---
title: "دستاویزی AI کے لیے انسانی جائزے کی queue: اصول اور سیمپلنگ"
description: "دستاویزی AI پائپ لائن کا انسانی جائزے والا مرحلہ کیسے بنائیں: توثیقی اصول، کیا انسان تک بھیجیں، رینڈم آڈٹ سیمپل، آڈٹ ٹریل اور جائزے کی شرح۔"
url: https://broadrouter.com/ur/blog/document-review-queues/
lang: ur
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/blog/document-review-queues/) (اپ ڈیٹ: 2026-11-16).

# دستاویزی AI ورک فلو میں انسانی جائزے کو شامل کریں

BroadNet Inference ٹیم · 7 منٹ کی پڑھائی · شائع شدہ 2026-11-15 · اپ ڈیٹ 2026-11-16

ہر نکالی گئی دستاویز کو تب تک غیر منظور شدہ سمجھیں جب تک اصول پاس نہ ہوں۔ اسے انسان کے پاس بھیجیں جب کوئی لازمی فیلڈ غائب ہو، میزان آپس میں نہ ملیں، تاریخ یا وینڈر غلط لگے، یا ماڈل غیر یقینی ہو۔ صاف دستاویزات کا بھی ایک چھوٹا رینڈم حصہ جانچیں، ہر درستی اپنے سسٹم میں لاگ کریں، اور جائزے کی شرح اور آڈٹ شدہ غلطی کی شرح پر نظر رکھیں۔

## اہم نکات

-   انسان کیا دیکھے گا، یہ توثیقی اصول طے کرتے ہیں۔ ماڈل کا اپنا confidence بس ایک اور اشارہ ہے، اور شائع شدہ تحقیق کے مطابق LLMs اپنا confidence بتاتے وقت ضرورت سے زیادہ پُراعتماد ہوتے ہیں۔
-   queue میں جانے والی ہر دستاویز کے ساتھ مشین کے پڑھنے لائق وجوہات ہونی چاہییں، جیسے arithmetic یا vendor:unknown، تاکہ جائزہ لینے والے کو پتا ہو کہاں دیکھنا ہے اور آپ کو پتا ہو کون سا اصول ٹھیک کرنا ہے۔
-   خودکار طور پر منظور ہونے والی دستاویزات کا رینڈم سیمپل آڈٹ کریں۔ 50 آڈٹ شدہ دستاویزات میں صفر غلطی کے باوجود اصل غلطی کی شرح تقریباً 7% تک ہو سکتی ہے (95% Wilson interval)۔
-   آڈٹ ٹریل خود رکھیں: تصویر کا hash، ماڈل ID، پرامپٹ ورژن، آؤٹ پٹ، اصولوں کے نتائج اور جائزہ لینے والے کی درستی۔ زیرو ریٹینشن API مواد کی کوئی کاپی نہیں رکھتا۔
-   ہر ہفتے تین اعداد پر نظر رکھیں: جائزے کی شرح، جائزے کی بڑی وجوہات، اور خودکار منظور شدہ دستاویزات کی آڈٹ شدہ غلطی کی شرح۔

**اس صفحے پر**

1.  کون طے کرے کہ کسی دستاویز کا انسانی جائزہ ہوگا؟
2.  کیا ماڈل کے confidence پر بھروسہ کرنا چاہیے؟
3.  دستاویزات کو queue تک کیسے روٹ کریں؟
4.  عربی اور انگریزی انوائسز کے لیے کیا بدلتا ہے؟
5.  جائزہ لینے والے کو کیا نظر آنا چاہیے؟
6.  جو دستاویزات ہر اصول پاس کر گئیں، ان کا سیمپل کیوں لیں؟
7.  آڈٹ ٹریل کیسے رکھیں؟
8.  جائزے کی شرح کیسے ناپیں؟
9.  BroadNet Inference کہاں فٹ ہوتا ہے

ایک وژن ماڈل انوائس پڑھ سکتا ہے، لیکن وہ کوئی ہندسہ غلط پڑھ سکتا ہے، کوئی لائن چھوڑ سکتا ہے یا ایسا فیلڈ گھڑ سکتا ہے جو وہاں ہے ہی نہیں۔ اس کا علاج صرف بہتر پرامپٹ نہیں۔ علاج پہلے دن سے ڈیزائن کیا گیا جائزے کا مرحلہ ہے: ایسے اصول جو طے کریں کہ انسان کون سی دستاویزات دیکھے گا، ایسی queue جو اسے وجہ بتائے، اور ایسا لاگ جس سے آپ غلطی کی شرح ثابت کر سکیں۔

یہ پوسٹ اسی مرحلے کے بارے میں ہے۔ extraction خود (تصویر کی تیاری، JSON پرامپٹ، schema کی توثیق اور دوبارہ کوشش) [وژن LLM سے دستاویزات سے ڈیٹا نکالنے](https://broadrouter.com/ur/blog/extract-data-from-documents-with-vision-llm/) والی پوسٹ میں ہے، اور عربی سے متعلق پڑھائی [وژن سے عربی انوائس پڑھنے](https://broadrouter.com/ur/guides/read-arabic-invoices-with-vision/) والی گائیڈ میں۔ یہاں ہم فرض کرتے ہیں کہ آپ کو JSON واپس مل رہا ہے اور اب طے کرنا ہے کہ کس پر بھروسہ کریں۔

## کون طے کرے کہ کسی دستاویز کا انسانی جائزہ ہوگا؟

ایسے اصول جنہیں آپ کوڈ میں ٹیسٹ کر سکیں، ماڈل کے بارے میں کوئی اندازہ نہیں۔ ان سے شروع کریں، افادیت کی ترتیب سے:

| اصول | مثالی reason code | کیوں اہم ہے |
| --- | --- | --- |
| لازمی فیلڈ غائب | `missing:total` | null دیانت دار ہے؛ اندازے سے بھری ویلیو اس سے بدتر ہے |
| میزان نہیں ملتے | `arithmetic:subtotal+tax!=total` | ایک غلط پڑھا ہندسہ تقریباً ہمیشہ میزان بگاڑ دیتا ہے |
| لائن آئٹمز جمع ہو کر درست نہیں بیٹھتے | `arithmetic:lines!=subtotal` | چھوٹی یا دہرائی گئی لائنیں پکڑتا ہے |
| تاریخ پارس نہیں ہوتی یا حد سے باہر ہے | `date:unparsed` | دن/مہینے کی ادلا بدلی اور OCR کا شور پکڑتا ہے |
| وینڈر کا ٹیکس ID نامعلوم | `vendor:unknown` | نئے سپلائر اور دھوکا دہی، دونوں یہیں سے شروع ہوتے ہیں |
| غیر متوقع کرنسی | `currency:unexpected` | غلط پڑھا گیا نشان رقم بدل دیتا ہے |
| ماڈل کہتا ہے کہ وہ غیر یقینی ہے | `model:not_confident` | ایک اشارہ، کبھی واحد گیٹ نہیں |

دو ڈیزائن فیصلے queue کو کارآمد بناتے ہیں۔ پہلا، ہر اصول ایک مختصر، مستحکم reason code دیتا ہے، تاکہ جائزہ لینے والا دستاویز کھولتے ہی جانے کہ کیا جانچنا ہے، اور آپ گن سکیں کہ کون سا اصول سب سے زیادہ لگتا ہے۔ دوسرا، دستاویز یا تو ہر اصول پاس کرتی ہے یا انسان کے پاس جاتی ہے۔ ایسے weighted scores سے بچیں جنہیں کوئی آڈیٹر کو سمجھا نہ سکے۔

## کیا ماڈل کے confidence پر بھروسہ کرنا چاہیے؟

اسے کمزور اشارہ سمجھیں۔ آپ ماڈل سے ہر فیلڈ کو high، medium یا low confidence دینے کو کہہ سکتے ہیں، اور وہ دے بھی دے گا۔ لیکن Xiong et al. (ICLR 2024) نے LLMs سے confidence بیان کروانے کے طریقوں کو بینچ مارک کیا اور پایا کہ جب ماڈل بتاتے ہیں کہ وہ کتنے پُریقین ہیں تو وہ “tend to be overconfident” (ترجمہ: ضرورت سے زیادہ پُراعتماد ہوتے ہیں)؛ بہتر پرامپٹنگ اور سیمپلنگ سے مدد ملی، اور کوئی طریقہ مسلسل باقیوں سے بہتر نہیں رہا۔ کچھ APIs پر ٹوکن log-probabilities بھی ایک آپشن ہیں۔ BroadNet کا API ریفرنس `logprobs` کو دستاویزی شکل میں نہیں بتاتا، اس لیے وہاں ان پر ڈیزائن نہ ٹکائیں۔

عملی اصول: ماڈل کی طرف سے “high” سے کم کوئی بھی درجہ، یا کوئی درجہ نہ ہونا، دستاویز کو جائزے میں بھیجتا ہے، لیکن “high” کبھی کوڈ چیکس نہیں چھڑواتا۔ چند سو دستاویزات کا جائزہ ہو جانے کے بعد جانچیں کہ کیا “high” فیلڈز میں واقعی کم درستیاں ہوئیں۔ اگر نہیں، تو یہ اشارہ ہٹا دیں۔

## دستاویزات کو queue تک کیسے روٹ کریں؟

یہ router، extraction اور توثیق کے بعد چلتا ہے۔ یہ Arabic-Indic ہندسوں کو normalise کرتا ہے، اوپر کے اصول لگاتا ہے اور تین میں سے ایک queue چنتا ہے: `review`، `audit_sample` یا `auto`۔ یہ سادہ Python ہے، اس میں کوئی API کال نہیں، اس لیے آپ اسے unit-test کر سکتے ہیں۔

```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())}
```

ہم نے اسے تین فرضی سعودی انوائسز پر ٹیسٹ کیا (وینڈر اور ٹیکس ID فرضی ہیں)۔ ایک صاف انوائس، جس میں تاریخ اور subtotal عربی-ہندی ہندسوں میں لکھے تھے (٢٠٢٦-١١-٠٢ اور ١٬٠٠٠٫٠٠)، `auto` میں گئی۔ وہی انوائس، جس کا ٹوٹل غلطی سے 1,105.00 پڑھا گیا، `arithmetic:subtotal+tax!=total` کے ساتھ `review` میں گئی۔ ایک انوائس، جس میں نامعلوم ٹیکس ID، تیرہواں مہینہ اور “medium” confidence تھا، تین وجوہات کے ساتھ `review` میں گئی: `date:unparsed`، `vendor:unknown` اور `model:not_confident`۔ رینڈم ڈرا کو زبردستی 0.05 سے نیچے رکھنے پر صاف انوائس `audit_sample` میں گئی۔

دو حدیں جان لیں۔ `money()` helper فرض کرتا ہے کہ اعشاری علامت ڈاٹ یا عربی علامت ہے؛ یورپی “1.150,00” کے لیے وینڈر کے ملک کی بنیاد پر الگ parser چاہیے۔ اور تاریخ والا اصول فرض کرتا ہے کہ ماڈل نے ISO تاریخیں لوٹائیں۔ ہجری تاریخوں کو پہلے تبدیل کرنا ہوگا، جیسا [عربی named entity extraction](https://broadrouter.com/ur/blog/arabic-named-entity-extraction-llm/) میں ہے۔

## عربی اور انگریزی انوائسز کے لیے کیا بدلتا ہے؟

خلیجی ممالک میں دو لسانی انوائسز عام ہیں: عربی اور انگریزی لیبل ساتھ ساتھ، رقمیں مغربی یا عربی-ہندی ہندسوں میں، اور وینڈر کا نام دو رسم الخط میں۔ چند اصول مدد کرتے ہیں:

-   **کسی بھی چیک سے پہلے ہندسے normalise کریں۔** ٠–٩ اور فارسی ۰–۹ کو 0–9 میں، اور عربی اعشاری اور ہزار کی علامتوں (٫ اور ٬) کو ان کی ASCII شکلوں میں بدلیں۔ پھر موازنہ کریں۔
-   **وینڈر کو نام سے نہیں، ٹیکس ID سے ملائیں۔** عربی اور انگریزی نام آپ کے ماسٹر ریکارڈ سے حرف بہ حرف شاذ ہی ملتے ہیں۔ رجسٹریشن نمبر ملتا ہے۔
-   **جائزہ لینے والے کے لیے دونوں نام رکھیں۔** نکالے گئے عربی اور انگریزی وینڈر نام ماسٹر ریکارڈ کے ساتھ دکھائیں، اور عربی کو دائیں سے بائیں، الگ (isolated) بلاک میں۔ bidi ڈسپلے [کثیر لسانی پروڈکٹ ڈیزائن](https://broadrouter.com/ur/blog/multilingual-product-design/) والی پوسٹ میں ہے۔
-   **دیکھیں کہ structured انوائس موجود ہے یا نہیں۔** سعودی عرب کا ZATCA الیکٹرانک انوائسنگ (Fatoorah) دو مراحل میں چلاتا ہے، 4 دسمبر 2021 اور 1 جنوری 2023 سے، جو structured الیکٹرانک فارمیٹ والی انوائسز پر مبنی ہے۔ اگر سپلائر آپ کو وہ بھیج سکتا ہے، تو اس کی تصویر پڑھنے کے بجائے اسے پارس کریں، اور وژن کو کاغذ، تصاویر اور باقی کم عام معاملات کے لیے رکھیں۔

پڑھنے والا حصہ، یعنی اعراب، ملے جلے رسم الخط اور لے آؤٹ، [وژن LLM سے عربی OCR](https://broadrouter.com/ur/blog/arabic-ocr-vision-llm/) میں ہے۔

## جائزہ لینے والے کو کیا نظر آنا چاہیے؟

اچھی جائزہ اسکرین ہر reason code کے لیے ایک سوال کا جواب دیتی ہے۔ `arithmetic` کے لیے لائن آئٹمز، subtotal، ٹیکس اور ٹوٹل کو حساب شدہ میزان کے ساتھ ساتھ ساتھ دکھائیں۔ `vendor:unknown` کے لیے نکالا گیا ٹیکس ID اور قریب ترین ماسٹر ریکارڈ دکھائیں۔ `date:unparsed` کے لیے تاریخ کا خام متن اور تصویر کا وہ حصہ (crop) دکھائیں جہاں سے وہ آیا۔

تصویر فیلڈز کے ساتھ دکھائیں، کسی دوسرے ٹیب میں نہیں۔ جائزہ لینے والے کو فیلڈ درست کرنے، منظور کرنے، یا دستاویز کو ناقابلِ پڑھائی قرار دے کر مسترد کرنے دیں۔ ریکارڈ کریں کہ اس نے کون سا ایکشن لیا۔ “ناقابلِ پڑھائی” کارآمد ڈیٹا ہے: اگر کسی سپلائر کی 10% دستاویزات ناقابلِ پڑھائی ہیں، تو اس سپلائر سے PDF مانگیں، اپنے ماڈل سے معجزہ نہیں۔

## جو دستاویزات ہر اصول پاس کر گئیں، ان کا سیمپل کیوں لیں؟

کیونکہ اصول صرف وہی غلطیاں پکڑتے ہیں جن کا آپ نے سوچا تھا۔ اگر ماڈل کوئی لائن آئٹم، subtotal اور ٹوٹل ایک ہی رقم سے غلط پڑھ لے (تینوں جگہ دھندلا 7 کو 1 پڑھ لیا)، تو ہر میزان پھر بھی ملتا ہے اور کوئی اصول نہیں لگتا۔ ایسی غلطیاں ڈھونڈنے کا واحد طریقہ ان دستاویزات کو دیکھنا ہے جنہیں کسی نے فلیگ نہیں کیا۔

انہیں اپنی پسند سے نہیں، رینڈم چنیں، اور نظر رکھیں کہ کتنی دستاویزات کو درستی کی ضرورت پڑی۔ چھوٹا سیمپل چوڑی رینج دیتا ہے۔ 95% Wilson interval کے ساتھ، جسے NIST ہینڈ بک تناسب کے لیے بیان کرتی ہے (Agresti اور Coull، اور Brown، Cai اور DasGupta کی سفارشات کے حوالے سے)، نیچے ہمارا metrics کوڈ یہ دیتا ہے:

| آڈٹ شدہ دستاویزات جن میں صفر غلطی ملی | اصل غلطی کی شرح پھر بھی اتنی تک ہو سکتی ہے |
| --- | --- |
| 50 | تقریباً 7.1% |
| 300 | تقریباً 1.3% |

تو “ہم نے 50 آڈٹ کیں اور کچھ نہیں ملا” کا مطلب یہ نہیں کہ غلطی کی شرح 1% سے کم ہے۔ پرامپٹ، ماڈل یا دستاویزات کے مرکب میں کسی بھی تبدیلی کے بعد سیمپل بڑھائیں، اور اسے آہستہ آہستہ کم کریں۔

## آڈٹ ٹریل کیسے رکھیں؟

درستیاں اپنے سسٹم میں ریکارڈ کریں۔ ہر دستاویز کے لیے ایک قطار چاہیے، جس میں ہو:

-   سورس فائل کا SHA-256 hash (اور فائل خود کہاں محفوظ ہے، آپ کے ریٹینشن اصولوں کے تحت)؛
-   ماڈل ID، پرامپٹ ورژن اور ماڈل کا لوٹایا ہوا خام JSON؛
-   سپورٹ کے سوالات کے لیے فراہم کنندہ کا request ID (BroadNet اسے `X-Request-ID` ہیڈر میں لوٹاتا ہے)؛
-   اصولوں کے نتائج اور queue؛
-   جائزہ لینے والا، وقت، ایکشن، اور ہر درست کیے گئے فیلڈ کی پہلے اور بعد کی ویلیو۔

زیرو ریٹینشن API کے ساتھ یہ اور بھی اہم ہے۔ BroadNet کا پرائیویسی بیان کہتا ہے کہ اس کا گیٹ وے کوئی پرامپٹ، تصویر، جواب یا ٹرانسکرپٹ نہیں رکھتا، اور صرف مواد سے خالی اکاؤنٹ، بلنگ، ٹریفک اور سکیورٹی ریکارڈ رکھتا ہے۔ حساس انوائسز کے لیے یہ اچھا ہے، لیکن اس کا مطلب ہے کہ فراہم کنندہ کی طرف کوئی آپ کو نہیں دکھا سکتا کہ پچھلے مہینے ماڈل نے کیا دیکھا یا کیا کہا۔ آپ کا لاگ ہی واحد ریکارڈ ہے۔ اس میں ایسا کچھ نہ رکھیں جس کی آپ کو ضرورت نہیں؛ کیا لاگ کریں اور کیا redact کریں، یہ [LLM API usage لاگنگ](https://broadrouter.com/ur/blog/llm-api-usage-logging/) میں ہے۔

## جائزے کی شرح کیسے ناپیں؟

اسے ہر ہفتے routing لاگ پر چلائیں، درستیوں کو join کر کے:

```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))}
```

1,000 دستاویزات کے ایک مصنوعی ہفتے پر (760 auto، 190 review، 50 آڈٹ شدہ جن میں سے 2 کو درستی چاہیے تھی)، اس نے 0.19 کی جائزے کی شرح بتائی، 120 کے ساتھ `vendor` کو سب سے بڑی وجہ، اور آڈٹ شدہ غلطی کی شرح 1.1% اور 13.5% کے درمیان۔ یہ آخری رینج ہی اس سیمپل سائز پر “آٹومیشن کتنی درست ہے؟” کا دیانت دار جواب ہے۔

تینوں اعداد ساتھ پڑھیں:

-   **جائزے کی شرح گرے، آڈٹ شدہ غلطیاں برابر رہیں:** کوئی اصول ضرورت سے زیادہ سخت تھا، یا ماڈل بہتر ہوا۔ اچھا ہے۔
-   **جائزے کی شرح گرے، آڈٹ شدہ غلطیاں بڑھیں:** کوئی اصول بہت ڈھیلا ہے۔ غلطیاں آپ کے لیجر تک پہنچیں، اس سے پہلے اسے سخت کریں۔
-   **ایک وجہ حاوی ہو:** سبب ٹھیک کریں۔ اگر `vendor:unknown` سب سے آگے ہے تو سپلائر ماسٹر اپ ڈیٹ کریں؛ اگر `arithmetic` آگے ہے تو تصویر کا معیار دیکھیں، یا [ماڈل بدلنے سے پہلے LLM کی جانچ](https://broadrouter.com/ur/blog/evaluate-llm-before-switching/) والے طریقے سے انہی دستاویزات پر کوئی دوسرا ماڈل آزمائیں۔

## BroadNet Inference کہاں فٹ ہوتا ہے

BroadRouter، BroadNet کی اپنی سائٹ ہے۔ BroadNet Inference اپنی [قیمتوں کی فیڈ](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-document-review-queues&utm_content=body) کے مطابق تصویر لینے والے تین چیٹ ماڈلز دیتا ہے: [Qwen3.8 27B](https://broadrouter.com/ur/models/qwen3.8-27b/) ($0.175 ان پٹ / $2.17 آؤٹ پٹ فی 1M ٹوکن، structured output دستاویزی)، [Gemma 4 VL 26B](https://broadrouter.com/ur/models/gemma-4-vl-26b/) ($0.10 / $0.22، $5 کے ابتدائی کریڈٹ پر قابلِ استعمال) اور [DeepSeek V4.1 Flash](https://broadrouter.com/ur/models/deepseek-v4.1-flash/) ($0.175 / $0.52)۔ استعمال کے مطابق ادائیگی پر تصاویر ان پٹ ٹوکن میں گنی جاتی ہیں؛ [تصویری ٹوکن کیلکولیٹر](https://broadrouter.com/tools/image-token-calculator/) ان کا اندازہ لگانے میں مدد کرتا ہے۔ inference کا مواد نہیں رکھا جاتا؛ ضروری اکاؤنٹ، بلنگ اور سکیورٹی میٹا ڈیٹا BroadNet کے [پرائیویسی بیان](https://www.broadnet.ai/inference-privacy) کے مطابق رکھا جاتا ہے۔ BroadNet کوئی جائزہ queue یا آڈٹ لاگ فراہم نہیں کرتا، اس لیے اوپر کی routing اور ریکارڈ آپ کو خود بنانے اور رکھنے ہیں۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [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.

[مفت ٹولز (انگریزی میں)](https://broadrouter.com/tools/)

## اس مضمون کی اصطلاحات

[ٹوکن (token)](https://broadrouter.com/ur/glossary/token/)

ٹوکن متن کی وہ اکائی ہے جسے لینگویج ماڈل پڑھتا اور لکھتا ہے: کوئی لفظ، لفظ کا حصہ، رموزِ اوقاف کی کوئی علامت یا بائٹس کا سلسلہ، جو ماڈل کا ٹوکنائزر بناتا ہے۔ LLM API استعمال کو ٹوکنز میں گنتے ہیں، انہی میں حدیں لگاتے ہیں اور عموماً بل بھی بناتے ہیں۔

[اسٹرکچرڈ آؤٹ پٹ (structured output)](https://broadrouter.com/ur/glossary/structured-output/)

اسٹرکچرڈ آؤٹ پٹ LLM API کا ایک فیچر ہے جو ماڈل کے جواب کو ڈویلپر کے طے کردہ فارمیٹ، عموماً JSON Schema، تک محدود کرتا ہے، تاکہ کوڈ اسے قابلِ اعتماد طریقے سے پارس کر سکے۔ یہ JSON mode سے زیادہ سخت ہے، جو درست JSON کی ضمانت دیتا ہے، لیکن کسی خاص ساخت کی نہیں۔

[OCR (optical character recognition)](https://broadrouter.com/ur/glossary/ocr/)

OCR (optical character recognition) وہ ٹیکنالوجی ہے جو کسی تصویر، اسکین یا PDF میں چھپے یا ہاتھ سے لکھے متن کو پہچان کر مشین کے پڑھنے کے قابل حروف میں بدلتی ہے۔ روایتی OCR متن اور صفحے پر اس کی جگہ دیتا ہے؛ vision-language ماڈل متن پڑھ کر اس کے بارے میں براہِ راست سوالوں کے جواب دے سکتے ہیں۔

[استعمال کے مطابق ادائیگی (pay-as-you-go)](https://broadrouter.com/ur/glossary/pay-as-you-go/)

استعمال کے مطابق ادائیگی (pay-as-you-go) قیمت طے کرنے کا ایک ماڈل ہے جس میں آپ صرف اتنا دیتے ہیں جتنا استعمال کرتے ہیں، ٹوکن، درخواستوں یا آڈیو منٹ جیسی اکائیوں میں ناپ کر، بغیر سبسکرپشن یا کم از کم وابستگی کے۔ زیادہ تر LLM API اسی طرح بل بناتے ہیں، پری پیڈ بیلنس یا وقتاً فوقتاً بننے والی انوائس سے۔

[ان پٹ اور آؤٹ پٹ ٹوکن (input and output tokens)](https://broadrouter.com/ur/glossary/input-and-output-tokens/)

ان پٹ ٹوکن وہ ٹوکن ہیں جو لینگویج ماڈل کسی درخواست میں پڑھتا ہے، جن میں سسٹم پرامپٹ، گفتگو کی تاریخ، ٹول ڈیفینیشنز اور تصاویر شامل ہیں۔ آؤٹ پٹ ٹوکن وہ ہیں جو وہ جواب میں بناتا ہے، ریزننگ سمیت۔ LLM API عموماً دونوں کی قیمت الگ رکھتے ہیں، اور آؤٹ پٹ عموماً مہنگا ہوتا ہے۔

[ٹول کالنگ (tool calling)](https://broadrouter.com/ur/glossary/tool-calling/)

ٹول کالنگ، جسے function calling بھی کہتے ہیں، LLM API کی وہ سہولت ہے جس میں ماڈل ڈویلپر کے طے کردہ کسی فنکشن کو چلانے کی ایک منظم درخواست، JSON آرگیومنٹس کے ساتھ، لوٹاتا ہے۔ ایپلیکیشن فنکشن چلا کر نتیجہ واپس بھیجتی ہے؛ ماڈل خود کبھی کوڈ نہیں چلاتا۔

[دائیں سے بائیں متن (right-to-left، RTL text)](https://broadrouter.com/ur/glossary/rtl-text/)

دائیں سے بائیں (RTL) متن وہ تحریر ہے، جیسے عربی یا عبرانی، جو دائیں سے بائیں دکھائی جاتی ہے۔ کمپیوٹر اسے منطقی پڑھنے کی ترتیب میں محفوظ کرتے ہیں، اور جب RTL متن بائیں سے دائیں متن، ہندسوں، ماڈل ناموں یا کوڈ کے ساتھ ملتا ہے تو Unicode Bidirectional Algorithm دکھانے کی ترتیب طے کرتا ہے۔

[نیمڈ اینٹیٹی ریکگنیشن (NER)](https://broadrouter.com/ur/glossary/named-entity-recognition/)

Named entity recognition (NER) متن میں نام تلاش کرنے اور ہر نام کو شخص، ادارہ یا مقام جیسی کسی قسم کا لیبل دینے کا کام ہے۔ روایتی سسٹم ہر ٹوکن کو ٹیگ کرتے ہیں؛ LLMs سے اکثر entities کی فہرست JSON میں مانگی جاتی ہے، جسے پھر ماخذ متن سے ملا کر جانچا جاتا ہے۔

## عام سوالات

### انوائس extraction میں کن دستاویزات کو انسانی جائزے میں بھیجنا چاہیے؟

جو بھی کسی اصول میں ناکام ہو: لازمی فیلڈ غائب ہو، لائن آئٹمز یا ٹیکس جمع ہو کر ٹوٹل نہ بنیں، تاریخ پارس نہ ہو یا حد سے باہر ہو، وینڈر نامعلوم ہو، کرنسی غیر متوقع ہو، یا ماڈل کا confidence اشارہ "high" سے کم ہو۔ ساتھ میں ان دستاویزات کا ایک چھوٹا رینڈم سیمپل بھی شامل کریں جو ہر اصول میں پاس ہوئیں۔

### کیا میں ماڈل کے confidence score کی بنیاد پر جائزہ چھوڑ سکتا ہوں؟

صرف اسی کی بنیاد پر نہیں۔ بیان کردہ confidence پر تحقیق (Xiong et al., ICLR 2024) نے پایا کہ LLMs ضرورت سے زیادہ پُراعتماد ہوتے ہیں۔ اسے کوڈ چیکس کے ساتھ ایک اشارے کے طور پر استعمال کریں، اور اپنے لیبل شدہ ڈیٹا پر جانچیں کہ کیا ”high“ کا مطلب واقعی کم غلطیاں ہے۔

### خودکار منظور شدہ کتنی دستاویزات آڈٹ کرنی چاہییں؟

اتنی کہ جس غلطی کی شرح کی آپ کو فکر ہے، اس کی حد طے ہو جائے۔ صفر غلطی ملنے پر 50 آڈٹ شدہ دستاویزات اصل شرح کی بالائی حد تقریباً 7% (95% Wilson بالائی حد) طے کرتی ہیں، اور 300 تقریباً 1.3%۔ جب کوئی اصول، پرامپٹ یا ماڈل بدلے تو سیمپل بڑھائیں۔

### جائزے کی اچھی شرح کتنی ہوتی ہے؟

کوئی عالمگیر عدد نہیں۔ اونچی شرح سے شروع کریں، پھر اسے تبھی کم کریں جب خودکار منظور شدہ دستاویزات کی آڈٹ شدہ غلطی کی شرح آپ کی برداشت کے اندر رہے۔ جائزے کی شرح گرے اور آڈٹ شدہ غلطی کی شرح بڑھے، تو کوئی اصول بہت ڈھیلا ہے۔

### آڈٹ ٹریل کہاں رکھنی چاہیے؟

اپنے ڈیٹابیس میں۔ سورس فائل کا hash، ماڈل ID، پرامپٹ ورژن، خام آؤٹ پٹ، اصولوں کے نتائج، جائزہ لینے والا اور درست کی گئی ویلیوز محفوظ کریں۔ اگر آپ کا فراہم کنندہ درخواست کا مواد نہیں رکھتا، جیسا BroadNet اپنے inference API کے بارے میں کہتا ہے، تو بعد میں کوئی اور اسے دوبارہ نہیں بنا سکتا۔

## مزید پڑھیں

-   [وژن LLM سے انوائس، رسید اور فارم کا ڈیٹا JSON میں نکالیں](https://broadrouter.com/ur/blog/extract-data-from-documents-with-vision-llm/)
-   [عربی OCR بمقابلہ vision LLMs: عربی دستاویزات اور انوائسز پڑھنا](https://broadrouter.com/ur/blog/arabic-ocr-vision-llm/)
-   [JSON mode بمقابلہ json\_schema: قابل اعتماد اسٹرکچرڈ آؤٹ پٹ](https://broadrouter.com/ur/blog/structured-output-json-schema/)
-   [فراہم کنندہ بدلنے سے پہلے LLM کی جانچ کیسے کریں](https://broadrouter.com/ur/blog/evaluate-llm-before-switching/)
-   [LLM API usage لاگنگ: ہر صارف اور فیچر کی لاگت، PII ہٹا کر](https://broadrouter.com/ur/blog/llm-api-usage-logging/)
-   [LLM کا غلط JSON کیسے ٹھیک کریں: وجوہات، مرمت، دوبارہ کوشش](https://broadrouter.com/ur/blog/fix-invalid-json-from-llm/)
-   [BroadNet کا GPU ہارڈویئر اور سروِنگ کا طریقہ، BroadNet کی زبانی](https://broadrouter.com/ur/blog/broadnet-gpu-fleet-and-serving/)
-   [LLM API جوابات کیش کر کے لاگت کم کریں: Python میں ایگزیکٹ میچ کیش](https://broadrouter.com/ur/blog/cache-llm-responses-cut-cost/)
-   [گائیڈ: وژن ماڈل سے عربی انوائسز اور رسیدیں پڑھیں](https://broadrouter.com/ur/guides/read-arabic-invoices-with-vision/)
-   [گائیڈ: BroadNet Inference کے ساتھ OpenAI Python SDK استعمال کریں](https://broadrouter.com/ur/guides/openai-python-sdk/)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

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

**ذرائع**

-   [Xiong et al., Can LLMs Express Their Uncertainty? An Empirical Evaluation of Confidence Elicitation in LLMs, ICLR 2024 (جانچا گیا 2026-11-15)](https://arxiv.org/abs/2306.13063)
-   [NIST/SEMATECH e-Handbook of Statistical Methods, 7.2.4: تناسب کے لیے confidence interval، Wilson طریقہ (جانچا گیا 2026-11-15)](https://www.itl.nist.gov/div898/handbook/prc/section2/prc241.htm)
-   [ZATCA، ای انوائسنگ (Fatoorah): پہلا مرحلہ 4 دسمبر 2021 سے، دوسرا مرحلہ 1 جنوری 2023 سے (جانچا گیا 2026-11-15)](https://zatca.gov.sa/en/E-Invoicing/Pages/default.aspx)
-   [BroadNet Inference API ریفرنس: تصویر کے ساتھ چیٹ، structured output، X-Request-ID، ڈیٹا ہینڈلنگ (جانچا گیا 2026-11-15) (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-document-review-queues&utm_content=sources)
-   [BroadNet Inference pricing.json: ماڈلز کی modalities اور قیمتیں (جانچا گیا 2026-11-15) (انگریزی میں)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-document-review-queues&utm_content=sources)
-   [BroadNet Inference پرائیویسی اور ڈیٹا ریٹینشن بیان (جانچا گیا 2026-11-15) (انگریزی میں)](https://www.broadnet.ai/inference-privacy)
