---
title: "OCR арабского текста или vision-LLM для счетов и документов"
description: "Когда для арабских счетов, чеков и форм брать классический OCR, а когда vision-LLM: ловушки точности, вывод в JSON, цена за страницу и пайплайн проверки."
url: https://broadrouter.com/ru/blog/arabic-ocr-vision-llm/
lang: ru
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/blog/arabic-ocr-vision-llm/) (обновлён 2026-11-14).

# OCR арабского или vision-LLM: как читать арабские документы и счета

Команда BroadNet Inference · 5 мин чтения · Опубликовано 2026-11-14

Классический OCR превращает изображения арабских страниц в сырой текст, а vision-LLM читает изображение и возвращает нужные вам поля, например поставщика, дату и итог, в JSON. Для счетов и чеков vision-LLM обычно избавляет от шага разбора. В BroadNet Inference изображения принимают Qwen3.8 27B, DeepSeek V4.1 Flash и BroadNet Gemma 4 VL 26B.

## Главное

-   OCR арабского сложен: буквы соединяются, меняют форму в зависимости от позиции и различаются точками; строки со смесью арабского и английского добавляют проблемы двунаправленного порядка.
-   Классический OCR даёт текст и позиции. Vision-LLM даёт смысл: именованные поля, переведённые подписи, структурированный JSON.
-   Всегда проверяйте числа в коде: итог равен сумме строк, НДС соответствует ставке, даты разбираются.
-   При оплате по мере использования изображение тарифицируется как входные токены, поэтому уменьшайте большие фотографии перед отправкой.
-   Используйте OCR, когда нужен полнотекстовый поиск по длинным отсканированным книгам; vision-LLM — для документов, по которым нужно действовать.

**На этой странице**

1.  Почему OCR арабского — это сложно?
2.  OCR или vision-LLM: что даёт каждый?
3.  Как прочитать арабский счёт с помощью vision-LLM?
4.  Как ловить неверно прочитанные числа?
5.  Какая vision-модель должна читать арабские документы?
6.  Сколько стоит страница при чтении vision-LLM?
7.  Когда классический OCR всё ещё выигрывает?
8.  Конфиденциальность

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

Для арабских счетов, чеков и форм, по которым нужно действовать, используйте [vision-LLM](https://broadrouter.com/ru/glossary/vision-language-model/): она читает изображение и возвращает нужные вам поля, например поставщика, номер плательщика НДС, дату и итог, в JSON. Классическое [оптическое распознавание символов (OCR)](https://broadrouter.com/ru/glossary/ocr/) используйте для полнотекстового поиска по длинным отсканированным страницам или для работы офлайн. В любом случае проверяйте числа в коде.

Арабский делает оба пути сложнее, чем для английского, по причинам ниже.

## Почему OCR арабского — это сложно?

-   **Связное письмо.** Арабские буквы соединяются, и у большинства до четырёх форм (изолированная, начальная, срединная, конечная). Движку OCR приходится сегментировать слово, границ которого он не видит.
-   **Точки несут смысл.** У ب ت ث ن ي одна основа, различаются они только точками. Скан низкого разрешения или сгиб может превратить одну букву в другую.
-   **Два направления в одной строке.** Строка счёта вроде “المجموع: 1,250.00 SAR” смешивает арабский справа налево с числами и латиницей слева направо. Вывод OCR часто возвращается в неверном визуальном порядке, который [двунаправленный алгоритм Unicode](https://www.unicode.org/reports/tr9/) при отображении переставляет ещё раз.
-   **Два набора цифр.** Документы из Залива и Египта часто печатают восточноарабские цифры (٠١٢٣٤٥٦٧٨٩) вместо 0–9, иногда оба варианта на одной странице.
-   **Шрифты и печати.** Декоративные заголовки насхом и рукаа, печати компаний поверх итоговой суммы и выцветание термочеков — всё это мешает распознаванию.

## OCR или vision-LLM: что даёт каждый?

|  | Классический OCR | Vision-LLM |
| --- | --- | --- |
| Вывод | Сырой текст, часто с позициями слов | Всё, что попросите: поля, JSON, краткое содержание, перевод |
| Понимание вёрстки | Вы пишете правила или шаблоны | Модель сама её выводит («итог — внизу справа») |
| Новые макеты счетов | Новый шаблон или правило | Обычно работает без изменений |
| Перевод | Отдельный шаг | Тот же запрос |
| Предсказуемость | Детерминирован для одного и того же входа | Может различаться; проверяйте вывод |
| Риск галлюцинаций | Низкий (ошибается в чтении, но не выдумывает) | Реальный: может выдать правдоподобное, но неверное значение |
| Лучше всего для | Полнотекстового поиска по длинным отсканированным документам, архивов | Счетов, чеков, удостоверений, форм, по которым нужно действовать |

Главный компромисс: OCR ошибается в чтении, но не выдумывает. Vision-LLM понимает, но может [галлюцинировать](https://broadrouter.com/ru/glossary/hallucination/) правдоподобное значение. Хороший пайплайн использует LLM для понимания, а код — для проверки.

## Как прочитать арабский счёт с помощью vision-LLM?

Отправьте изображение как base64 data URL внутри содержимого сообщения и попросите ровно те поля, которые нужны. Полный разбор — в [руководстве по чтению счетов с vision-моделью](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/); суть выглядит так:

```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)
```

Три детали, которые экономят время на отладке:

1.  **Укажите, какая система цифр нужна.** «Convert Eastern Arabic numerals to Western digits» избавляет от смеси ١٢٥٠ и 1250 в базе данных.
2.  **Просите `null`, а не догадку.** Модели чаще выдумывают значение, когда каждый ключ обязан быть заполнен.
3.  **Имена оставляйте в исходной графике.** Транслитерация “مؤسسة النور للتجارة” латиницей порождает варианты написания. Храните арабский вариант и переводите отдельно, если нужен английский.

Если модель вернула пустой ответ, у неё закончились `max_tokens` во время рассуждений; см. руководство о [токенах рассуждений и пустых ответах](https://broadrouter.com/ru/guides/reasoning-tokens-empty-response/). Для более строгой формы JSON см. статью о [структурированном выводе с JSON Schema](https://broadrouter.com/ru/blog/structured-output-json-schema/); бесплатный [генератор JSON-схем](https://broadrouter.com/tools/json-schema-generator/) построит схему по образцу счёта.

## Как ловить неверно прочитанные числа?

Считайте каждое извлечённое значение утверждением, которое нужно проверить в коде, а не данными. Строки должны давать в сумме подытог, подытог плюс НДС должен равняться итогу, даты должны разбираться и не быть в будущем, а валюта должна соответствовать стране поставщика. У саудовских номеров плательщика НДС фиксированные длина и формат, что даёт ещё одну дешёвую проверку. Неверно прочитанная цифра почти всегда ломает сумму, поэтому арифметические проверки ловят большую часть важных ошибок. Всё, что не прошло, уходит в очередь ручной проверки с изображением рядом с извлечёнными полями.

Полный пайплайн со схемой Pydantic, арифметическими валидаторами, одним повтором с текстом ошибки и очередью проверки — в статье об [извлечении данных счетов и чеков в JSON с помощью vision-LLM](https://broadrouter.com/ru/blog/extract-data-from-documents-with-vision-llm/).

## Какая vision-модель должна читать арабские документы?

Изображения принимают три чат-модели BroadNet Inference:

| Модель | Вход / выход за 1 млн токенов | Контекст | Примечания |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/ru/models/qwen3.8-27b/) | $0.175 / $2.17 | 262 144 | Модель, которую BroadNet тестировала на арабском |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ru/models/deepseek-v4.1-flash/) | $0.175 / $0.52 | 1 048 576 | Также на безлимитных тарифах с фиксированной ценой |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/ru/models/gemma-4-vl-26b/) | $0.10 / $0.22 | 32 768 | Самая дешёвая из vision-моделей BroadNet; работает на бесплатном кредите и с почасовым ключом за $0.50 |

BroadNet сообщает, что в её тестах Qwen3.8 27B писала беглый арабский текст, понимала диалекты Залива и египетский и точно переводила между арабским и английским. Бенчмарка OCR или извлечения данных из документов BroadNet не публикует, поэтому измеряйте точность полей на своих документах. Практичная схема — Gemma 4 VL 26B для простых чеков и второй проход Qwen3.8 27B для всего, что не прошло проверку. [Сравнение Gemma 4 VL 26B и Qwen3.8 27B](https://broadrouter.com/compare/gemma-4-vl-26b-vs-qwen3.8-27b/) показывает обе модели рядом.

## Сколько стоит страница при чтении vision-LLM?

На ключах с оплатой по мере использования изображение тарифицируется как входные токены по цене входа модели, и чем больше изображение, тем больше токенов. Уменьшайте фотографии с телефона примерно до 1 500–2 000 пикселей по длинной стороне: арабским точкам нужно достаточное разрешение, но фото на 12 мегапикселей в основном добавляет стоимость. Посмотрите `usage.prompt_tokens` на нескольких реальных изображениях, чтобы узнать цену за страницу. На безлимитном тарифе DeepSeek V4.1 Flash, как сказано в документации BroadNet, изображения входят в безлимитное использование тарифа. Расчёт токенов на изображение и на страницу разобран в статье о [стоимости vision-LLM за изображение](https://broadrouter.com/ru/blog/cheapest-vision-llm-api/).

## Когда классический OCR всё ещё выигрывает?

-   **Длинные отсканированные книги и архивы,** где для поиска нужно каждое слово, а не несколько полей.
-   **Строгая воспроизводимость,** когда один и тот же вход всегда должен давать один и тот же текст.
-   **Обработка офлайн или на устройстве** без сети.

Движки с открытым кодом вроде [Tesseract](https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html) предлагают обученные данные для арабского (`ara`) и работают офлайн. Хорошо работает и гибрид: OCR страницы для текста, по которому можно искать, и отправка изображения в vision-LLM за полями, по которым нужно действовать. Какие облачные API OCR поддерживают арабский, печатный и рукописный, и сколько каждый стоит за 1 000 страниц — в [сравнении API OCR для арабского](https://broadrouter.com/ru/blog/arabic-ocr-api-comparison/).

## Конфиденциальность

Счета и удостоверения содержат имена, налоговые номера и банковские реквизиты. BroadNet Inference не хранит изображения, промпты и ответы после запроса; см. [нулевое хранение данных](https://broadrouter.com/ru/privacy/). Применяйте то же правило к своему хранилищу: держите только нужные извлечённые поля и удаляйте изображения, которые больше не обязаны хранить.

Бесплатные инструменты по теме (на английском)

-   [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.

[Бесплатные инструменты (на английском)](https://broadrouter.com/tools/)

## Термины в этой статье

[Галлюцинация (hallucination)](https://broadrouter.com/ru/glossary/hallucination/)

Галлюцинация — это ответ языковой модели, который звучит правдоподобно, но ложен, выдуман или не подкреплён переданными ей данными: например, несуществующая ссылка на источник, неверное число или выдуманный метод API. Она возникает потому, что модель предсказывает вероятный текст, а не проверяет факты.

[Визуально-языковая модель (VLM)](https://broadrouter.com/ru/glossary/vision-language-model/)

Визуально-языковая модель (vision-language model, VLM) — это модель, которая принимает на вход изображения вместе с текстом и выдаёт текст, поэтому может описывать картинки, отвечать на вопросы о них и читать документы, графики и скриншоты. VLM также называют моделями image-text-to-text или мультимодальными моделями.

[Входные и выходные токены (input and output tokens)](https://broadrouter.com/ru/glossary/input-and-output-tokens/)

Входные токены — это токены, которые языковая модель читает в запросе: системный промпт, история диалога, описания инструментов и изображения. Выходные токены — это токены, которые она генерирует в ответ, включая рассуждения. LLM API обычно тарифицируют их по отдельности, и выход, как правило, дороже.

[Вызов инструментов (tool calling)](https://broadrouter.com/ru/glossary/tool-calling/)

Вызов инструментов (function calling) — это функция LLM API, при которой модель возвращает структурированный запрос на выполнение функции, заданной разработчиком, с аргументами в JSON. Приложение выполняет функцию и отправляет результат обратно; сама модель код никогда не выполняет.

[Контекстное окно (context window)](https://broadrouter.com/ru/glossary/context-window/)

Контекстное окно — это максимальное число токенов, с которым языковая модель может работать в одном запросе. В него входят промпт, история диалога, описания инструментов, изображения и сгенерированный ответ, включая токены рассуждений. Всё, что не помещается, приходится обрезать, сжимать в краткое изложение или делить на несколько запросов.

[Нулевое хранение данных (ZDR)](https://broadrouter.com/ru/glossary/zero-data-retention/)

Нулевое хранение данных (ZDR) — это политика обработки данных, при которой AI-провайдер обрабатывает промпты и ответы только для выполнения запроса и после этого не сохраняет их содержимое ни в логах, ни в кэшах, ни в обучающих данных. Записи без содержимого, например число токенов и время выполнения, обычно всё же хранятся.

[Оптическое распознавание символов (OCR)](https://broadrouter.com/ru/glossary/ocr/)

Оптическое распознавание символов (OCR) — это технология, которая находит печатный или рукописный текст на изображении, скане или в PDF и превращает его в машиночитаемые символы. Классический OCR выдаёт текст и его положение на странице; визуально-языковые модели могут прочитать текст и сразу ответить на вопросы о нём.

[Текст справа налево (RTL, right-to-left)](https://broadrouter.com/ru/glossary/rtl-text/)

Текст справа налево (RTL) — это письмо, например арабское или иврит, которое отображается справа налево. Компьютер хранит его в логическом порядке чтения, а когда RTL-текст смешивается с текстом слева направо, цифрами, названиями моделей или кодом, порядок отображения определяет двунаправленный алгоритм Unicode.

## Вопросы и ответы

### Vision-LLM точнее OCR для арабского?

Зависит от документа. Vision-LLM обычно лучше понимают вёрстку и извлекают именованные поля из счетов и чеков. Специализированный OCR может быть предсказуемее на длинных чистых печатных страницах. Проверьте оба варианта на выборке своих документов.

### Могут ли vision-LLM читать рукописный арабский?

Иногда, если почерк разборчивый. На беглом или торопливом письме точность быстро падает. Рукописные поля с низкой уверенностью отправляйте на проверку человеку.

### Какая модель BroadNet дешевле всего для чтения изображений?

BroadNet Gemma 4 VL 26B, $0.10 за 1 млн входных токенов. Она также работает на бесплатном стартовом кредите и с почасовым ключом по фиксированной цене.

### Как перевести восточноарабские цифры в западные?

Попросите модель возвращать западные цифры, затем закрепите это в коде. В Python text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")) преобразует проскочившие восточноарабские цифры. У персидских цифр (۰–۹) другие кодовые точки, поэтому добавьте их, если документы приходят из Ирана или Афганистана.

### Может ли модель перевести арабские подписи на английский?

Да. Попросите английские ключи с исходными арабскими значениями или и то и другое. Имена оставляйте в исходной графике, чтобы избежать ошибок транслитерации.

## Читайте также

-   [Распознавание счетов, чеков и форм в JSON с помощью vision LLM](https://broadrouter.com/ru/blog/extract-data-from-documents-with-vision-llm/)
-   [Самый дешёвый vision LLM API: цена за изображение и за страницу](https://broadrouter.com/ru/blog/cheapest-vision-llm-api/)
-   [Как выбрать LLM API для арабского: что проверить](https://broadrouter.com/ru/blog/choosing-an-llm-for-arabic/)
-   [JSON mode или json\_schema: надёжный структурированный вывод LLM](https://broadrouter.com/ru/blog/structured-output-json-schema/)
-   [Огласовки в арабском тексте через LLM: промпт, проверка, DER](https://broadrouter.com/ru/blog/arabic-diacritization-llm/)
-   [Проверка арабской орфографии и грамматики через LLM: руководство](https://broadrouter.com/ru/blog/arabic-grammar-spelling-correction-llm/)
-   [Руководство: Как читать арабские счета и чеки vision-моделью](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/)
-   [Руководство: Почему рассуждающая модель возвращает пустой ответ](https://broadrouter.com/ru/guides/reasoning-tokens-empty-response/)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

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

**Источники**

-   [Справочник API BroadNet Inference: чат с изображением, изображения на тарифах (загружено 2026-11-14) (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-arabic-ocr-vision-llm&utm_content=sources)
-   [Машиночитаемые цены BroadNet Inference, pricing.json (загружено 2026-11-14) (на английском)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-arabic-ocr-vision-llm&utm_content=sources)
-   [Документация Tesseract, файлы обученных данных по языкам, включая арабский (загружено 2026-11-14)](https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html)
-   [Unicode Standard Annex #9, двунаправленный алгоритм Unicode (загружено 2026-11-14)](https://www.unicode.org/reports/tr9/)
