---
title: "JSON mode بمقابلہ JSON schema اسٹرکچرڈ آؤٹ پٹ، کوڈ کے ساتھ"
description: "JSON mode درست JSON دیتا ہے؛ json_schema آپ کی ساخت۔ OpenAI سے مطابقت والے ماڈلز پر دونوں کیسے مانگیں، Pydantic سے تصدیق کریں، اور غلط آؤٹ پٹ لوپ میں ٹھیک کریں۔"
url: https://broadrouter.com/ur/blog/structured-output-json-schema/
lang: ur
updated: 2026-11-14
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/structured-output-json-schema/) (اپ ڈیٹ: 2026-11-14).

# JSON mode بمقابلہ json\_schema: قابل اعتماد اسٹرکچرڈ آؤٹ پٹ

BroadNet Inference ٹیم · 4 منٹ کی پڑھائی · شائع شدہ 2026-11-14

JSON mode (response\_format json\_object) صرف درست JSON کا وعدہ کرتا ہے۔ اسٹرکچرڈ آؤٹ پٹ (response\_format json\_schema) آپ کے فیلڈز اور ٹائپس کا بھی وعدہ کرتا ہے، جہاں فراہم کنندہ اسے نافذ کرتا ہے۔ دونوں صورتوں میں finish\_reason دیکھیں، پارس کریں، اور Pydantic ماڈل جیسے اسکیما سے تصدیق کریں۔ تصدیق ناکام ہو تو ایرر واپس بھیج کر دوبارہ مانگیں، کوششوں کی سخت حد کے ساتھ۔

## اہم نکات

-   OpenAI کی گائیڈ: دونوں موڈز درست JSON بناتے ہیں، لیکن "only Structured Outputs ensure schema adherence" (ترجمہ: اسکیما کی پابندی صرف Structured Outputs یقینی بناتے ہیں)۔
-   OpenAI سے مطابقت رکھنے والے فراہم کنندگان میں سپورٹ مختلف ہے۔ پہلے json\_schema ٹیسٹ کریں، پھر json\_object پر جائیں، پھر صرف پرامپٹ پر۔
-   ہر جواب کی تصدیق کریں۔ max\_tokens سے کٹا ہوا جواب ٹوٹا ہوا JSON ہے، اسکیما چاہے کچھ بھی کہے۔
-   مرمت کے لوپ تب کام کرتے ہیں جب آپ تصدیق کا عین ایرر واپس بھیجتے ہیں۔ انہیں دو یا تین کوششوں تک محدود رکھیں۔
-   BroadNet Inference پر GLM 5.3 اور Qwen3.8 27B اسٹرکچرڈ آؤٹ پٹ کی سہولت درج کرتے ہیں۔

**اس صفحے پر**

1.  JSON mode اور json\_schema میں کیا فرق ہے؟
2.  json\_schema کیسے مانگیں؟
3.  آپ کا فراہم کنندہ کون سا موڈ سپورٹ کرتا ہے؟
4.  غلط آؤٹ پٹ کی تصدیق اور مرمت کیسے کریں؟
5.  اسکیما کے کون سے فیچرز مسئلہ کرتے ہیں؟
6.  پروڈکشن میں اسٹرکچرڈ آؤٹ پٹ کی نگرانی کیسے کریں؟
7.  اس کے بجائے ٹول کب استعمال کریں؟
8.  BroadNet Inference کہاں موزوں ہے

آپ کے کوڈ کو ڈیٹا چاہیے، اور ماڈل متن لکھتے ہیں۔ [اسٹرکچرڈ آؤٹ پٹ](https://broadrouter.com/ur/glossary/structured-output/) یہ فاصلہ ختم کرتا ہے، لیکن ”ماڈل JSON لوٹاتا ہے“ کے تین مختلف مطلب ہیں، اس پر منحصر کہ آپ کیسے مانگتے ہیں۔ یہ پوسٹ OpenAI سے مطابقت رکھنے والے اوپن ماڈلز پر ان آپشنز کا موازنہ کرتی ہے، ہر ایک کو مانگنے کا طریقہ دکھاتی ہے، اور تصدیق اور مرمت کا ایک لوپ دیتی ہے جسے آپ براہ راست پروڈکشن میں لگا سکتے ہیں۔

## JSON mode اور json\_schema میں کیا فرق ہے؟

| طریقہ | درخواست | آپ کو کس بات کا وعدہ ملتا ہے |
| --- | --- | --- |
| صرف پرامپٹ | ”ان فیلڈز کے ساتھ JSON میں جواب دیں…“ | کسی بات کا نہیں؛ عموماً JSON، کبھی اضافی متن کے ساتھ |
| JSON mode | `response_format: {"type": "json_object"}` | درست JSON، کوئی بھی ساخت |
| اسٹرکچرڈ آؤٹ پٹ | `response_format: {"type": "json_schema", ...}` | آپ کے اسکیما سے مطابقت رکھنے والا JSON، جہاں نافذ ہو |

OpenAI کی Structured Outputs گائیڈ یہ صاف کہتی ہے: “While both ensure valid JSON is produced, only Structured Outputs ensure schema adherence.” (ترجمہ: دونوں درست JSON بننا یقینی بناتے ہیں، لیکن اسکیما کی پابندی صرف Structured Outputs یقینی بناتے ہیں۔) یہ جہاں بھی ممکن ہو JSON mode کے بجائے اسٹرکچرڈ آؤٹ پٹ کی سفارش کرتی ہے۔

اوپن ماڈلز کے فراہم کنندگان پر یہ ضمانت اس پر منحصر ہے کہ سرور اسے کیسے نافذ کرتا ہے۔ کئی constrained decoding استعمال کرتے ہیں، جو ان ٹوکنز کو روک دیتی ہے جو اسکیما توڑتے۔ کچھ فیلڈ قبول تو کرتے ہیں مگر اسے نافذ نہیں کرتے۔ اسی لیے نیچے کا کوڈ ہر حال میں تصدیق کرتا ہے۔

## json\_schema کیسے مانگیں؟

```python
import os
from openai import OpenAI
from pydantic import BaseModel, Field

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

class Invoice(BaseModel):
    vendor: str
    currency: str = Field(pattern="^[A-Z]{3}$")
    total: float
    line_items: list[float]

schema = Invoice.model_json_schema()
schema["additionalProperties"] = False

response_format = {"type": "json_schema",
                   "json_schema": {"name": "invoice", "strict": True, "schema": schema}}
```

Pydantic آپ کی کلاس سے JSON Schema بناتا ہے، اس لیے اسکیما اور ویلیڈیٹر کبھی الگ نہیں ہوتے۔ اگر آپ Pydantic استعمال نہیں کرتے تو [JSON schema جنریٹر](https://broadrouter.com/tools/json-schema-generator/) ایک نمونہ آبجیکٹ سے strict mode والا اسکیما بنا دیتا ہے۔ strict mode کے لیے OpenAI کو `additionalProperties: false` چاہیے اور ہر پراپرٹی required کے طور پر درج ہونی چاہیے۔

## آپ کا فراہم کنندہ کون سا موڈ سپورٹ کرتا ہے؟

کسی ماڈل پر کچھ بنانے سے پہلے یہ ٹیسٹ ایک بار چلائیں:

1.  `json_schema` کے ساتھ ایسا پرامپٹ بھیجیں جو ایک اضافی فیلڈ مانگے (”ساتھ میں ایک مختصر تبصرہ بھی شامل کریں“)۔
2.  اگر درخواست ایرر دیتی ہے تو فراہم کنندہ `json_schema` قبول نہیں کرتا۔ `json_object` آزمائیں۔
3.  اگر جواب میں اضافی فیلڈ ہے تو اسکیما نافذ نہیں ہو رہا۔ اسے JSON mode سمجھیں۔
4.  اگر `json_object` بھی ایرر دیتا ہے تو تصدیق کے ساتھ صرف پرامپٹ والا طریقہ استعمال کریں۔

BroadNet Inference پر دستاویزات [GLM 5.3](https://broadrouter.com/ur/models/glm-5.3/) اور [Qwen3.8 27B](https://broadrouter.com/ur/models/qwen3.8-27b/) ([آمنے سامنے موازنہ](https://broadrouter.com/compare/glm-5.3-vs-qwen3.8-27b/)) کے لیے اسٹرکچرڈ آؤٹ پٹ درج کرتی ہیں، لیکن درخواست کا پیرامیٹر نہیں بتاتیں۔ جس ماڈل کو آپ پروڈکشن میں لے جاتے ہیں، اس پر اوپر کا ٹیسٹ چلائیں۔

## غلط آؤٹ پٹ کی تصدیق اور مرمت کیسے کریں؟

```python
import json
from pydantic import ValidationError

def extract(text: str, model="broadnet/glm-5.3", attempts=3) -> Invoice:
    messages = [
        {"role": "system", "content": "Extract the invoice. Reply with JSON only."},
        {"role": "user", "content": text},
    ]
    for attempt in range(attempts):
        r = client.chat.completions.create(model=model, messages=messages,
                                           response_format=response_format,
                                           max_tokens=4000)
        choice = r.choices[0]
        if choice.finish_reason == "length":
            raise RuntimeError("Cut off: raise max_tokens")  # retrying won't help
        if getattr(choice.message, "refusal", None):
            raise RuntimeError(f"Refused: {choice.message.refusal}")
        raw = choice.message.content or ""
        try:
            inv = Invoice.model_validate_json(raw)
            if abs(sum(inv.line_items) - inv.total) > 0.01:
                raise ValueError("total must equal the sum of line_items")
            return inv
        except (ValidationError, ValueError) as e:
            messages += [
                {"role": "assistant", "content": raw},
                {"role": "user", "content": f"That JSON is invalid: {e}. Return corrected JSON only."},
            ]
    raise RuntimeError(f"No valid JSON after {attempts} attempts")
```

یہ لوپ کیوں کام کرتا ہے:

-   **پہلے `finish_reason` دیکھیں۔** جو جواب [`max_tokens`](https://broadrouter.com/ur/glossary/max-tokens/) تک پہنچ گیا وہ کٹا ہوا JSON ہے۔ اسی حد کے ساتھ دوبارہ کوشش اسی طرح ناکام ہوگی۔ اوپر کے دونوں ماڈلز جواب دینے سے پہلے ریزننگ کرتے ہیں، اور [ریزننگ حد میں شمار ہوتی ہے](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/)، اس لیے گنجائش چھوڑیں۔
-   **انکار کو الگ سنبھالیں۔** OpenAI کی گائیڈ بتاتی ہے کہ انکار “does not necessarily follow the schema you have supplied” (ترجمہ: ضروری نہیں کہ آپ کے دیے گئے اسکیما کی پیروی کرے)۔
-   **عین ایرر واپس بھیجیں۔** اندھی دوبارہ کوشش اکثر وہی غلطی لوٹاتی ہے۔ “line\_items: field required” ماڈل کو درست کرنے کے لیے کچھ ٹھوس دیتا ہے۔
-   **کاروباری اصول کوڈ میں جانچیں۔** اسکیما یہ نہیں کہہ سکتا کہ ٹوٹل اس کے لائن آئٹمز کے برابر ہونا چاہیے۔ اوپر کی جانچ کہہ سکتی ہے۔
-   **کوششیں محدود رکھیں۔** ہر کوشش پورا پرامپٹ [ان پٹ ٹوکنز](https://broadrouter.com/ur/glossary/input-and-output-tokens/) کے طور پر دوبارہ بھیجتی ہے۔

## اسکیما کے کون سے فیچرز مسئلہ کرتے ہیں؟

اسکیما سادہ رکھیں:

1.  **نیسٹڈ سے فلیٹ بہتر۔** زیادہ تر ایکسٹریکشن کے لیے دو سطحیں کافی ہیں۔
2.  **کیٹیگریز کے لیے کھلی strings کے بجائے enums۔**
3.  **کوئی کھلے آبجیکٹس نہیں۔** آزاد `dict` فیلڈز سارا مقصد ہی ختم کر دیتے ہیں۔
4.  **وضاحت کے ساتھ مختصر فیلڈ نام۔** اسکیما میں دی گئی وضاحتیں ماڈل کی رہنمائی کرتی ہیں۔
5.  **اختیاری فیلڈز nullable کے طور پر۔** strict mode میں ہر فیلڈ کو required درج کریں اور `null` کی اجازت دیں۔

OpenAI کی گائیڈ بتاتی ہے کہ JSON Schema کے کچھ فیچرز strict mode میں سپورٹ نہیں ہوتے۔ اوپن ماڈل سرورز کی اپنی حدیں ہوتی ہیں۔ اگر کوئی اسکیما مسترد ہو جائے تو موڈ بدلنے سے پہلے اسے سادہ کریں۔

## پروڈکشن میں اسٹرکچرڈ آؤٹ پٹ کی نگرانی کیسے کریں؟

خاموشی سے مرمت کرنے والا لوپ ایسا مسئلہ چھپا سکتا ہے جو آپ سے روز ٹوکن خرچ کرواتا ہے۔ ہر کال سائٹ پر تین اعداد لاگ کریں:

| میٹرک | یہ کیا بتاتا ہے |
| --- | --- |
| پہلی کوشش میں کامیابی کی شرح | ماڈل اور اسکیما کتنے ہم آہنگ ہیں؛ کمی اکثر پرامپٹ یا ماڈل بدلنے کے بعد آتی ہے |
| ہر کامیابی پر اوسط کوششیں | مرمت کی ٹوکن لاگت |
| حتمی ناکامیاں | وہ ان پٹس جنہیں آپ کی پائپ لائن نہیں سنبھال پاتی؛ انہیں ہاتھ سے دیکھیں |

اگر پہلی کوشش کی کامیابی آپ کی معمول کی شرح سے نیچے گرے تو مزید دوبارہ کوششیں جوڑنے سے پہلے اسکیما سادہ کریں یا کوئی دوسرا ماڈل آزمائیں۔ ناکام خام جوابوں کا ایک نمونہ رکھیں، تاکہ آپ اصلاحات کو حقیقی کیسز پر ٹیسٹ کر سکیں۔

## اس کے بجائے ٹول کب استعمال کریں؟

**آخری جواب** کے لیے اسٹرکچرڈ آؤٹ پٹ استعمال کریں: ایکسٹریکشن، درجہ بندی، منصوبہ۔ [ٹول کالنگ](https://broadrouter.com/ur/blog/tool-calling-open-models/) تب استعمال کریں جب ماڈل کو آپ کے کوڈ سے کچھ **کروانا** ہو اور پھر آگے بڑھنا ہو۔ کئی ایجنٹس دونوں استعمال کرتے ہیں: لوپ کے دوران ٹولز، اور آخری قدم کے لیے اسکیما۔ تصویر سے JSON کی مثال کے لیے [وژن ماڈل سے عربی انوائسز پڑھنا](https://broadrouter.com/ur/guides/read-arabic-invoices-with-vision/) دیکھیں۔

## BroadNet Inference کہاں موزوں ہے

BroadNet Inference، GLM 5.3 اور Qwen3.8 27B کے لیے اسٹرکچرڈ آؤٹ پٹ درج کرتا ہے، معیاری chat-completions فارمیٹ کے پیچھے، اس لیے اوپر کا کوڈ [OpenAI Python SDK](https://broadrouter.com/ur/guides/openai-python-sdk/) کے ساتھ بغیر تبدیلی چلتا ہے۔ Qwen3.8 27B تصاویر بھی لیتا ہے، جو دستاویزات سے ایکسٹریکشن کے لیے موزوں ہے۔ BroadNet کی دستاویزات DeepSeek V4.1 Flash یا Gemma 4 VL 26B کے لیے اسٹرکچرڈ آؤٹ پٹ نہیں بتاتیں، اس لیے وہاں تصدیق کے ساتھ صرف پرامپٹ والا طریقہ استعمال کریں۔ فی ٹوکن قیمتوں کا موازنہ [قیمتوں کے صفحے](https://broadrouter.com/ur/pricing/) پر کریں۔

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

[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۔

[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۔

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

JSON Schema، JSON میں لکھی ایک لغت ہے جو JSON ڈیٹا کی ساخت بیان کرتی اور جانچتی ہے: ٹائپس، لازمی فیلڈز، قابلِ قبول قدریں اور نیسٹنگ۔ موجودہ ورژن 2020-12 ہے۔ LLM APIs اس سے ٹول پیرامیٹرز طے کرتے ہیں، اور وہ عین شکل بھی جس کی اسٹرکچرڈ آؤٹ پٹ کو پابندی کرنی ہے۔

[JSON موڈ (JSON mode)](https://broadrouter.com/ur/glossary/json-mode/)

JSON موڈ، LLM API کی ایک سیٹنگ ہے، OpenAI طرز کے APIs میں response\_format {"type": "json\_object"}، جو ماڈل کے جواب کو درست اور پارس ہونے کے قابل JSON بناتی ہے۔ JSON Schema والے اسٹرکچرڈ آؤٹ پٹ کے برعکس، یہ ضمانت نہیں دیتی کہ آبجیکٹ میں کون سی keys، ٹائپس یا قدریں ہوں گی۔

[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۔

[اوپن ویٹ ماڈل (open-weight model)](https://broadrouter.com/ur/glossary/open-weight-model/)

اوپن ویٹ ماڈل ایسا مشین لرننگ ماڈل ہے جس کے ٹرین شدہ weights ہر کسی کے ڈاؤن لوڈ کرنے اور چلانے کے لیے شائع کیے جاتے ہیں، عموماً شرائط والے لائسنس کے ساتھ۔ مکمل اوپن سورس AI اس کے علاوہ ٹریننگ کوڈ اور ٹریننگ ڈیٹا کی تفصیل بھی جاری کرتا ہے، تاکہ دوسرے ماڈل کو سمجھ اور دوبارہ بنا سکیں۔

## عام سوالات

### JSON mode اور اسٹرکچرڈ آؤٹ پٹ میں کیا فرق ہے؟

JSON mode، یعنی response\_format کی type json\_object، صرف یہ وعدہ کرتا ہے کہ جواب JSON کے طور پر پارس ہوگا۔ اسٹرکچرڈ آؤٹ پٹ، یعنی type json\_schema، آپ کے طے کردہ فیلڈز اور ٹائپس کا بھی وعدہ کرتا ہے، جہاں فراہم کنندہ اسے نافذ کرتا ہے۔ OpenAI جہاں ممکن ہو JSON mode کے بجائے اسٹرکچرڈ آؤٹ پٹ کی سفارش کرتا ہے۔

### کیا اوپن ماڈلز json\_schema والا response\_format سپورٹ کرتے ہیں؟

یہ فراہم کنندہ پر منحصر ہے۔ کچھ json\_schema قبول کرتے ہیں، کچھ صرف json\_object، اور کچھ اس فیلڈ کو نظرانداز کر دیتے ہیں۔ ایک اسکیما اور ایسے پرامپٹ کے ساتھ ٹیسٹ درخواست بھیجیں جو ماڈل کو ایک اضافی فیلڈ جوڑنے پر اکسائے، پھر جواب دیکھیں۔

### کیا اسٹرکچرڈ آؤٹ پٹ کی پھر بھی تصدیق ضروری ہے؟

جی ہاں۔ جواب max\_tokens سے کٹ سکتے ہیں، انکار ہو سکتے ہیں، اور ایسے کاروباری اصول توڑ سکتے ہیں جنہیں اسکیما بیان نہیں کر سکتا، جیسے ایسے ٹوٹل جن کا میزان ملنا چاہیے۔

### غلط JSON پر کتنی بار دوبارہ کوشش کریں؟

تصدیق کے ایرر کے ساتھ دو یا تین کوششیں عموماً کافی ہیں۔ اس کے بعد ان پٹ لاگ کریں اور اسے کسی متبادل راستے، زیادہ طاقتور ماڈل یا کسی انسان کے پاس بھیجیں۔ لامحدود لوپ ٹوکن ضائع کرتے ہیں۔

### اسٹرکچرڈ آؤٹ پٹ استعمال کروں یا ٹول کالنگ؟

جب آپ کو آخری جواب ایک مقررہ ساخت میں چاہیے تو اسٹرکچرڈ آؤٹ پٹ۔ جب ماڈل کو آپ کے کوڈ سے کچھ کروا کر آگے بڑھنا ہو تو ٹول کالنگ۔

## مزید پڑھیں

-   [LLM سے عربی متن کی classification: sentiment، intent، triage](https://broadrouter.com/ur/blog/arabic-text-classification-llm/)
-   [اوپن ماڈلز کے ساتھ ٹول کالنگ: اسکیما، متوازی کالز، دوبارہ کوشش](https://broadrouter.com/ur/blog/tool-calling-open-models/)
-   [OpenAI-compatible API پر منتقلی: مکمل چیک لسٹ](https://broadrouter.com/ur/blog/openai-compatible-api-migration-checklist/)
-   [سستے LLM پر n8n AI Agent: سیٹ اپ، ماڈل کا انتخاب اور فی رن لاگت](https://broadrouter.com/ur/blog/n8n-ai-agent-cheap-llm/)
-   [LLM کا غلط JSON کیسے ٹھیک کریں: وجوہات، مرمت، دوبارہ کوشش](https://broadrouter.com/ur/blog/fix-invalid-json-from-llm/)
-   [LLM سے عربی named entity extraction: JSON، تاریخیں اور جانچ](https://broadrouter.com/ur/blog/arabic-named-entity-extraction-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: BroadNet Inference کے ساتھ OpenAI Python SDK استعمال کریں](https://broadrouter.com/ur/guides/openai-python-sdk/)
-   [گائیڈ: وژن ماڈل سے عربی انوائسز اور رسیدیں پڑھیں](https://broadrouter.com/ur/guides/read-arabic-invoices-with-vision/)
-   [گائیڈ: ریزننگ ماڈل خالی جواب کیوں لوٹاتا ہے](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/)

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-structured-output-json-schema&utm_content=page-cta) ·

**ذرائع**

-   [OpenAI، Structured Outputs گائیڈ (2026-11-14 کو دیکھا گیا)](https://developers.openai.com/api/docs/guides/structured-outputs)
-   [OpenAI API ریفرنس، chat completion بنانا (response\_format)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [Pydantic کی دستاویزات، JSON Schema اور تصدیق](https://docs.pydantic.dev/latest/concepts/json_schema/)
-   [BroadNet Inference کا API ریفرنس، ماڈلز (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-structured-output-json-schema&utm_content=sources#models)
