---
title: "Rechnungsdaten mit Vision-LLM als JSON auslesen | BroadRouter"
description: "Eine Produktions-Pipeline für Rechnungen, Belege und Formulare: Bildvorbereitung, JSON-Prompt, Pydantic-Validierung, Rechenprüfungen, Retries und manuelle Prüfung."
url: https://broadrouter.com/de/blog/extract-data-from-documents-with-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/extract-data-from-documents-with-vision-llm/) (aktualisiert am 2026-11-14).

# Rechnungs-, Beleg- und Formulardaten mit einem Vision-LLM als JSON

Vom Team von BroadNet Inference · 4 Min. Lesezeit · Veröffentlicht 2026-11-14

Rendern Sie jede Seite als Bild, senden Sie es an ein Vision-Modell mit einem Prompt, der jedes Feld und sein Format nennt, und verlangen Sie nur JSON. Validieren Sie dann im Code: parsen, Schema prüfen, prüfen, ob die Positionen die Gesamtsumme ergeben, und einmal mit dem Fehler wiederholen. Wiederholte Fehlschläge gehen an einen Menschen.

## Das Wichtigste in Kürze

-   Das Modell liest, Ihr Code entscheidet. Schreiben Sie extrahierte Daten nie ohne Schema- und Rechenprüfung in die Buchhaltung.
-   Nennen Sie im Prompt jedes Feld mit Typ und Format, und sagen Sie, was bei fehlendem Feld zurückkommen soll (null, nie eine Vermutung).
-   Rechenprüfungen fangen die meisten Lesefehler ab: Die Positionssummen müssen die Zwischensumme ergeben, und Zwischensumme plus Steuer muss die Gesamtsumme sein.
-   Wiederholen Sie einmal mit dem Validierungsfehler im Prompt; wiederholte Fehlschläge gehen in eine Queue zur manuellen Prüfung.
-   Bei Pay-as-you-go werden Bilder als Input-Tokens abgerechnet, und größere Bilder verbrauchen mehr; verkleinern Sie sie also vor dem Senden.

**Auf dieser Seite**

1.  Wie sieht die Pipeline aus?
2.  Wie bereiten Sie Dokumentbilder vor?
3.  Wie sollten Sie den Extraktions-Prompt schreiben?
4.  Wie bekommen Sie strukturierte Ausgabe und validieren sie?
5.  Welche Prüfungen fangen die meisten Fehler ab?
6.  Wie messen Sie die Genauigkeit vor dem Go-live?
7.  Welche Vision-Modelle passen bei BroadNet Inference?
8.  Wo BroadNet Inference passt

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

Illustrative example.

Rechnungen, Belege und Formulare haben alle dasselbe Problem: Die Daten stecken in einem Bild, und Sie brauchen sie in einer Datenbank. Vorlagenbasiertes OCR bricht bei jedem neuen Lieferanten-Layout. Ein [Vision-Language-Modell](https://broadrouter.com/de/glossary/vision-language-model/) liest die Seite und liefert die Felder direkt. Der Haken: Es kann sich mit voller Überzeugung irren, die Arbeit steckt also in der Pipeline drumherum. Dieser Beitrag behandelt die allgemeine Pipeline für jede Sprache. Für arabische Dokumente siehe [arabische Rechnungen mit Vision lesen](https://broadrouter.com/de/guides/read-arabic-invoices-with-vision/) zur Einrichtung und [arabisches OCR vs. Vision-LLMs](https://broadrouter.com/de/blog/arabic-ocr-vision-llm/) dazu, wann klassisches OCR das bessere Werkzeug ist.

## Wie sieht die Pipeline aus?

1.  **Vorbereiten** jeder Seite: PDFs als Bilder rendern, Drehung korrigieren, verkleinern.
2.  **Extrahieren**: eine Anfrage pro Dokument mit einem Prompt Feld für Feld, nur JSON.
3.  **Validieren**: parsen, Schema prüfen, Rechnung prüfen.
4.  **Wiederholen**, einmal mit der Fehlermeldung, wenn die Validierung scheitert.
5.  **Prüfen**: Was dann noch scheitert, geht mit Bild und Entwurf an einen Menschen.
6.  **Messen** Sie die Feldgenauigkeit an einer gelabelten Stichprobe und wiederholen Sie die Messung bei jedem Wechsel von Modell oder Prompt.

## Wie bereiten Sie Dokumentbilder vor?

Rendern Sie PDFs mit PyMuPDF als Bilder und halten Sie den kleinsten Text scharf, ohne mehr Pixel als nötig zu senden:

```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
```

Bei BroadNet Inference kommen Bilder als `data:`\-URLs mit korrektem MIME-Typ in die Nachricht und werden bei [Pay-as-you-go](https://broadrouter.com/de/glossary/pay-as-you-go/) als Input-Tokens abgerechnet; größere Bilder verbrauchen mehr. Messen Sie die Tokens pro Seite einmal über den `usage`\-Block und bemessen Sie Ihre Batches danach; wie das geht, zeigt [Tokens vor dem Senden zählen](https://broadrouter.com/de/blog/count-tokens-before-sending/), und [Vision-LLM-Kosten pro Bild](https://broadrouter.com/de/blog/cheapest-vision-llm-api/) rechnet Tokens in Kosten pro Seite um. Um die Tokens pro Seite vor dem ersten Senden abzuschätzen, ziehen Sie einen Beispielscan in den [Bild-Token-Rechner](https://broadrouter.com/tools/image-token-calculator/).

## Wie sollten Sie den Extraktions-Prompt schreiben?

Seien Sie genau bei Schlüsseln, Typen, Formaten und fehlenden Werten. Wenn Sie außerdem ein JSON Schema zur Validierung oder für Anbieter brauchen, die eines erzwingen, erstellt der kostenlose [JSON-Schema-Generator](https://broadrouter.com/tools/json-schema-generator/) es aus einer Beispielrechnung:

```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."""
```

„Never guess“ (Übersetzung: nie raten) plus ein ausdrückliches `null` ist das Wichtigste. Ohne das füllen Modelle Lücken mit plausiblen Werten, und das ist schlimmer als ein leeres Feld, weil es eine naive Prüfung besteht.

## Wie bekommen Sie strukturierte Ausgabe und validieren sie?

Es gibt zwei Stufen von [Structured Output](https://broadrouter.com/de/glossary/structured-output/). JSON Mode garantiert gültiges JSON. Schemagebundene Ausgabe garantiert zusätzlich die Struktur. Der Leitfaden von OpenAI sagt es deutlich: Beide erzeugen gültiges JSON, aber nur Structured Outputs stellen die Einhaltung des Schemas sicher. Die Unterstützung für beides variiert je nach Anbieter und Modell; validieren Sie also im Code, egal was die API verspricht:

```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
```

Verwenden Sie für Geldbeträge `Decimal`, nicht `float`. Halten Sie `max_tokens` großzügig: Qwen3.8 27B denkt vor der Antwort nach, und das Reasoning zählt zum Limit; bei einer kleinen Obergrenze kommt ein leerer String zurück. Siehe [warum Reasoning-Modelle leere Antworten liefern](https://broadrouter.com/de/guides/reasoning-tokens-empty-response/).

## Welche Prüfungen fangen die meisten Fehler ab?

| Prüfung | Fängt ab | Kosten |
| --- | --- | --- |
| JSON lässt sich parsen | Fließtext um das JSON, Abschneiden | Kostenlos |
| Schema validiert | Fehlende Schlüssel, falsche Typen | Kostenlos |
| Positionen ergeben die Zwischensumme | Verlesene Ziffern, übersprungene Positionen | Kostenlos |
| Zwischensumme + Steuer = Gesamtsumme | Verlesene Gesamtsumme oder Steuer | Kostenlos |
| Datum lässt sich parsen und liegt nicht in der Zukunft | Vertauschte Tage/Monate, OCR-Rauschen | Kostenlos |
| Steuer-ID des Lieferanten passt zu Ihrer Lieferantenliste | Falscher Lieferant, Betrug | Ein Lookup |
| Doppelte Rechnungsnummer pro Lieferant | Doppelte Zahlung | Eine Abfrage |

Rechenprüfungen bringen am meisten: Eine einzige verlesene Ziffer bricht fast immer eine Summe. Belegen fehlen oft Details auf Positionsebene; prüfen Sie also, was vorhanden ist, und akzeptieren Sie bei ihnen weniger Prüfungen.

## Wie messen Sie die Genauigkeit vor dem Go-live?

Labeln Sie 50 bis 100 echte Dokumente von Hand, lassen Sie die Pipeline laufen und bewerten Sie **pro Feld**, nicht pro Dokument. Summen und Daten verdienen eine strengere Messlatte als Beschreibungen. Erfassen Sie drei Zahlen: die Feldgenauigkeit, den Anteil der Dokumente, die ohne Retry die Validierung bestehen, und den Anteil, der zur Prüfung geht. Wie Sie diesen Prüfschritt gestalten, einschließlich Stichproben bei bestandenen Dokumenten, steht unter [manuelle Prüfung als Teil Ihres Document-AI-Workflows](https://broadrouter.com/de/blog/document-review-queues/). Wenn Sie ein anderes Modell testen, nutzen Sie dasselbe Set; [ein LLM vor dem Wechsel evaluieren](https://broadrouter.com/de/blog/evaluate-llm-before-switching/) beschreibt die Methode.

## Welche Vision-Modelle passen bei BroadNet Inference?

| Modell | Bilder | Kontext | Hinweise |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/de/models/qwen3.8-27b/) | Ja | 262.144 | Tools, Structured Output und Reasoning gelistet; von BroadNet auf Arabisch getestet |
| [Gemma 4 VL 26B](https://broadrouter.com/de/models/gemma-4-vl-26b/) | Ja | 32.768 | Niedrigster Preis bei BroadNet; läuft mit dem Gratisguthaben und dem Stundenschlüssel |
| [DeepSeek V4.1 Flash](https://broadrouter.com/de/models/deepseek-v4.1-flash/) | Ja | 1.048.576 | Bilder in den unbegrenzten Plänen enthalten |

Die Preise pro 1 Mio. Tokens stehen auf der [Preisseite](https://broadrouter.com/de/pricing/); multiplizieren Sie Ihre gemessenen Tokens pro Seite im [LLM-API-Kostenrechner](https://broadrouter.com/tools/llm-api-cost-calculator/) mit dem Monatsvolumen.

## Wo BroadNet Inference passt

BroadNet Inference nimmt bei drei Chat-Modellen Bilder über das Standard-Nachrichtenformat von OpenAI an und bewahrt Prompts, Bilder und Antworten nach der Anfrage nicht auf. Das zählt bei Rechnungen voller Namen, Steuer-IDs und Bankdaten ([Zero Data Retention](https://broadrouter.com/de/privacy/)). Die Doku listet Structured Output für Qwen3.8 27B, dokumentiert aber keine Schema-Parameter; verlassen Sie sich also auf die Validierungsschicht oben statt darauf, dass die API Ihr Schema erzwingt. BroadNet veröffentlicht weder ein Größenlimit für Bilder noch ein eigenes Document-AI-Produkt, und die Doku beschreibt Bild-Input, keinen PDF-Upload; rendern Sie Seiten also zuerst als Bilder. Für große Durchläufe mit festem Budget enthält ein [unbegrenzter DeepSeek-V4.1-Flash-Plan](https://broadrouter.com/de/guides/unlimited-llm-api-sessions/) Bilder.

Kostenlose Tools zum Thema (auf Englisch)

-   [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.

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

## Begriffe in diesem Artikel

[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.

[Strukturierte Ausgabe (Structured Output)](https://broadrouter.com/de/glossary/structured-output/)

Strukturierte Ausgabe (Structured Output) ist eine Funktion von LLM-APIs, die die Antwort eines Modells auf ein vom Entwickler vorgegebenes Format beschränkt, meist ein JSON Schema, damit Code sie zuverlässig parsen kann. Sie ist strenger als der JSON-Modus, der gültiges JSON garantiert, aber keine bestimmte Struktur.

[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.

[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.

[JSON-Modus (JSON mode)](https://broadrouter.com/de/glossary/json-mode/)

Der JSON-Modus ist eine Einstellung von LLM-APIs, in APIs im OpenAI-Stil response\_format {"type": "json\_object"}, die dafür sorgt, dass die Antwort des Modells gültiges, parsebares JSON ist. Anders als Structured Outputs mit einem JSON Schema garantiert er nicht, welche Keys, Typen oder Werte das Objekt enthält.

[Pay-as-you-go](https://broadrouter.com/de/glossary/pay-as-you-go/)

Pay-as-you-go ist ein Preismodell, bei dem Sie nur für tatsächliche Nutzung zahlen, gemessen pro Einheit wie Tokens, Anfragen oder Audiominuten, ohne Abonnement oder Mindestabnahme. Die meisten LLM-APIs rechnen so ab, aus einem vorausbezahlten Guthaben oder per regelmäßiger Rechnung.

[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.

## Häufige Fragen

### Kann ein Vision-LLM OCR für Rechnungen ersetzen?

Bei vielen Layouts ja. Ein Vision-Modell liest das Bild und ordnet den Text in einem Schritt Feldern zu, ohne Vorlagen pro Lieferant. Es verliest sich aber manchmal bei Ziffern; behalten Sie also Validierung und eine Prüf-Queue.

### Wie bekomme ich zuverlässiges JSON von einem Vision-Modell?

Nennen Sie im Prompt die genauen Schlüssel, Typen und Formate, verlangen Sie nur JSON und parsen Sie es im Code. Unterstützt das Modell schemagebundene Ausgabe, nutzen Sie sie. In jedem Fall validieren Sie mit einer Schema-Bibliothek und wiederholen einmal mit dem Fehler.

### Wie extrahiere ich Daten aus einer mehrseitigen PDF-Rechnung?

Rendern Sie jede Seite als Bild und senden Sie alle Seiten einer Rechnung in einer einzigen Anfrage, wenn sie in den Kontext des Modells passen. So lassen sich Summen auf der letzten Seite mit Positionen auf der ersten abgleichen.

### Welche Auflösung sollten Rechnungsbilder haben?

Hoch genug, dass die kleinsten Ziffern scharf sind, und nicht höher. Größere Bilder verbrauchen mehr Input-Tokens. Eine lange Kante von etwa 1.500 bis 2.000 Pixeln ist ein sinnvoller Startpunkt für eine A4-Seite; testen Sie mit Ihren eigenen Dokumenten.

### Wie messe ich die Genauigkeit der Extraktion?

Labeln Sie 50 bis 100 echte Dokumente von Hand und bewerten Sie Feld für Feld. Erfassen Sie Summen und Daten getrennt von Freitextfeldern wie Lieferantennamen, denn ihre Fehler kosten unterschiedlich viel.

## Weiterlesen

-   [Arabische OCR vs. Vision-LLM: Dokumente und Rechnungen lesen](https://broadrouter.com/de/blog/arabic-ocr-vision-llm/)
-   [OCR-APIs für Arabisch: Google, Azure, Textract, Mistral, LLMs](https://broadrouter.com/de/blog/arabic-ocr-api-comparison/)
-   [Günstigste Vision-LLM-API: Kosten pro Bild und pro Seite berechnet](https://broadrouter.com/de/blog/cheapest-vision-llm-api/)
-   [JSON Mode vs. json\_schema: strukturierte Ausgabe, die hält](https://broadrouter.com/de/blog/structured-output-json-schema/)
-   [Wie Sie ein LLM vor dem Anbieterwechsel evaluieren](https://broadrouter.com/de/blog/evaluate-llm-before-switching/)
-   [Tokens zählen, bevor Sie eine LLM-Anfrage senden](https://broadrouter.com/de/blog/count-tokens-before-sending/)
-   [Menschliche Prüfung als festen Teil Ihres Dokumenten-KI-Workflows](https://broadrouter.com/de/blog/document-review-queues/)
-   [GPU-Hardware und Serving von BroadNet, wie BroadNet sie beschreibt](https://broadrouter.com/de/blog/broadnet-gpu-fleet-and-serving/)
-   [LLM-Antworten cachen, Kosten senken: ein Exact-Match-Cache in Python](https://broadrouter.com/de/blog/cache-llm-responses-cut-cost/)
-   [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/)
-   [Anleitung: OpenAI Python SDK mit BroadNet Inference nutzen](https://broadrouter.com/de/guides/openai-python-sdk/)

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-extract-data-from-documents-with-vision-llm&utm_content=page-cta) ·

**Quellen**

-   [API-Referenz von BroadNet Inference: Chat mit Bild, MIME-Typen, Bilder in Plänen (abgerufen am 2026-11-14) (auf Englisch)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-extract-data-from-documents-with-vision-llm&utm_content=sources#requests)
-   [Maschinenlesbare Preise, Modelle und Modalitäten von BroadNet Inference, pricing.json (abgerufen am 2026-11-14) (auf Englisch)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-extract-data-from-documents-with-vision-llm&utm_content=sources)
-   [Structured-Outputs-Leitfaden von OpenAI, JSON Mode vs. Schema-Treue (abgerufen am 2026-11-14)](https://developers.openai.com/api/docs/guides/structured-outputs)
-   [Pydantic-Dokumentation, Modelle und Validierung (abgerufen am 2026-11-14)](https://docs.pydantic.dev/latest/concepts/models/)
-   [PyMuPDF-Dokumentation, Seiten als Bilder rendern (abgerufen am 2026-11-14)](https://pymupdf.readthedocs.io/en/latest/recipes-images.html)
