Para sa mga Arabic na invoice, resibo at form na kailangan mong aksyunan, gumamit ng vision LLM: binabasa nito ang larawan at ibinabalik ang mga field na hinihingi mo, gaya ng vendor, VAT number, petsa at total, bilang JSON. Gumamit ng classic na optical character recognition (OCR) para sa full-text search ng mahahabang na-scan na page o offline na trabaho. Alinman ang piliin, i-check ang mga numero sa code.
Mas pinahihirap ng Arabic ang dalawang ruta kaysa sa English, dahil sa mga dahilan sa ibaba.
Bakit mahirap ang Arabic OCR?
- Nakadugtong na script. Nagdudugtong ang mga Arabic na letra, at karamihan ay may hanggang apat na hugis (isolated, initial, medial, final). Kailangang hatiin ng mga OCR engine ang isang salitang hindi nila nakikita ang mga gilid.
- May kahulugan ang mga tuldok. Iisang base shape ang ب ت ث ن ي at sa tuldok lang nagkakaiba. Puwedeng gawing ibang letra ng mababang-resolution na scan o ng isang tupi ang isang letra.
- Dalawang direksyon sa iisang linya. Pinaghahalo ng linya sa invoice gaya ng “المجموع: 1,250.00 SAR” ang right-to-left na Arabic at left-to-right na numero at Latin na text. Madalas bumalik ang OCR output sa maling visual na pagkakasunod, na muli namang inaayos ng Unicode bidirectional algorithm kapag ipinapakita.
- Dalawang set ng digit. Madalas mag-print ng Eastern Arabic na numeral (٠١٢٣٤٥٦٧٨٩) ang mga dokumento sa Gulf at Egypt sa halip na 0–9, minsan pareho sa iisang page.
- Font at tatak. Nakakasama sa recognition ang mga dekoratibong Naskh at Ruq’ah na heading, mga tatak ng kumpanya sa ibabaw ng total at ang pagkupas ng thermal na resibo.
OCR o vision LLM: ano ang ibinibigay ng bawat isa?
| Classic OCR | Vision LLM | |
|---|---|---|
| Output | Raw text, madalas may posisyon ng salita | Anumang hingin mo: field, JSON, summary, salin |
| Pag-unawa sa layout | Ikaw ang sumusulat ng rule o template | Hinuhulaan ito ng model (“nasa kanang ibaba ang total”) |
| Bagong layout ng invoice | Bagong template o rule | Kadalasang gumagana nang walang binabago |
| Pagsasalin | Hiwalay na step | Parehong request |
| Predictability | Deterministic para sa parehong input | Puwedeng mag-iba; i-validate ang output |
| Panganib ng hallucination | Mababa (nagkakamali ng basa, pero hindi nag-iimbento) | Totoo: puwedeng gumawa ng kapani-paniwala pero maling value |
| Pinakamainam para sa | Full-text search ng mahahabang na-scan na dokumento, archive | Invoice, resibo, ID, form na kailangan mong aksyunan |
Ang pangunahing trade-off: nagkakamali ng basa ang OCR pero hindi nag-iimbento. Nakakaintindi ang vision LLM, pero puwede itong mag-hallucinate ng kapani-paniwalang value. Ginagamit ng mahusay na pipeline ang LLM para sa pag-unawa at ang code para sa pag-check.
Paano basahin ang Arabic na invoice gamit ang vision LLM?
Ipadala ang larawan bilang base64 data URL sa loob ng message content at hingin ang eksaktong mga field na gusto mo. Nasa gabay sa vision invoice ang buong walk-through; ganito ang ubod nito:
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)
Tatlong detalye na nakakatipid ng oras sa debugging:
- Sabihin kung anong numeral system ang gusto mo. Naiiwasan ng “Convert Eastern Arabic numerals to Western digits” ang halo ng ١٢٥٠ at 1250 sa database mo.
- Humingi ng
null, hindi hula. Mas malamang mag-imbento ng value ang mga model kapag kailangang punan ang bawat key. - Panatilihin ang mga pangalan sa orihinal na script. Nagbubunga ng iba-ibang spelling ang pag-transliterate ng “مؤسسة النور للتجارة” sa Latin na letra. I-store ang Arabic at isalin nang hiwalay kung kailangan mo ng English.
Kung walang laman ang sagot ng model, naubos nito ang max_tokens habang nagre-reason; tingnan ang reasoning tokens at empty responses. Para sa mas mahigpit na hugis ng JSON, tingnan ang structured output gamit ang JSON schema; bumubuo ang libreng JSON schema generator ng schema mula sa isang sample na invoice.
Paano mahuli ang mga maling basang numero?
Ituring ang bawat nakuhang value bilang claim na susuriin sa code, hindi bilang data. Dapat katumbas ng subtotal ang kabuuan ng mga line item, dapat katumbas ng total ang subtotal plus VAT, dapat ma-parse ang mga petsa at hindi nasa hinaharap, at dapat tugma ang currency sa bansa ng vendor. May nakapirming haba at format ang mga Saudi VAT number, kaya murang dagdag na check ito. Halos laging sinisira ng maling basang digit ang isang kabuuan, kaya nahuhuli ng mga arithmetic check ang karamihan ng mahahalagang error. Ang anumang pumalya ay papunta sa human review queue na katabi ng larawan ang mga nakuhang field.
Nasa kunin ang data ng invoice at resibo sa JSON gamit ang vision LLM ang buong pipeline, na may Pydantic schema, arithmetic validator, isang retry na kasama ang error message at review queue.
Aling vision model ang dapat bumasa ng Arabic na dokumento?
Tatlong chat model sa BroadNet Inference ang tumatanggap ng larawan:
| Model | Input / output kada 1M token | Context | Tala |
|---|---|---|---|
| Qwen3.8 27B | $0.175 / $2.17 | 262,144 | Ang model na sinubukan ng BroadNet sa Arabic |
| DeepSeek V4.1 Flash | $0.175 / $0.52 | 1,048,576 | Nasa mga unlimited na flat plan din |
| BroadNet Gemma 4 VL 26B | $0.10 / $0.22 | 32,768 | Pinakamura sa mga vision model ng BroadNet; gumagana sa libreng credit at sa $0.50 na hourly key |
Ayon sa BroadNet, sumulat ang Qwen3.8 27B ng maayos na Arabic, naintindihan ang Gulf at Egyptian na dialect at tumpak na nagsalin sa pagitan ng Arabic at English sa mga test nito. Walang inilalathalang OCR o document-extraction benchmark ang BroadNet, kaya sukatin ang field accuracy sa sarili mong mga dokumento. Praktikal na setup ang Gemma 4 VL 26B para sa simpleng resibo at pangalawang pasada gamit ang Qwen3.8 27B para sa anumang pumalya sa validation. Pinagtatabi ng paghahambing ng Gemma 4 VL 26B vs Qwen3.8 27B ang dalawa.
Magkano ang vision LLM kada page?
Sa mga pay-as-you-go key, sinisingil ang larawan bilang input token sa input price ng model, at mas maraming token ang gamit ng mas malalaking larawan. Liitan ang mga litrato sa telepono sa mga 1,500–2,000 pixel sa mahabang gilid: kailangan ng sapat na resolution ang mga tuldok ng Arabic, pero kadalasang gastos lang ang idinadagdag ng 12-megapixel na litrato. Basahin ang usage.prompt_tokens sa ilang totoong larawan para makuha ang gastos mo kada page. Sa unlimited na DeepSeek V4.1 Flash plan, ayon sa docs ng BroadNet, bahagi ng unlimited na paggamit ng plan ang mga larawan. Nakuwenta na ang token math kada larawan at kada page sa vision LLM cost kada larawan.
Kailan pa rin nananalo ang classic OCR?
- Mahahabang na-scan na libro at archive kung saan kailangan mo ang bawat salita para sa search, hindi lang ilang field.
- Mahigpit na reproducibility, kung saan dapat laging pareho ang text na lumalabas sa parehong input.
- Offline o on-device na processing na walang network.
Naglilista ng Arabic (ara) na trained data ang mga open-source engine gaya ng Tesseract at tumatakbo ito offline. Mahusay ding gumagana ang hybrid: i-OCR ang page para sa searchable na text, at ipadala ang larawan sa vision LLM para sa mga field na aaksyunan mo. Nasa paghahambing ng Arabic OCR API kung aling mga cloud OCR API ang naglilista ng Arabic, printed at sulat-kamay, at magkano ang bawat isa kada 1,000 page.
Privacy
May pangalan, tax number at detalye ng bangko ang mga invoice at ID. Hindi itinatago ng BroadNet Inference ang mga larawan, prompt o sagot pagkatapos ng request; tingnan ang zero data retention. Ilapat ang parehong patakaran sa sarili mong storage: itago ang mga nakuhang field na kailangan mo at burahin ang mga larawang hindi mo na kailangang itago.

