---
title: "Baris gilir semakan manusia untuk AI dokumen | BroadRouter"
description: "Reka langkah semakan manusia dalam saluran AI dokumen: peraturan pengesahan, apa yang dihantar kepada manusia, sampel audit rawak, jejak audit dan kadar semakan."
url: https://broadrouter.com/ms/blog/document-review-queues/
lang: ms
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/blog/document-review-queues/) (dikemas kini 2026-11-16).

# Jadikan semakan manusia sebahagian aliran kerja AI dokumen anda

Oleh pasukan BroadNet Inference · 7 minit bacaan · Diterbitkan 2026-11-15 · Dikemas kini 2026-11-16

Anggap setiap dokumen yang diekstrak belum diluluskan sehingga peraturan lulus. Hantar kepada manusia apabila medan wajib tiada, jumlah tidak sepadan, tarikh atau vendor kelihatan salah, atau model tidak pasti. Semak juga sebahagian kecil dokumen bersih secara rawak, log setiap pembetulan dalam sistem anda sendiri, dan pantau kadar semakan serta kadar ralat yang diaudit.

## Perkara utama

-   Peraturan pengesahan menentukan apa yang dilihat manusia. Keyakinan model sendiri hanyalah satu lagi isyarat, dan penyelidikan yang diterbitkan mendapati LLM terlalu yakin apabila menyatakannya.
-   Setiap dokumen dalam baris gilir patut membawa sebab yang boleh dibaca mesin, seperti arithmetic atau vendor:unknown, supaya penyemak tahu di mana hendak melihat dan anda tahu peraturan mana yang perlu dibaiki.
-   Audit sampel rawak dokumen yang diluluskan secara automatik. Sifar ralat dalam 50 dokumen yang diaudit masih membenarkan kadar ralat sebenar sehingga kira-kira 7% (selang Wilson 95%).
-   Simpan jejak audit sendiri: hash imej, ID model, versi prompt, output, peraturan yang tercetus dan pembetulan penyemak. API tanpa penyimpanan data tidak menyimpan salinan kandungan.
-   Pantau tiga angka setiap minggu: kadar semakan, sebab semakan utama dan kadar ralat yang diaudit bagi dokumen yang diluluskan secara automatik.

**Dalam halaman ini**

1.  Apakah yang patut menentukan sama ada manusia menyemak sesuatu dokumen?
2.  Patutkah anda mempercayai keyakinan model?
3.  Bagaimanakah anda menghalakan dokumen ke baris gilir?
4.  Apakah yang berubah untuk invois bahasa Arab dan Inggeris?
5.  Apakah yang patut dilihat oleh penyemak?
6.  Mengapakah perlu mengambil sampel dokumen yang lulus semua peraturan?
7.  Bagaimanakah anda menyimpan jejak audit?
8.  Bagaimanakah anda mengukur kadar semakan?
9.  Di manakah BroadNet Inference sesuai

Model penglihatan boleh membaca invois, tetapi ia juga boleh tersalah baca satu digit, melangkau satu baris atau mereka medan yang tidak wujud. Penyelesaiannya bukan prompt yang lebih baik semata-mata. Ia ialah langkah semakan yang direka sejak hari pertama: peraturan yang menentukan dokumen mana yang dilihat manusia, baris gilir yang memberitahu mereka sebabnya, dan log yang membolehkan anda membuktikan kadar ralat.

Catatan ini membincangkan langkah itu. Pengekstrakan itu sendiri (penyediaan imej, prompt JSON, pengesahan skema dan cubaan semula) ada dalam [mengekstrak data daripada dokumen dengan LLM penglihatan](https://broadrouter.com/ms/blog/extract-data-from-documents-with-vision-llm/), dan pembacaan khusus bahasa Arab ada dalam [membaca invois bahasa Arab dengan penglihatan](https://broadrouter.com/ms/guides/read-arabic-invoices-with-vision/). Di sini kami menganggap anda sudah menerima JSON dan perlu memutuskan apa yang boleh dipercayai.

## Apakah yang patut menentukan sama ada manusia menyemak sesuatu dokumen?

Peraturan yang boleh diuji dalam kod, bukan gerak hati tentang model. Mulakan dengan yang berikut, mengikut nilai:

| Peraturan | Contoh kod sebab | Mengapa ia penting |
| --- | --- | --- |
| Medan wajib tiada | `missing:total` | Null itu jujur; nilai yang diteka lebih teruk |
| Jumlah tidak sepadan | `arithmetic:subtotal+tax!=total` | Satu digit yang tersalah baca hampir selalu merosakkan jumlah |
| Item baris tidak menjumlah | `arithmetic:lines!=subtotal` | Menangkap baris yang terlangkau atau berganda |
| Tarikh tidak boleh dihuraikan atau di luar julat | `date:unparsed` | Menangkap hari/bulan yang tertukar dan hingar OCR |
| ID cukai vendor tidak dikenali | `vendor:unknown` | Pembekal baharu dan penipuan kedua-duanya bermula di sini |
| Mata wang tidak dijangka | `currency:unexpected` | Simbol yang tersalah baca mengubah amaun |
| Model menyatakan ia tidak pasti | `model:not_confident` | Petunjuk, bukan satu-satunya pintu |

Dua pilihan reka bentuk menjadikan baris gilir boleh digunakan. Pertama, setiap peraturan menghasilkan kod sebab yang pendek dan stabil, supaya penyemak membuka dokumen dengan mengetahui apa yang perlu disemak, dan anda boleh mengira peraturan mana yang paling kerap tercetus. Kedua, dokumen sama ada lulus setiap peraturan atau pergi kepada manusia. Elakkan skor berpemberat yang tiada siapa boleh terangkan kepada juruaudit.

## Patutkah anda mempercayai keyakinan model?

Anggap ia isyarat yang lemah. Anda boleh meminta model menilai setiap medan sebagai keyakinan high, medium atau low, dan ia akan melakukannya. Tetapi Xiong et al. (ICLR 2024) menanda aras cara mendapatkan LLM menyatakan keyakinan dan mendapati model “tend to be overconfident” (Terjemahan: cenderung terlalu yakin) apabila mereka menyatakan sejauh mana mereka pasti; prompt dan persampelan yang lebih baik membantu, dan tiada kaedah yang sentiasa mengatasi yang lain. Log-kebarangkalian token ialah satu lagi pilihan pada sesetengah API. Rujukan API BroadNet tidak mendokumenkan `logprobs`, jadi jangan reka bentuk bergantung padanya di sana.

Peraturan praktikalnya: apa-apa di bawah “high” daripada model, atau tiada penilaian langsung, menghantar dokumen untuk semakan, tetapi “high” tidak pernah melangkau semakan kod. Selepas beberapa ratus dokumen disemak, periksa sama ada medan “high” benar-benar mempunyai lebih sedikit pembetulan. Jika tidak, buang isyarat itu.

## Bagaimanakah anda menghalakan dokumen ke baris gilir?

Penghala ini berjalan selepas pengekstrakan dan pengesahan. Ia menormalkan digit Arab-Hindi, menggunakan peraturan di atas dan memilih satu daripada tiga baris gilir: `review`, `audit_sample` atau `auto`. Ia Python biasa tanpa panggilan API, jadi anda boleh mengujinya dengan ujian unit.

```python
import hashlib, json, random, re, time
from datetime import date, datetime
from decimal import Decimal, InvalidOperation

REQUIRED = ["vendor_name", "invoice_number", "invoice_date", "currency", "subtotal", "tax", "total"]
CURRENCIES = {"SAR", "AED", "USD", "EUR"}
KNOWN_VENDORS = {"300000000000003": "Example Trading Co"}   # your supplier master: tax ID -> name
AUTO_SAMPLE_RATE = 0.05          # share of clean documents a person still checks
DIGITS = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹٫٬", "01234567890123456789.,")

def money(v):
    """'١٬٢٥٠٫٥٠' or '1,250.50' -> Decimal('1250.50'); None if it is not a number."""
    if v is None:
        return None
    s = str(v).translate(DIGITS).replace(",", "").strip()
    try:
        return Decimal(s)
    except InvalidOperation:
        return None

def check(doc: dict, today: date) -> list[str]:
    """Return the reasons this document needs a person. Empty list = may auto-approve."""
    reasons = [f"missing:{f}" for f in REQUIRED if doc.get(f) in (None, "")]
    sub, tax, tot = (money(doc.get(k)) for k in ("subtotal", "tax", "total"))
    if None not in (sub, tax, tot) and abs(sub + tax - tot) > Decimal("0.01"):
        reasons.append("arithmetic:subtotal+tax!=total")
    lines = [money(l.get("amount")) for l in doc.get("lines", [])]
    if lines and None not in lines and sub is not None and abs(sum(lines) - sub) > Decimal("0.01"):
        reasons.append("arithmetic:lines!=subtotal")
    try:
        d = datetime.strptime(str(doc.get("invoice_date", "")).translate(DIGITS), "%Y-%m-%d").date()
        if d > today or (today - d).days > 400:
            reasons.append("date:out_of_range")
    except ValueError:
        reasons.append("date:unparsed")
    if doc.get("currency") and doc["currency"] not in CURRENCIES:
        reasons.append("currency:unexpected")
    if doc.get("vendor_tax_id") not in KNOWN_VENDORS:
        reasons.append("vendor:unknown")
    if doc.get("model_confidence", "low") != "high":   # a hint from the prompt, never the only gate
        reasons.append("model:not_confident")
    return reasons

def route(doc_id: str, doc: dict, today: date, rng=random.random) -> dict:
    reasons = check(doc, today)
    if reasons:
        queue = "review"
    elif rng() < AUTO_SAMPLE_RATE:
        queue, reasons = "audit_sample", ["sample:random"]
    else:
        queue = "auto"
    return {"doc": hashlib.sha256(doc_id.encode()).hexdigest()[:16], "queue": queue,
            "reasons": reasons, "ts": int(time.time())}
```

Kami mengujinya pada tiga invois Saudi rekaan (vendor dan ID cukai adalah fiksyen). Invois yang bersih, dengan tarikh dan subjumlah ditulis dalam digit Arab-Hindi (٢٠٢٦-١١-٠٢ dan ١٬٠٠٠٫٠٠), pergi ke `auto`. Invois yang sama dengan jumlah tersalah baca sebagai 1,105.00 pergi ke `review` dengan `arithmetic:subtotal+tax!=total`. Satu dengan ID cukai yang tidak dikenali, bulan 13 dan keyakinan “medium” pergi ke `review` dengan tiga sebab: `date:unparsed`, `vendor:unknown` dan `model:not_confident`. Memaksa cabutan rawak di bawah 0.05 menghantar invois bersih ke `audit_sample`.

Dua had yang perlu diketahui. Pembantu `money()` menganggap pemisah perpuluhan titik atau Arab; “1.150,00” gaya Eropah memerlukan penghurai sendiri berdasarkan negara vendor. Dan peraturan tarikh menganggap model memulangkan tarikh ISO. Tarikh Hijrah perlu ditukar dahulu, seperti dalam [pengekstrakan entiti bernama bahasa Arab](https://broadrouter.com/ms/blog/arabic-named-entity-extraction-llm/).

## Apakah yang berubah untuk invois bahasa Arab dan Inggeris?

Invois dwibahasa lazim di Teluk: label bahasa Arab dan Inggeris bersebelahan, amaun dalam digit Barat atau Arab-Hindi, dan nama vendor dalam dua tulisan. Beberapa peraturan membantu:

-   **Normalkan digit sebelum sebarang semakan.** Petakan ٠–٩ dan ۰–۹ Parsi kepada 0–9, dan pemisah perpuluhan serta ribuan Arab (٫ dan ٬) kepada bentuk ASCII. Kemudian bandingkan.
-   **Padankan vendor pada ID cukai, bukan nama.** Nama Arab dan Inggeris jarang sepadan aksara demi aksara dengan rekod induk anda. Nombor pendaftaran sepadan.
-   **Simpan kedua-dua nama untuk penyemak.** Tunjukkan nama vendor Arab dan Inggeris yang diekstrak di sebelah rekod induk, dengan bahasa Arab dalam blok kanan-ke-kiri yang terasing. Catatan [reka bentuk produk berbilang bahasa](https://broadrouter.com/ms/blog/multilingual-product-design/) membincangkan paparan bidi.
-   **Semak sama ada invois berstruktur wujud.** ZATCA Arab Saudi menjalankan e-invois (Fatoorah) dalam dua fasa, mulai 4 Disember 2021 dan 1 Januari 2023, berasaskan invois dalam format elektronik berstruktur. Jika pembekal boleh menghantarnya kepada anda, huraikan itu dan bukannya membaca gambarnya, dan simpan penglihatan untuk kertas, foto dan ekor panjang.

[OCR bahasa Arab dengan LLM penglihatan](https://broadrouter.com/ms/blog/arabic-ocr-vision-llm/) membincangkan bahagian pembacaan: baris diakritik, tulisan bercampur dan susun atur.

## Apakah yang patut dilihat oleh penyemak?

Skrin semakan yang baik menjawab satu soalan bagi setiap kod sebab. Untuk `arithmetic`, tunjukkan item baris, subjumlah, cukai dan jumlah bersebelahan dengan jumlah yang dikira. Untuk `vendor:unknown`, tunjukkan ID cukai yang diekstrak dan rekod induk yang paling hampir. Untuk `date:unparsed`, tunjukkan teks tarikh mentah dan keratan imej asalnya.

Tunjukkan imej di sebelah medan, bukan dalam tab lain. Benarkan penyemak membetulkan medan, meluluskan, atau menolak dokumen sebagai tidak boleh dibaca. Rekodkan tindakan yang diambil. “Tidak boleh dibaca” ialah data yang berguna: jika 10% dokumen seorang pembekal tidak boleh dibaca, minta PDF daripada pembekal itu, bukan keajaiban daripada model anda.

## Mengapakah perlu mengambil sampel dokumen yang lulus semua peraturan?

Kerana peraturan hanya menangkap ralat yang anda fikirkan. Jika model tersalah baca item baris, subjumlah dan jumlah dengan amaun yang sama (7 yang comot dibaca sebagai 1 di ketiga-tiga tempat), setiap jumlah masih sepadan dan tiada peraturan tercetus. Satu-satunya cara menemui ralat itu ialah melihat dokumen yang tidak ditanda sesiapa.

Ambil sampel secara rawak, bukan dengan memilih, dan kira berapa banyak yang memerlukan pembetulan. Sampel kecil memberikan julat yang luas. Dengan selang Wilson 95%, yang diterangkan oleh buku panduan NIST untuk perkadaran (memetik cadangan Agresti dan Coull, serta Brown, Cai dan DasGupta), kod metrik kami di bawah memberikan:

| Dokumen diaudit dengan sifar ralat ditemui | Kadar ralat sebenar masih boleh mencecah |
| --- | --- |
| 50 | kira-kira 7.1% |
| 300 | kira-kira 1.3% |

Jadi “kami audit 50 dan tiada apa-apa ditemui” tidak bermakna kadar ralat di bawah 1%. Besarkan sampel selepas sebarang perubahan pada prompt, model atau campuran dokumen, dan kecilkannya perlahan-lahan.

## Bagaimanakah anda menyimpan jejak audit?

Rekodkan pembetulan dalam sistem anda sendiri. Setiap dokumen memerlukan satu baris dengan:

-   hash SHA-256 fail sumber (dan di mana fail itu sendiri disimpan, mengikut peraturan penyimpanan anda);
-   ID model, versi prompt dan JSON mentah yang dipulangkan model;
-   ID permintaan penyedia (BroadNet memulangkannya dalam pengepala `X-Request-ID`) untuk pertanyaan sokongan;
-   keputusan peraturan dan baris gilir;
-   penyemak, masa, tindakan dan nilai sebelum dan selepas bagi setiap medan yang dibetulkan.

Ini lebih penting dengan API tanpa penyimpanan data. Pernyataan privasi BroadNet menyatakan gerbangnya tidak menyimpan prompt, imej, respons atau transkrip, dan hanya menyimpan rekod akaun, pengebilan, trafik dan keselamatan tanpa kandungan. Itu baik untuk invois sensitif, tetapi ia bermakna tiada sesiapa di pihak penyedia boleh menunjukkan kepada anda apa yang dilihat atau dikatakan model bulan lepas. Log anda satu-satunya rekod. Jangan masukkan apa-apa yang anda tidak perlukan; [log penggunaan API LLM](https://broadrouter.com/ms/blog/llm-api-usage-logging/) membincangkan apa yang perlu dilog dan apa yang perlu disunting.

## Bagaimanakah anda mengukur kadar semakan?

Jalankan ini setiap minggu ke atas log penghalaan, dengan pembetulan digabungkan:

```python
import math
from collections import Counter

def wilson(errors: int, n: int, z: float = 1.96) -> tuple[float, float]:
    """95% Wilson score interval for an error rate seen in a sample."""
    if n == 0:
        return (0.0, 1.0)
    p = errors / n
    centre = (p + z * z / (2 * n)) / (1 + z * z / n)
    half = z * math.sqrt(p * (1 - p) / n + z * z / (4 * n * n)) / (1 + z * z / n)
    return (max(0.0, centre - half), min(1.0, centre + half))

def report(log: list[dict]) -> dict:
    queues = Counter(r["queue"] for r in log)
    reasons = Counter(x.split(":")[0] for r in log if r["queue"] == "review" for x in r["reasons"])
    audited = [r for r in log if r["queue"] == "audit_sample"]
    wrong = sum(1 for r in audited if r.get("corrected_fields"))
    lo, hi = wilson(wrong, len(audited))
    return {"documents": len(log),
            "review_rate": round(queues["review"] / len(log), 3),
            "top_reasons": reasons.most_common(3),
            "audited": len(audited), "audited_with_errors": wrong,
            "auto_error_rate_95ci": (round(lo, 4), round(hi, 4))}
```

Pada minggu sintetik 1,000 dokumen (760 auto, 190 semakan, 50 diaudit dengan 2 memerlukan pembetulan), ia melaporkan kadar semakan 0.19, `vendor` sebagai sebab utama dengan 120, dan kadar ralat diaudit antara 1.1% dan 13.5%. Julat terakhir itu ialah jawapan jujur kepada “sejauh mana tepatnya automasi?” pada saiz sampel ini.

Baca ketiga-tiga angka bersama:

-   **Kadar semakan menurun, ralat diaudit kekal:** satu peraturan terlalu ketat, atau model bertambah baik. Bagus.
-   **Kadar semakan menurun, ralat diaudit meningkat:** satu peraturan terlalu longgar. Ketatkan sebelum ralat sampai ke lejar anda.
-   **Satu sebab mendominasi:** baiki puncanya. Jika `vendor:unknown` mendahului, kemas kini induk pembekal; jika `arithmetic` mendahului, lihat kualiti imej atau cuba model lain pada dokumen yang sama dengan kaedah dalam [menilai LLM sebelum bertukar](https://broadrouter.com/ms/blog/evaluate-llm-before-switching/).

## Di manakah BroadNet Inference sesuai

BroadRouter ialah laman web BroadNet sendiri. BroadNet Inference menawarkan tiga model chat yang menerima imej, menurut [suapan harganya](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-document-review-queues&utm_content=body): [Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/) ($0.175 input / $2.17 output setiap 1M token, dengan output berstruktur didokumenkan), [Gemma 4 VL 26B](https://broadrouter.com/ms/models/gemma-4-vl-26b/) ($0.10 / $0.22, boleh digunakan dengan kredit permulaan $5) dan [DeepSeek V4.1 Flash](https://broadrouter.com/ms/models/deepseek-v4.1-flash/) ($0.175 / $0.52). Pada bayar ikut guna, imej dikira sebagai token input; [kalkulator token imej](https://broadrouter.com/tools/image-token-calculator/) membantu menganggarnya. Kandungan inferens tidak disimpan; metadata akaun, pengebilan dan keselamatan yang perlu disimpan seperti yang diterangkan dalam [pernyataan privasi](https://www.broadnet.ai/inference-privacy) BroadNet. BroadNet tidak menyediakan baris gilir semakan atau log audit, jadi penghalaan dan rekod di atas perlu anda bina dan simpan sendiri.

Alat percuma untuk topik ini (Bahasa Inggeris)

-   [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.

[Alatan percuma (Bahasa Inggeris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

[Baris Arab (tashkeel, Arabic diacritics)](https://broadrouter.com/ms/glossary/arabic-diacritics/)

Baris Arab, atau tashkeel, ialah tanda kecil yang ditulis di atas atau di bawah huruf untuk menunjukkan vokal pendek, konsonan berganda dan ketiadaan vokal. Ia pilihan: kebanyakan teks Arab, termasuk berita, meninggalkannya, jadi pembaca dan perisian meneka vokal daripada konteks.

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

Token ialah unit teks yang dibaca dan ditulis oleh model bahasa: satu perkataan, sebahagian perkataan, tanda baca atau jujukan bait yang dihasilkan oleh tokenizer model itu. API LLM mengira, mengehadkan dan biasanya mengebil penggunaan dalam token.

[Pengecaman aksara optik (OCR)](https://broadrouter.com/ms/glossary/ocr/)

Pengecaman aksara optik (OCR) ialah teknologi yang mengesan dan menukar teks bercetak atau tulisan tangan dalam imej, imbasan atau PDF kepada aksara yang boleh dibaca mesin. OCR klasik mengeluarkan teks dan kedudukannya pada halaman; model bahasa-penglihatan pula boleh membaca teks dan menjawab soalan tentangnya secara terus.

[Bayar ikut guna (pay-as-you-go)](https://broadrouter.com/ms/glossary/pay-as-you-go/)

Bayar ikut guna ialah model harga di mana anda hanya membayar apa yang anda guna, dimeter mengikut unit seperti token, permintaan atau minit audio, tanpa langganan atau komitmen minimum. Kebanyakan API LLM mengebil dengan cara ini, daripada baki prabayar atau invois berkala.

[Model bahasa-penglihatan (vision-language model)](https://broadrouter.com/ms/glossary/vision-language-model/)

Model bahasa-penglihatan (VLM) ialah model yang menerima imej dan teks bersama sebagai input dan menghasilkan teks, jadi ia boleh menerangkan gambar, menjawab soalan tentangnya dan membaca dokumen, carta atau tangkapan skrin. VLM juga dipanggil model image-text-to-text atau model multimodal.

[Output berstruktur (structured output)](https://broadrouter.com/ms/glossary/structured-output/)

Output berstruktur ialah ciri API LLM yang mengehadkan balasan model kepada format yang ditetapkan oleh pembangun, biasanya JSON Schema, supaya kod boleh menghuraikannya dengan boleh dipercayai. Ia lebih ketat daripada JSON mode, yang menjamin JSON yang sah tetapi bukan bentuk tertentu.

[Pengecaman entiti bernama (NER)](https://broadrouter.com/ms/glossary/named-entity-recognition/)

Pengecaman entiti bernama (NER) ialah tugas mencari nama dalam teks dan melabel setiap satu dengan jenisnya, seperti orang, organisasi atau lokasi. Sistem klasik menanda setiap token; LLM pula sering diminta memulangkan senarai entiti sebagai JSON, yang kemudian disemak dengan teks sumber.

[Teks kanan ke kiri (right-to-left, RTL)](https://broadrouter.com/ms/glossary/rtl-text/)

Teks kanan ke kiri (RTL) ialah tulisan, seperti bahasa Arab atau Ibrani, yang dipaparkan dari kanan ke kiri. Komputer menyimpannya dalam susunan bacaan logik, dan Unicode Bidirectional Algorithm menentukan susunan paparan apabila teks RTL bercampur dengan teks kiri ke kanan, digit, nama model atau kod.

## Soalan lazim

### Apakah yang patut dihantar untuk semakan manusia dalam pengekstrakan invois?

Apa sahaja yang gagal satu peraturan: medan wajib yang tiada, item baris atau cukai yang tidak menjumlah kepada jumlah keseluruhan, tarikh yang tidak boleh dihuraikan atau di luar julat, vendor yang tidak dikenali, mata wang yang tidak dijangka, atau keyakinan model di bawah "high". Tambah sampel rawak kecil dokumen yang lulus semua peraturan.

### Bolehkah saya menggunakan skor keyakinan model untuk melangkau semakan?

Tidak jika itu sahaja. Penyelidikan tentang keyakinan yang dinyatakan (Xiong et al., ICLR 2024) mendapati LLM cenderung terlalu yakin. Gunakannya sebagai satu isyarat bersama semakan dalam kod, dan semak dengan data berlabel anda sama ada "high" benar-benar bermaksud lebih sedikit ralat.

### Berapa banyak dokumen yang diluluskan secara automatik patut saya audit?

Cukup untuk mengehadkan kadar ralat yang penting bagi anda. Jika sifar ralat ditemui, 50 dokumen yang diaudit mengehadkan kadar sebenar pada kira-kira 7% (had atas Wilson 95%) dan 300 mengehadkannya pada kira-kira 1.3%. Besarkan sampel apabila peraturan, prompt atau model berubah.

### Apakah kadar semakan yang baik?

Tiada angka universal. Mulakan tinggi, kemudian turunkan hanya apabila kadar ralat yang diaudit bagi dokumen yang diluluskan secara automatik kekal dalam toleransi anda. Kadar semakan yang menurun dengan kadar ralat diaudit yang meningkat bermakna satu peraturan terlalu longgar.

### Di manakah jejak audit patut disimpan?

Dalam pangkalan data anda sendiri. Simpan hash fail sumber, ID model, versi prompt, output mentah, keputusan peraturan, penyemak dan nilai yang dibetulkan. Jika penyedia anda tidak menyimpan kandungan permintaan, seperti yang dinyatakan BroadNet tentang API inferensnya, tiada orang lain boleh membinanya semula kemudian.

## Teruskan membaca

-   [Ekstrak data invois, resit dan borang ke JSON dengan LLM visi](https://broadrouter.com/ms/blog/extract-data-from-documents-with-vision-llm/)
-   [OCR bahasa Arab vs LLM vision: membaca dokumen dan invois Arab](https://broadrouter.com/ms/blog/arabic-ocr-vision-llm/)
-   [JSON mode vs json\_schema: output berstruktur yang boleh diharap](https://broadrouter.com/ms/blog/structured-output-json-schema/)
-   [Cara menilai LLM sebelum bertukar penyedia](https://broadrouter.com/ms/blog/evaluate-llm-before-switching/)
-   [Log penggunaan API LLM: kos setiap pengguna dan ciri, PII disunting](https://broadrouter.com/ms/blog/llm-api-usage-logging/)
-   [Cara membaiki JSON tidak sah daripada LLM: punca, baiki, cuba semula](https://broadrouter.com/ms/blog/fix-invalid-json-from-llm/)
-   [Perkakasan GPU dan pendekatan penyajian BroadNet, menurut BroadNet](https://broadrouter.com/ms/blog/broadnet-gpu-fleet-and-serving/)
-   [Cache respons API LLM untuk jimat kos: cache padanan tepat Python](https://broadrouter.com/ms/blog/cache-llm-responses-cut-cost/)
-   [Panduan: Baca invois dan resit Arab dengan model vision](https://broadrouter.com/ms/guides/read-arabic-invoices-with-vision/)
-   [Panduan: Cara guna OpenAI Python SDK dengan BroadNet Inference](https://broadrouter.com/ms/guides/openai-python-sdk/)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

[Mulakan](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-document-review-queues&utm_content=page-cta) ·

**Sumber**

-   [Xiong et al., Can LLMs Express Their Uncertainty? An Empirical Evaluation of Confidence Elicitation in LLMs, ICLR 2024 (disemak 2026-11-15)](https://arxiv.org/abs/2306.13063)
-   [NIST/SEMATECH e-Handbook of Statistical Methods, 7.2.4: selang keyakinan untuk perkadaran, kaedah Wilson (disemak 2026-11-15)](https://www.itl.nist.gov/div898/handbook/prc/section2/prc241.htm)
-   [ZATCA, E-Invoicing (Fatoorah): Fasa 1 mulai 4 Disember 2021, Fasa 2 mulai 1 Januari 2023 (disemak 2026-11-15)](https://zatca.gov.sa/en/E-Invoicing/Pages/default.aspx)
-   [Rujukan API BroadNet Inference: chat dengan imej, output berstruktur, X-Request-ID, pengendalian data (disemak 2026-11-15) (Bahasa Inggeris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-document-review-queues&utm_content=sources)
-   [pricing.json BroadNet Inference: modaliti dan harga model (disemak 2026-11-15) (Bahasa Inggeris)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-document-review-queues&utm_content=sources)
-   [Pernyataan privasi dan penyimpanan data BroadNet Inference (disemak 2026-11-15) (Bahasa Inggeris)](https://www.broadnet.ai/inference-privacy)
