprache, einschließlich Arabisch (abgerufen am 14.11.2026)](https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html)
-   [Unicode Standard Annex #9, Unicode Bidirectional Algorithm (abgerufen am 14.11.2026)](https://www.unicode.org/reports/tr9/)
