---
title: "Arabische Named Entity Recognition per LLM, als JSON"
description: "Arabische Namen, Organisationen, Orte und Hidschri-Daten per LLM als JSON extrahieren: Prompt, Span-Prüfung ohne Diakritika, Datumsumrechnung und Bewertungsskript."
url: https://broadrouter.com/de/blog/arabic-named-entity-extraction-llm/
lang: de
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/blog/arabic-named-entity-extraction-llm/) (aktualisiert am 2026-11-15).

# Arabische Named Entity Extraction mit LLM: JSON, Daten, Prüfungen

Vom Team von BroadNet Inference · 7 Min. Lesezeit · Veröffentlicht 2026-11-15

Lassen Sie das Modell jede Entität exakt wie geschrieben kopieren, mit einem Typ aus einer festen Liste, als JSON. Prüfen Sie jede Entität im Code: Sie muss im Quelltext vorkommen, nachdem Diakritika entfernt und Alef-Formen vereinheitlicht sind. Rechnen Sie Hidschri-Daten mit einer Bibliothek wie hijridate um, nicht mit dem Modell. Bewerten Sie eine von Hand gelabelte Stichprobe mit Precision, Recall und F1 auf Entitätsebene.

## Das Wichtigste in Kürze

-   In LAraBench (EACL 2024) erreichte GPT-4 zero-shot beim Token-Tagging auf ANERcorp einen Macro-F1 von 0,355, gegenüber 0,886 für ein feinabgestimmtes System; mit 10 Beispielen stieg der Wert auf 0,451.
-   Eine kurze JSON-Liste von Entitäten zu extrahieren ist eine andere Aufgabe, als jedes Token zu taggen. Testen Sie die Aufgabenform, die Sie ausliefern, mit Ihrem eigenen Text.
-   Gleichen Sie Entitäten ab, nachdem Sie Taschkil und Tatweel entfernt und Alef-Formen vereinheitlicht haben, sonst wirkt ein korrekt kopierter Name wie eine Halluzination.
-   Das Modell liest das Datum, der Code rechnet es um. hijridate deckt Umm-al-Qura-Daten von 1343 bis 1500 AH ab (1924 bis 2077 n. Chr.).
-   Öffentliche arabische NER-Datensätze gibt es für Nachrichten (ANERcorp), Wikipedia (AQMAR), MSA plus Dialekt (Wojood) und klassisches Arabisch (CANERCorpus). Ihre Labels passen selten zu Ihren.

**Auf dieser Seite**

1.  Wie gut sind LLMs bei arabischer NER?
2.  Welche arabischen NER-Datensätze gibt es?
3.  Was sollte der Prompt verlangen?
4.  Wie prüft man Entitäten gegen die Quelle?
5.  Wie geht man mit Hidschri-Daten um?
6.  Was ist mit Namen in Arabizi und gemischtem Text?
7.  Wie bewertet man den Extraktor?
8.  Welches BroadNet-Modell sollten Sie verwenden?
9.  Wo BroadNet Inference einzuordnen ist

Named Entity Extraction macht aus einem Absatz Datensätze, mit denen Ihr Code arbeiten kann: wer, welche Organisation, wo und wann. Arabisch bringt vier Probleme mit, auf die englische Pipelines selten stoßen: optionale Diakritika, mehrere Schreibungen desselben Buchstabens, in lateinischen Buchstaben geschriebene Namen ([Arabizi](https://broadrouter.com/de/glossary/arabizi/)) und Daten in zwei Kalendern. Dieser Beitrag baut einen Extraktionsschritt auf einem OpenAI-kompatiblen LLM, der jedes davon im Code behandelt, sowie ein Bewertungsskript, das Ihnen sagt, ob es mit Ihrem Text funktioniert.

Wenn Sie ganze Nachrichten klassifizieren wollen, statt Spans herauszuziehen, siehe [arabische Textklassifikation](https://broadrouter.com/de/blog/arabic-text-classification-llm/). Zu den JSON-Optionen der Anfrage selbst siehe [JSON Mode vs. json\_schema](https://broadrouter.com/de/blog/structured-output-json-schema/).

## Wie gut sind LLMs bei arabischer NER?

Die relevanteste öffentliche Messung, die wir gefunden haben, ist LAraBench (Abdelali et al., EACL 2024). Die Studie ließ GPT-3.5 und GPT-4 arabische NER-Datensätze als Tagging Token für Token bearbeiten. Macro-F1, höher ist besser:

| Datensatz | GPT-3.5 zero-shot | GPT-4 zero-shot | GPT-4 3-shot | Zitiertes feinabgestimmtes System |
| --- | --- | --- | --- | --- |
| ANERcorp (Nachrichten) | 0,210 | 0,355 | 0,420 | 0,886 |
| AQMAR (Wikipedia) | 0,230 | 0,365 | 0,390 | 0,690 |
| QASR (Transkripte) | 0,208 | 0,504 | k. A. | 0,698 |

Mehr Beispiele halfen: GPT-4 stieg auf ANERcorp von 0,355 ohne Beispiele auf 0,451 mit zehn. Die Autoren mussten außerdem Tags umschreiben, die das Modell in einem eigenen Format ausgab, etwa PER-B statt B-PER.

Lesen Sie das mit Vorsicht. Das sind Modelle von 2023 bei einer strengen Tagging-Aufgabe auf Benchmark-Labelsets. Ein aktuelles Modell, das in einem Support-Ticket eine kurze Liste von Personen und Firmen finden soll, schneidet womöglich viel besser ab, oder eben nicht. Zwei Aussagen der Tabelle gelten weiterhin: Ein LLM ist nicht automatisch ein gutes NER-System, und Sie brauchen Ihre eigene Messung.

## Welche arabischen NER-Datensätze gibt es?

| Datensatz | Text | Umfang und Labels |
| --- | --- | --- |
| [ANERcorp](https://camel.abudhabi.nyu.edu/anercorp/) | Nachrichten | Etwa 150.000 Tokens; Person, Ort, Organisation, Sonstiges. CAMeL Lab veröffentlicht einen Standard-Split für Training und Test |
| [CLEANANERCorp](https://aclanthology.org/2024.osact-1.2/) | ANERcorp, korrigiert | Behebt Annotationsfehler, fehlende Labels und Inkonsistenzen aus dem Original |
| [AQMAR](https://www.cs.cmu.edu/~ark/ArabicNER/) | Arabische Wikipedia | 74.000 Tokens aus 28 Artikeln |
| [Wojood](https://aclanthology.org/2022.lrec-1.387/) | MSA und Dialekt | Etwa 550.000 Tokens, 21 Entitätstypen, verschachtelt; verwendet im Shared Task WojoodNER 2023 |
| [CANERCorpus](https://github.com/RamziSalah/Classical-Arabic-Named-Entity-Recognition-Corpus) | Hadithe in klassischem Arabisch | Mehr als 7.000 Hadithe, 20 Typen zu islamischen Themen |

Nutzen Sie sie, um einen Prompt auf Plausibilität zu prüfen, nicht als Abnahmetest. Ihre Entitätstypen (Kunde, Produkt, Filiale, Vertragsnummer) werden sich von deren unterscheiden, und auch die Lizenzen unterscheiden sich. Prüfen Sie jede vor kommerzieller Nutzung.

## Was sollte der Prompt verlangen?

Drei Regeln machen die Ausgabe prüfbar:

1.  **Den Span exakt kopieren.** Keine Übersetzung, keine Transliteration, kein „Vervollständigen“ eines Vornamens zum vollen Namen. Brauchen Sie eine englische Schreibung, fordern Sie sie in einem separaten Feld an und behandeln Sie sie als ungeprüft.
2.  **Eine geschlossene Typliste.** PERSON, ORG, LOCATION, DATE oder Ihr eigenes Set. Freie Typen lassen sich nicht bewerten.
3.  **Daten als Bestandteile, nicht als Umrechnung.** Fordern Sie Jahr, Monat und Tag wie geschrieben an, plus den Kalender. Ein nachgestelltes هـ kennzeichnet ein Hidschri-Datum; م kennzeichnet ein gregorianisches.

Schreiben Sie die Anweisungen auf Englisch oder Arabisch; [Prompt Engineering für Arabisch](https://broadrouter.com/de/blog/arabic-prompt-engineering/) behandelt die Abwägung. Legen Sie die JSON-Form in den System-Prompt und halten Sie sie über alle Anfragen identisch, damit sie [gecacht](https://broadrouter.com/de/glossary/cached-input-tokens/) werden kann.

## Wie prüft man Entitäten gegen die Quelle?

Das Modell gibt womöglich einen Namen zurück, den der Text nie erwähnt, oder kopiert einen Namen korrekt, aber ohne seine Diakritika. Ein einfacher Substring-Test kann das nicht unterscheiden. Normalisieren Sie zuerst beide Seiten: Taschkil und Tatweel entfernen, Alef-Formen vereinheitlichen und عبد ال zusammenziehen, damit عبد الله auf عبدالله passt. Die Regeln sind dieselben wie bei der [Normalisierung arabischer Texte für die Suche](https://broadrouter.com/de/blog/arabic-text-normalization-search/), nur auf den Abgleich angewendet. Behalten Sie den Original-Span für die Anzeige.

```python
import json, os, re
from hijridate import Hijri
from openai import OpenAI

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

TYPES = {"PERSON", "ORG", "LOCATION", "DATE"}
SYSTEM = """Extract named entities from the Arabic text. Reply with JSON only:
{"entities": [{"text": "...", "type": "PERSON|ORG|LOCATION|DATE"}],
 "dates": [{"text": "...", "calendar": "hijri|gregorian", "year": 0, "month": 0, "day": 0}]}
Rules: copy "text" exactly as it appears in the input, including any diacritics.
Do not translate, transliterate or complete names. A date followed by هـ is Hijri.
If there are no entities, return empty lists."""

DIACRITICS = re.compile(r"[ً-ٰٟـ]")   # tashkeel, dagger alef, tatweel
def norm(s: str) -> str:
    s = DIACRITICS.sub("", s)
    s = re.sub("[إأآٱ]", "ا", s).replace("ى", "ي").replace("عبد ال", "عبدال")
    return " ".join(s.split())

def validate(source: str, data: dict) -> tuple[list, list]:
    """Keep entities that really occur in the source; report everything else."""
    src, kept, problems = norm(source), [], []
    for e in data.get("entities", []):
        if e.get("type") not in TYPES:
            problems.append(f"unknown type: {e}")
        elif norm(e.get("text", "")) not in src:
            problems.append(f"not in source: {e['text']}")
        else:
            kept.append(e)
    for d in data.get("dates", []):
        if d.get("calendar") == "hijri":
            try:
                d["iso"] = Hijri(d["year"], d["month"], d["day"]).to_gregorian().isoformat()
            except (ValueError, OverflowError) as err:
                problems.append(f"bad Hijri date {d['text']}: {err}")
    return kept, problems

def extract(text: str, model="broadnet/qwen3.8-27b") -> dict:
    r = client.chat.completions.create(
        model=model, max_tokens=2000,
        messages=[{"role": "system", "content": SYSTEM}, {"role": "user", "content": text}])
    data = json.loads(r.choices[0].message.content)
    data["entities"], data["problems"] = validate(text, data)
    return data

text = "التقى خالِد بن سَعِيد مديرةَ شركة النخيل للتقنية في جدة يوم ١٥ جمادى الآخرة ١٤٤٥هـ."
print(json.dumps(extract(text), ensure_ascii=False, indent=1))
```

Wir haben das gegen einen lokalen Mock-Server laufen lassen (kein Aufruf der echten API), dessen vorgefertigte Antwort eine erfundene Person und ein unmögliches Datum (Monat 13) enthielt. Die Ausgabe behielt خالد بن سعيد (die Antwort ließ die Diakritika weg; der normalisierte Abgleich fand den Namen trotzdem), شركة النخيل للتقنية und جدة. Sie rechnete ١٥ جمادى الآخرة ١٤٤٥هـ in 2023-12-28 um und listete zwei Probleme: Der erfundene Name war „not in source“, und Monat 13 löste „month must be in 1-12“ aus. Namen und Firma sind fiktiv.

Hinweise zum Code:

-   **`max_tokens=2000`** lässt Raum für Reasoning. Laut den Docs von BroadNet denken DeepSeek V4.1 Flash, GLM 5.3 und Qwen3.8 27B vor der Antwort nach, und dieses Reasoning zählt zu `max_tokens`. Siehe [leere Antworten von Reasoning-Modellen](https://broadrouter.com/de/guides/reasoning-tokens-empty-response/).
-   **`json.loads` kann fehlschlagen.** Fangen Sie das ab und senden Sie bei einem Fehler einmal erneut mit der Fehlermeldung, wie in der [Reparaturschleife](https://broadrouter.com/de/blog/structured-output-json-schema/). Bei GLM 5.3 und Qwen3.8 27B, für die BroadNet strukturierte Ausgabe dokumentiert, fügen Sie zusätzlich ein `response_format`\-Schema hinzu. Die Validierung bleibt in jedem Fall.
-   **Der Substring-Abgleich ist bewusst locker.** Er bestätigt, dass der Span existiert, nicht den Typ. Die Typen misst der Bewertungsschritt weiter unten.

## Wie geht man mit Hidschri-Daten um?

Arabischer Text schreibt Daten auf viele Arten: ١٥/٦/١٤٤٥هـ, ١٥ جمادى الآخرة ١٤٤٥ oder ein gregorianisches Datum mit Monatsnamen, die je nach Region variieren (نوفمبر in Ägypten und am Golf, تشرين الثاني in der Levante). Ein Modell kann diese meist in Bestandteile zerlegen, und der Code prüft die Bestandteile. Die Umrechnung zwischen Kalendern ist Arithmetik auf einer veröffentlichten Tabelle, und es gibt keinen Grund, warum ein Modell sie richtig machen sollte.

[hijridate](https://pypi.org/project/hijridate/), früher hijri-converter, rechnet mit dem Umm-al-Qura-Kalender um. Der dokumentierte Bereich ist 1343 bis 1500 AH (1. August 1924 bis 16. November 2077 n. Chr.). Außerhalb des Bereichs löst die Bibliothek OverflowError aus; ein ungültiger Monat oder Tag löst ValueError aus, weshalb der Code beides abfängt. Laut ihren Docs ist sie nicht für religiöse Zwecke gedacht, bei denen die Sichtung der Mondsichel bevorzugt wird; ein durch Sichtung festgelegtes Datum kann also vom umgerechneten Wert abweichen. Speichern Sie das Datum wie geschrieben neben dem umgerechneten.

Ostarabische Ziffern brauchen hier keine Sonderbehandlung: Das Modell gibt Ganzzahlen zurück. Wenn Sie Daten selbst parsen, bilden Sie ٠١٢٣٤٥٦٧٨٩ (und die persischen ۰–۹) zuerst auf 0–9 ab.

## Was ist mit Namen in Arabizi und gemischtem Text?

Kundennachrichten schreiben Namen oft in lateinischen Buchstaben: „ana 7a2ool la Mo7ammad bokra“. Die Regel des exakten Spans funktioniert weiterhin: Der Entitätstext ist „Mo7ammad“, und die Substring-Prüfung besteht. Was scheitert, ist der Abgleich dieses Datensatzes mit محمد in Ihrem CRM. Erledigen Sie das in einem zweiten Schritt: Wandeln Sie den Span in arabische Schrift um, wie unter [Umgang mit Arabizi](https://broadrouter.com/de/blog/arabizi-llm-handling/) beschrieben, und gleichen Sie ihn dann mit derselben Normalisierung gegen Ihre Datensätze ab. Versehen Sie jeden Datensatz, der durch eine Umwandlung gelaufen ist, mit einem Konfidenz-Flag.

Dasselbe gilt für englische Firmennamen in arabischen Sätzen und für lateinische Schreibungen arabischer Namen (Mohammed, Muhammad, Mohamed). Verlangen Sie vom Extraktionsschritt nicht, sich für eine Schreibung zu entscheiden.

## Wie bewertet man den Extraktor?

Labeln Sie 100 bis 200 echte Beispiele von Hand, mit derselben Typliste. Vergleichen Sie dann die Vorhersagen per exakter Übereinstimmung auf Entitätsebene bei normalisiertem Text und Typ, und geben Sie Precision, Recall und F1 pro Typ an:

```python
from collections import Counter

def score(gold: list[list[dict]], pred: list[list[dict]]) -> dict:
    """Entity-level exact match on (normalised text, type), micro-averaged, plus per type."""
    tp, fp, fn = Counter(), Counter(), Counter()
    for g, p in zip(gold, pred):
        G = Counter((norm(e["text"]), e["type"]) for e in g)
        P = Counter((norm(e["text"]), e["type"]) for e in p)
        for (t, ty), n in (G | P).items():
            hit = min(G[(t, ty)], P[(t, ty)])
            tp[ty] += hit; fp[ty] += P[(t, ty)] - hit; fn[ty] += G[(t, ty)] - hit
    def prf(a, b, c):
        p = a / (a + b) if a + b else 0.0
        r = a / (a + c) if a + c else 0.0
        return {"p": round(p, 3), "r": round(r, 3), "f1": round(2 * p * r / (p + r), 3) if p + r else 0.0}
    out = {ty: prf(tp[ty], fp[ty], fn[ty]) for ty in sorted(tp | fp | fn)}
    out["micro"] = prf(sum(tp.values()), sum(fp.values()), sum(fn.values()))
    return out
```

Auf einem Spielzeug-Set aus zwei Sätzen (drei Gold-Entitäten; die Vorhersage typisierte جدة als ORG statt LOCATION und fügte einen zusätzlichen Ort hinzu) gab das Skript Micro-Precision 0,5, Recall 0,667 und F1 0,571 aus, dazu LOCATION-F1 0. Die Sicht pro Typ zeigt, wo sich Aufwand lohnt: Ein schwacher ORG-Wert bedeutet meist, dass Ihre Typdefinitionen Beispiele brauchen, nicht ein größeres Modell.

Legen Sie vorab fest, was als Treffer zählt. Exakte Übereinstimmung ist streng: „شركة النخيل“ gegenüber einem Gold-Wert „شركة النخيل للتقنية“ zählt als ein falsch Positiver und ein falsch Negativer. Sind Teil-Spans für Ihren Zweck akzeptabel, geben Sie einen zweiten, überlappungsbasierten Wert an, behalten aber den strengen als Hauptwert.

## Welches BroadNet-Modell sollten Sie verwenden?

Alle Preise pro 1 Mio. Tokens, von der Preisseite von BroadNet.

| Modell | Warum | Input / Output |
| --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/de/models/qwen3.8-27b/) | Strukturierte Ausgabe dokumentiert; laut BroadNet auf Arabisch getestet, einschließlich des Verständnisses von Golf- und ägyptischem Dialekt; liest Bilder | $0.175 / $2.17 |
| [GLM 5.3](https://broadrouter.com/de/models/glm-5.3/) | Strukturierte Ausgabe dokumentiert; Kontext von 1.048.576 Tokens für sehr lange Dokumente | $0.78 / $3.46 |
| [Gemma 4 VL 26B](https://broadrouter.com/de/models/gemma-4-vl-26b/) | Läuft mit dem Startguthaben von $5; keine strukturierte Ausgabe dokumentiert, JSON nur per Prompt also validieren; Kontext von 32.768 Tokens | $0.10 / $0.22 |

Lassen Sie das Bewertungsskript mit jedem Kandidaten über Ihre Stichprobe laufen und entscheiden Sie nach F1 pro Typ und Kosten, nicht nach der Beschreibung des Anbieters. Arabisch braucht für denselben Inhalt meist mehr Tokens als Englisch; [Tokens pro Wort auf Arabisch](https://broadrouter.com/de/blog/tokens-per-word-arabic-english/) enthält gemessene Verhältnisse. Für Entitäten in gescannten Formularen oder Fotos extrahieren Sie direkt aus dem Bild, wie beim [Lesen arabischer Rechnungen mit Vision](https://broadrouter.com/de/guides/read-arabic-invoices-with-vision/).

## Wo BroadNet Inference einzuordnen ist

BroadRouter ist die eigene Website von BroadNet. BroadNet Inference bietet OpenAI-kompatiblen Zugang zu den Modellen oben mit einem Schlüssel; der Code läuft also mit dem [OpenAI Python SDK](https://broadrouter.com/de/guides/openai-python-sdk/), nachdem Sie die Base URL geändert haben. Laut seinen Docs werden Prompts und Antworten nach der Anfrage nicht gespeichert, was zählt, wenn der Text voller Personennamen ist. Es hat keinen eigenen NER-Endpoint und veröffentlicht keinen eigenen arabischen NER-Benchmark; messen Sie also an Ihren Daten. Brauchen Sie einen selbst gehosteten Tagger für hohes Volumen, kann ein auf Wojood oder Ihren eigenen Labels feinabgestimmtes Modell günstiger und konsistenter sein als jedes LLM; der veröffentlichte Abstand oben ist der Grund, das zu prüfen.

Kostenlose Tools zum Thema (auf Englisch)

-   [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.

[Kostenlose Tools (auf Englisch)](https://broadrouter.com/tools/)

## Begriffe in diesem Artikel

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

Ein Token ist die Texteinheit, die ein Sprachmodell liest und schreibt: ein Wort, ein Wortteil, ein Satzzeichen oder eine Bytefolge, die der Tokenizer des Modells erzeugt. LLM-APIs zählen, begrenzen und berechnen die Nutzung meist in Tokens.

[Arabizi (Franco-Arabisch)](https://broadrouter.com/de/glossary/arabizi/)

Arabizi ist informell in lateinischen Buchstaben geschriebenes Arabisch, bei dem Ziffern für arabische Laute ohne lateinische Entsprechung stehen, etwa 3 für ع. Es ist in Chats und sozialen Medien verbreitet, meist dialektal, hat keine feste Rechtschreibung und wird oft mit Englisch oder Französisch gemischt.

[Strukturierte Ausgabe (Structured Output)](https://broadrouter.com/de/glossary/structured-output/)

Strukturierte Ausgabe (Structured Output) ist eine Funktion von LLM-APIs, die die Antwort eines Modells auf ein vom Entwickler vorgegebenes Format beschränkt, meist ein JSON Schema, damit Code sie zuverlässig parsen kann. Sie ist strenger als der JSON-Modus, der gültiges JSON garantiert, aber keine bestimmte Struktur.

[Prompt Engineering](https://broadrouter.com/de/glossary/prompt-engineering/)

Prompt Engineering ist das Schreiben, Strukturieren und Testen der Anweisungen an ein Sprachmodell, damit es zuverlässig Output liefert, der Ihre Anforderungen erfüllt. Dazu gehören Rollennachrichten, klare Anweisungen, Beispiele, Formatierung und das Messen der Ergebnisse an Testfällen.

[JSON-Modus (JSON mode)](https://broadrouter.com/de/glossary/json-mode/)

Der JSON-Modus ist eine Einstellung von LLM-APIs, in APIs im OpenAI-Stil response\_format {"type": "json\_object"}, die dafür sorgt, dass die Antwort des Modells gültiges, parsebares JSON ist. Anders als Structured Outputs mit einem JSON Schema garantiert er nicht, welche Keys, Typen oder Werte das Objekt enthält.

[Named Entity Recognition (NER, Eigennamenerkennung)](https://broadrouter.com/de/glossary/named-entity-recognition/)

Named Entity Recognition (NER) ist die Aufgabe, Namen in einem Text zu finden und jedem einen Typ zuzuordnen, etwa Person, Organisation oder Ort. Klassische Systeme taggen jedes Token; LLMs sollen stattdessen oft eine Liste von Entitäten als JSON zurückgeben, die dann gegen den Ausgangstext geprüft wird.

[Arabische Textnormalisierung (text normalization)](https://broadrouter.com/de/glossary/arabic-text-normalization/)

Arabische Textnormalisierung ist der Schritt, der Schreibvarianten desselben Worts vor dem Abgleich auf eine Form abbildet: Diakritika und Tatweel entfernen, Alef-Formen vereinheitlichen und oft ى auf ي sowie ة auf ه abbilden. Sie wird auf Suchschlüssel und Evaluierung angewendet, nicht auf angezeigten Text.

[Basis-URL (Base URL)](https://broadrouter.com/de/glossary/base-url/)

Eine Basis-URL ist die feste Stammadresse einer API, etwa https://api.example.com/v1, die ein Client vor jeden Endpoint-Pfad wie /chat/completions setzt. In OpenAI-kompatiblen SDKs lenkt eine geänderte Basis-URL, zusammen mit API-Schlüssel und Modell-ID, denselben Code zu einem anderen Anbieter.

## Häufige Fragen

### Kann ein LLM Named Entity Recognition auf Arabisch?

Ja, mit Prüfungen. Veröffentlichte Zero-shot-Ergebnisse für arabische NER auf Token-Ebene liegen deutlich hinter feinabgestimmten Modellen. Validieren Sie also jede Entität gegen den Quelltext und bewerten Sie das Modell an einer gelabelten Stichprobe Ihrer eigenen Daten, bevor Sie sich darauf verlassen.

### Wie gleiche ich arabische Namen mit und ohne Diakritika ab?

Normalisieren Sie vor dem Vergleich beide Seiten: Taschkil (U+064B bis U+065F), das Dolch-Alef und Tatweel entfernen, إ أ آ ٱ auf ا und ى auf ي abbilden und Leerzeichen zusammenfassen. Behalten Sie den Originaltext für die Anzeige; die normalisierte Form dient nur dem Abgleich.

### Wie rechne ich in Python ein Hidschri-Datum in ein gregorianisches um?

Verwenden Sie hijridate (früher hijri-converter): Hijri(1445, 6, 15).to\_gregorian() liefert 2023-12-28. Die Bibliothek folgt dem Umm-al-Qura-Kalender, unterstützt 1343 bis 1500 AH und ist nicht für religiöse Daten gedacht, die durch Mondsichtung festgelegt werden.

### Mit welchen arabischen NER-Datensätzen kann ich testen?

ANERcorp (Nachrichten, etwa 150.000 Tokens, vier Typen), AQMAR (74.000 Tokens aus Wikipedia), Wojood (etwa 550.000 Tokens MSA und Dialekt mit 21 verschachtelten Typen) und CANERCorpus (Hadithe in klassischem Arabisch, 20 Typen). Prüfen Sie jede Lizenz und bilden Sie die Labels auf Ihre ab.

### Soll das Modell Namen übersetzen oder transliterieren?

Nicht im Extraktionsschritt. Fordern Sie den exakten Span aus der Quelle an, damit Sie ihn prüfen können. Fügen Sie bei Bedarf ein separates Feld für eine lateinische Schreibung hinzu und behandeln Sie es als ungeprüft.

## Weiterlesen

-   [JSON Mode vs. json\_schema: strukturierte Ausgabe, die hält](https://broadrouter.com/de/blog/structured-output-json-schema/)
-   [Arabische Textnormalisierung für Suche und RAG: was ändern, was nicht](https://broadrouter.com/de/blog/arabic-text-normalization-search/)
-   [Arabizi und LLMs: Franco-Arabisch mit Ziffern wie 3 und 7 verarbeiten](https://broadrouter.com/de/blog/arabizi-llm-handling/)
-   [Arabische Textklassifikation mit LLM: Sentiment, Intent, Triage](https://broadrouter.com/de/blog/arabic-text-classification-llm/)
-   [Prompt Engineering auf Arabisch: Register, RTL, Ziffern, Mischtext](https://broadrouter.com/de/blog/arabic-prompt-engineering/)
-   [LLM-API für Arabisch auswählen: Was Sie testen sollten](https://broadrouter.com/de/blog/choosing-an-llm-for-arabic/)
-   [Arabische Grammatik- und Rechtschreibkorrektur per LLM: Anleitung](https://broadrouter.com/de/blog/arabic-grammar-spelling-correction-llm/)
-   [Arabischen Text per LLM vokalisieren: Prompt, Prüfung, DER](https://broadrouter.com/de/blog/arabic-diacritization-llm/)
-   [Arabische Besprechungsprotokolle aus Aufnahmen: eine API-Pipeline](https://broadrouter.com/de/blog/arabic-meeting-minutes-from-recordings/)
-   [Anleitung: Arabische Rechnungen und Belege mit einem Vision-Modell auslesen](https://broadrouter.com/de/guides/read-arabic-invoices-with-vision/)
-   [Anleitung: OpenAI Python SDK mit BroadNet Inference nutzen](https://broadrouter.com/de/guides/openai-python-sdk/)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-arabic-named-entity-extraction-llm&utm_content=page-cta) ·

**Quellen**

-   [Abdelali et al., LAraBench: Benchmarking Arabic AI with Large Language Models, EACL 2024, Tabellen 1 und 5 (geprüft am 15.11.2026)](https://aclanthology.org/2024.eacl-long.30/)
-   [Jarrar, Khalilia und Ghanem, Wojood: Nested Arabic Named Entity Corpus and Recognition using BERT, LREC 2022 (geprüft am 15.11.2026)](https://aclanthology.org/2022.lrec-1.387/)
-   [Jarrar et al., WojoodNER 2023: The First Arabic Named Entity Recognition Shared Task, ArabicNLP 2023 (geprüft am 15.11.2026)](https://aclanthology.org/2023.arabicnlp-1.83/)
-   [CAMeL Lab, Downloadseite von ANERcorp und Train/Test-Split (geprüft am 15.11.2026)](https://camel.abudhabi.nyu.edu/anercorp/)
-   [AlDuwais, Al-Khalifa und AlSalman, CLEANANERCorp: Identifying and Correcting Incorrect Labels in the ANERcorp Dataset, OSACT 2024 (geprüft am 15.11.2026)](https://aclanthology.org/2024.osact-1.2/)
-   [CMU ARK, AQMAR Arabic Wikipedia Named Entity Corpus: 74.000 Tokens, 28 Artikel (geprüft am 15.11.2026)](https://www.cs.cmu.edu/~ark/ArabicNER/)
-   [Salah und Zakaria, Repository des Classical Arabic Named Entity Recognition Corpus (CANERCorpus) (geprüft am 15.11.2026)](https://github.com/RamziSalah/Classical-Arabic-Named-Entity-Recognition-Corpus)
-   [hijridate auf PyPI: Umm-al-Qura-Konverter, früher hijri-converter, 1343 bis 1500 AH (geprüft am 15.11.2026)](https://pypi.org/project/hijridate/)
-   [API-Referenz von BroadNet Inference: Modelle mit strukturierter Ausgabe, Reasoning und max\_tokens (geprüft am 15.11.2026) (auf Englisch)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-arabic-named-entity-extraction-llm&utm_content=sources)
