---
title: "Arabic OCR vs vision LLM para sa invoice at dokumento"
description: "Kailan gagamit ng classic OCR at kailan ng vision LLM para sa Arabic na invoice, resibo at form: mga bitag sa accuracy, JSON output, gastos kada page at validation."
url: https://broadrouter.com/fil/blog/arabic-ocr-vision-llm/
lang: fil
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/blog/arabic-ocr-vision-llm/) (na-update noong 2026-11-14).

# Arabic OCR vs vision LLM: pagbasa ng Arabic na dokumento at invoice

Ng BroadNet Inference team · 5 minutong basa · Nailathala 2026-11-14

Ginagawang raw text ng classic OCR ang larawan ng Arabic na page; binabasa naman ng vision LLM ang larawan at ibinabalik ang mga field na hinihingi mo, gaya ng vendor, petsa at total, bilang JSON. Para sa invoice at resibo, kadalasang natitipid ng vision LLM ang parsing step. Sa BroadNet Inference, tumatanggap ng larawan ang Qwen3.8 27B, DeepSeek V4.1 Flash at BroadNet Gemma 4 VL 26B.

## Mga pangunahing punto

-   Mahirap ang Arabic OCR dahil nagdudugtong ang mga letra, nagbabago ang hugis ayon sa posisyon at nakadepende sa tuldok; nagdadagdag ng problema sa bidirectional na pagkakasunod ang mga linyang may halong Arabic at English.
-   Text at posisyon ang ibinibigay ng classic OCR. Kahulugan ang ibinibigay ng vision LLM: mga nakapangalang field, isinaling label, structured JSON.
-   Laging i-validate ang mga numero sa code: katumbas ng kabuuan ng mga line ang total, tugma ang VAT sa rate, napa-parse ang mga petsa.
-   Sa pay-as-you-go, sinisingil ang larawan bilang input token, kaya liitan muna ang malalaking litrato bago ipadala.
-   Gumamit ng OCR kapag kailangan mo ng full-text search ng mahahabang na-scan na libro; gumamit ng vision LLM para sa mga dokumentong kailangan mong aksyunan.

**Sa page na ito**

1.  Bakit mahirap ang Arabic OCR?
2.  OCR o vision LLM: ano ang ibinibigay ng bawat isa?
3.  Paano basahin ang Arabic na invoice gamit ang vision LLM?
4.  Paano mahuli ang mga maling basang numero?
5.  Aling vision model ang dapat bumasa ng Arabic na dokumento?
6.  Magkano ang vision LLM kada page?
7.  Kailan pa rin nananalo ang classic OCR?
8.  Privacy

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

Para sa mga Arabic na invoice, resibo at form na kailangan mong aksyunan, gumamit ng [vision LLM](https://broadrouter.com/fil/glossary/vision-language-model/): 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)](https://broadrouter.com/fil/glossary/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](https://www.unicode.org/reports/tr9/) 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](https://broadrouter.com/fil/glossary/hallucination/) 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](https://broadrouter.com/fil/guides/read-arabic-invoices-with-vision/) ang buong walk-through; ganito ang ubod nito:

```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)
```

Tatlong detalye na nakakatipid ng oras sa debugging:

1.  **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.
2.  **Humingi ng `null`, hindi hula.** Mas malamang mag-imbento ng value ang mga model kapag kailangang punan ang bawat key.
3.  **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](https://broadrouter.com/fil/guides/reasoning-tokens-empty-response/). Para sa mas mahigpit na hugis ng JSON, tingnan ang [structured output gamit ang JSON schema](https://broadrouter.com/fil/blog/structured-output-json-schema/); bumubuo ang libreng [JSON schema generator](https://broadrouter.com/tools/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](https://broadrouter.com/fil/blog/extract-data-from-documents-with-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](https://broadrouter.com/fil/models/qwen3.8-27b/) | $0.175 / $2.17 | 262,144 | Ang model na sinubukan ng BroadNet sa Arabic |
| [DeepSeek V4.1 Flash](https://broadrouter.com/fil/models/deepseek-v4.1-flash/) | $0.175 / $0.52 | 1,048,576 | Nasa mga unlimited na flat plan din |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/fil/models/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](https://broadrouter.com/compare/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](https://broadrouter.com/fil/blog/cheapest-vision-llm-api/).

## 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](https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html) 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](https://broadrouter.com/fil/blog/arabic-ocr-api-comparison/) 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](https://broadrouter.com/fil/privacy/). 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.

Mga libreng tool para rito (Ingles)

-   [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.

[Libreng tools (Ingles)](https://broadrouter.com/tools/)

## Mga termino sa artikulong ito

[Optical character recognition (OCR)](https://broadrouter.com/fil/glossary/ocr/)

Ang optical character recognition (OCR) ay teknolohiyang tumutukoy at nagko-convert ng naka-print o sulat-kamay na text sa isang larawan, scan o PDF tungo sa machine-readable na character. Text at posisyon nito sa page ang output ng klasikong OCR; ang vision-language model naman ay kayang basahin ang text at direktang sagutin ang mga tanong tungkol dito.

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

Ang token ay ang yunit ng text na binabasa at isinusulat ng isang language model: isang salita, bahagi ng salita, bantas o byte sequence na ginawa ng tokenizer ng model. Sa token binibilang, nililimitahan at kadalasang sinisingil ng mga LLM API ang paggamit.

[AI hallucination](https://broadrouter.com/fil/glossary/hallucination/)

Ang hallucination ay output ng language model na kapani-paniwala pero mali, gawa-gawa o hindi suportado ng input na ibinigay dito, gaya ng inimbentong citation, maling numero o API na hindi umiiral. Nangyayari ito dahil hinuhulaan ng model ang malamang na text sa halip na mag-check ng facts.

[API key](https://broadrouter.com/fil/glossary/api-key/)

Ang API key ay isang lihim na string na kumikilala at nagpapahintulot sa client na tumatawag sa isang API. Kadalasang hinihingi ito ng mga LLM API sa Authorization: Bearer header, at ang sinumang may hawak ng key ay makakagawa ng mga request na sisingilin sa account na may-ari nito.

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

Ang JSON Schema ay isang vocabulary, nakasulat sa JSON, para ilarawan at i-validate ang istruktura ng JSON data: mga type, required na field, pinapayagang value at nesting. 2020-12 ang kasalukuyang bersyon. Ginagamit ito ng mga LLM API para tukuyin ang tool parameters at ang eksaktong hugis na dapat sundin ng structured output.

[Reasoning tokens](https://broadrouter.com/fil/glossary/reasoning-tokens/)

Ang reasoning tokens ay mga token na binubuo ng isang reasoning model para pag-isipan ang isang problema bago nito isulat ang nakikitang sagot. Kadalasang sinisingil ang mga ito bilang output token, binibilang sa output limit at sa context window, at puwedeng itago o ibuod ng API.

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

Ang vision-language model (VLM) ay isang model na tumatanggap ng larawan at text nang sabay bilang input at naglalabas ng text, kaya kaya nitong ilarawan ang mga larawan, sagutin ang tanong tungkol dito, at basahin ang mga dokumento, chart o screenshot. Tinatawag din ang mga VLM na image-text-to-text o multimodal na model.

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

Ang zero data retention (ZDR) ay patakaran kung saan pinoproseso lang ng AI provider ang mga prompt at output para i-serve ang isang request, at hindi na nito itinatago ang content na iyon pagkatapos, sa log, cache o training data. Kadalasang itinatago pa rin ang mga record na walang content, gaya ng bilang ng token at timing.

## Mga tanong

### Mas tumpak ba ang vision LLM kaysa sa OCR para sa Arabic?

Nakadepende sa dokumento. Kadalasan mas mahusay ang mga vision LLM sa pag-unawa ng layout at pagkuha ng mga nakapangalang field mula sa invoice at resibo. Puwedeng mas predictable ang dedikadong OCR sa mahahaba at malinis na printed na page. I-test ang dalawa sa isang sample ng mga dokumento mo.

### Kaya bang basahin ng vision LLM ang sulat-kamay na Arabic?

Minsan, kung malinaw ang sulat-kamay. Mabilis bumaba ang accuracy sa kabit-kabit o minadaling sulat. Ipadala sa human reviewer ang mga sulat-kamay na field na mababa ang confidence.

### Aling BroadNet model ang pinakamura para sa pagbasa ng larawan?

Ang BroadNet Gemma 4 VL 26B, sa $0.10 kada 1M input token. Gumagana rin ito sa libreng panimulang credit at sa flat-price na hourly key.

### Paano i-convert ang Eastern Arabic na numeral sa Western na digit?

Ipabalik sa model ang Western na digit, saka ipatupad ito sa code. Sa Python, kino-convert ng text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")) ang anumang Eastern Arabic na digit na nakalusot. Magkaiba ang code point ng Persian na digit (۰–۹), kaya idagdag ang mga ito kung galing sa Iran o Afghanistan ang mga dokumento mo.

### Kaya bang isalin ng model sa English ang mga Arabic na label?

Oo. Humingi ng English na key at panatilihin ang orihinal na Arabic na value, o humingi ng pareho. Panatilihin ang mga pangalan sa orihinal na script para maiwasan ang mga error sa transliteration.

## Magbasa pa

-   [Data ng invoice, resibo at form sa JSON gamit ang vision LLM](https://broadrouter.com/fil/blog/extract-data-from-documents-with-vision-llm/)
-   [Pinakamurang vision LLM API: gastos kada larawan at kada page](https://broadrouter.com/fil/blog/cheapest-vision-llm-api/)
-   [Pagpili ng LLM API para sa Arabic: ano ang dapat i-test](https://broadrouter.com/fil/blog/choosing-an-llm-for-arabic/)
-   [JSON mode vs json\_schema: structured output na maaasahan](https://broadrouter.com/fil/blog/structured-output-json-schema/)
-   [Diacritics sa Arabic text gamit ang LLM: prompt, check at DER](https://broadrouter.com/fil/blog/arabic-diacritization-llm/)
-   [Arabic grammar at spelling correction gamit ang LLM: paano gawin](https://broadrouter.com/fil/blog/arabic-grammar-spelling-correction-llm/)
-   [Gabay: Basahin ang mga Arabic na invoice at resibo gamit ang vision model](https://broadrouter.com/fil/guides/read-arabic-invoices-with-vision/)
-   [Gabay: Bakit walang laman ang sagot ng isang reasoning model](https://broadrouter.com/fil/guides/reasoning-tokens-empty-response/)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

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

**Mga source**

-   [API reference ng BroadNet Inference: chat na may larawan, mga larawan sa plan (sinuri noong 2026-11-14) (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-ocr-vision-llm&utm_content=sources)
-   [Machine-readable na presyo ng BroadNet Inference, pricing.json (sinuri noong 2026-11-14) (Ingles)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-ocr-vision-llm&utm_content=sources)
-   [Dokumentasyon ng Tesseract, mga trained data file kada wika kasama ang Arabic (sinuri noong 2026-11-14)](https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html)
-   [Unicode Standard Annex #9, Unicode Bidirectional Algorithm (sinuri noong 2026-11-14)](https://www.unicode.org/reports/tr9/)
