对于需要据此采取行动的阿拉伯语发票、收据和表单,用视觉大模型:它读取图像,并以 JSON 返回你要求的字段,比如商家、增值税号、日期和总额。对于长篇扫描页面的全文检索或离线处理,用传统的光学字符识别(OCR)。无论哪种方式,都要在代码里核对数字。
由于下面这些原因,阿拉伯语让两种方式都比处理英语时更难。
为什么阿拉伯语 OCR 很难?
- **连写文字。**阿拉伯字母相互连接,大多数字母最多有四种形态(独立、词首、词中、词尾)。OCR 引擎必须切分一个它看不清边界的词。
- **点承载含义。**ب ت ث ن ي 共用一个基本形状,只靠点来区分。低分辨率扫描或一道折痕,就可能把一个字母变成另一个。
- **一行两种方向。**像“المجموع: 1,250.00 SAR”这样的发票行,把从右到左的阿拉伯语和从左到右的数字及拉丁文本混在一起。OCR 输出常常以错误的视觉顺序返回,显示时 Unicode 双向算法又会再次重排。
- **两套数字。**海湾和埃及的文档经常印东阿拉伯数字(٠١٢٣٤٥٦٧٨٩)而不是 0–9,有时同一页上两种都有。
- **字体和印章。**装饰性的 Naskh 和 Ruq’ah 标题、盖在总额上的公司印章,以及热敏收据的褪色,都会影响识别。
OCR 还是视觉大模型:各自能给你什么?
| 传统 OCR | 视觉大模型 | |
|---|---|---|
| 输出 | 原始文本,通常带词语位置 | 你要求的任何东西:字段、JSON、摘要、译文 |
| 版面理解 | 需要你写规则或模板 | 由模型推断(“总额在右下角”) |
| 新的发票版式 | 需要新模板或新规则 | 通常无需改动即可使用 |
| 翻译 | 单独的步骤 | 同一个请求 |
| 可预测性 | 相同输入结果确定 | 可能变化;需要校验输出 |
| 幻觉风险 | 低(会读错,但不会编造) | 真实存在:可能给出看似合理但错误的值 |
| 最适合 | 长篇扫描文档、档案的全文检索 | 需要据此行动的发票、收据、证件、表单 |
关键的取舍是:OCR 会读错,但不会编造。视觉大模型能理解,但可能幻觉出一个看似合理的值。好的流水线用大模型负责理解,用代码负责核对。
怎样用视觉大模型读取阿拉伯语发票?
把图片作为 base64 data URL 放在消息内容里发送,并准确要求你想要的字段。视觉模型读取发票指南有完整的演练;核心代码如下:
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)
三个能节省调试时间的细节:
- 说明你要哪种数字体系。“Convert Eastern Arabic numerals to Western digits”(把东阿拉伯数字转换成西方数字)可以避免数据库里混着 ١٢٥٠ 和 1250。
- **要求返回
null,而不是猜。**当每个键都必须填写时,模型更容易编造值。 - **名字保留原文字。**把“مؤسسة النور للتجارة”音译成拉丁字母会招来各种拼写变体。存储阿拉伯语原文,需要英文时再单独翻译。
如果模型返回空回答,说明它在思考时用完了 max_tokens;参见思考 token 与空回答。如需更严格的 JSON 结构,请看用 JSON schema 实现结构化输出;免费的 JSON schema 生成器可以根据一张样例发票生成 schema。
怎样发现读错的数字?
把每个抽取出的值都当作需要在代码里核对的说法,而不是数据。各行金额之和必须等于小计,小计加增值税必须等于总额,日期必须能解析且不能是未来日期,货币应与商家所在国家相符。沙特增值税号有固定的长度和格式,可以作为一项低成本的额外检查。读错一个数字几乎总会让某个求和对不上,所以算术检查能抓住大多数要紧的错误。任何未通过检查的结果都进入人工审核队列,并把图片和抽取出的字段并排显示。
完整的流水线,包括 Pydantic schema、算术校验器、带错误信息的一次重试和审核队列,见用视觉大模型把发票和收据数据抽取为 JSON。
该用哪个视觉模型读取阿拉伯语文档?
BroadNet Inference 上有三个对话模型接受图片输入:
| 模型 | 每百万 token 输入 / 输出 | 上下文 | 说明 |
|---|---|---|---|
| Qwen3.8 27B | $0.175 / $2.17 | 262,144 | BroadNet 做过阿拉伯语测试的模型 |
| DeepSeek V4.1 Flash | $0.175 / $0.52 | 1,048,576 | 也可用不限量的固定价格套餐 |
| BroadNet Gemma 4 VL 26B | $0.10 / $0.22 | 32,768 | BroadNet 视觉模型中最便宜的;可用免费额度和 $0.50 的按小时密钥调用 |
BroadNet 报告,在其测试中 Qwen3.8 27B 能流畅书写阿拉伯语、理解海湾和埃及方言,并能准确进行阿拉伯语和英语互译。BroadNet 没有公布 OCR 或文档抽取基准,所以请在你自己的文档上测量字段准确率。一个实用的组合是:简单收据用 Gemma 4 VL 26B,未通过校验的再用 Qwen3.8 27B 处理一遍。Gemma 4 VL 26B 与 Qwen3.8 27B 对比把两者并排做了比较。
视觉大模型每页要花多少钱?
在按量付费密钥上,图片按模型的输入价格以输入 token 计费,图片越大消耗的 token 越多。把手机照片缩小到长边大约 1,500–2,000 像素:阿拉伯字母的点需要足够的分辨率,但 1200 万像素的照片多出来的主要是成本。在几张真实图片上读取 usage.prompt_tokens,就能得到你的每页成本。在不限量的 DeepSeek V4.1 Flash 套餐上,BroadNet 的文档说图片属于套餐不限量使用的范围。每张图片和每页的 token 计算,详见视觉大模型每张图片的费用。
什么时候传统 OCR 仍然更好?
- 长篇扫描书籍和档案,你需要每个字用于检索,而不只是几个字段。
- 严格可复现,同样的输入必须始终产生同样的文本。
- 离线或端侧处理,没有网络。
Tesseract 等开源引擎提供阿拉伯语(ara)训练数据,并且可以离线运行。混合方案也很好用:用 OCR 处理页面得到可检索的文本,再把图片发给视觉大模型提取你要据此行动的字段。哪些云端 OCR API 支持阿拉伯语印刷体和手写体,以及每 1,000 页各要多少钱,见阿拉伯语 OCR API 对比。
隐私
发票和证件包含姓名、税号和银行信息。BroadNet Inference 在请求结束后不保留图片、提示词或回答;参见零数据保留。对你自己的存储也采用同样的规则:只保留需要的抽取字段,删除不再需要保留的图片。

