---
title: "Resumir textos en árabe con IA: cómo hacerlo con un LLM"
description: "Resuma artículos, informes y mensajes en dialecto árabe con una API de LLM: prompts, control de palabras, revisión de cifras y por qué ROUGE da 0 al árabe."
url: https://broadrouter.com/es/blog/arabic-text-summarization-llm/
lang: es
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/blog/arabic-text-summarization-llm/) (actualizado el 2026-11-16).

# Resumir textos en árabe con un LLM: prompts, extensión y evaluación

Por el equipo de BroadNet Inference · 7 min de lectura · Publicado 2026-11-15 · Actualizado 2026-11-16

Indique en el prompt el registro (normalmente árabe estándar moderno, incluso si el texto está en dialecto) y un rango de palabras. Después verifique en código: cuente las palabras, confirme que cada cifra del resumen aparece en el original y reintente una vez explicando el problema. Evalúe con un tokenizador de ROUGE adaptado al árabe y revisión humana; rouge-score por defecto da 0 al árabe.

## Puntos clave

-   rouge-score 0.1.2 de Google elimina por defecto los caracteres no latinos. Lo probamos con dos frases en árabe y obtuvimos un F1 de 0, sin importar la coincidencia.
-   El mismo par obtuvo 0.6 con un tokenizador árabe por espacios y 0.8 con una eliminación rudimentaria de prefijos. Nunca compare cifras de ROUGE obtenidas con tokenizadores distintos.
-   Pida un rango de palabras y luego cuente. Reintente una vez indicando la extensión medida en el mensaje; si sigue fuera de rango, envíelo a revisión.
-   Compruebe que cada cifra del resumen está en el texto original. Es una prueba barata contra un tipo frecuente de dato inventado.
-   Los datos públicos de resumen en árabe son sobre todo noticias en árabe estándar: XL-Sum (46,897 pares en árabe), EASC (153 artículos) y LANS. Escasean los datos en dialecto, así que construya su propio conjunto de prueba.

**En esta página**

1.  ¿Qué debe decir un prompt para resumir en árabe?
2.  ¿Cómo se resume un texto en dialecto?
3.  ¿Cómo se controla la extensión del resumen?
4.  ¿Cómo se detectan los datos inventados?
5.  ¿Cómo se resumen documentos largos en árabe?
6.  ¿Cómo se evalúan los resúmenes en árabe?
7.  ¿Qué modelo de BroadNet conviene usar y cuánto cuesta?
8.  Dónde encaja BroadNet Inference

Resumir un texto en árabe con un LLM requiere una sola solicitud. Obtener resúmenes publicables requiere tres decisiones que la solicitud no toma por usted: en qué registro escribir, qué extensión debe tener el resumen y cómo sabrá que es correcto. Este artículo trata el texto escrito: artículos, informes, tickets y largos hilos de mensajes. Para reuniones habladas, el [pipeline de actas de reuniones en árabe](https://broadrouter.com/es/blog/arabic-meeting-minutes-from-recordings/) añade el paso de transcripción y la combinación sección por sección.

## ¿Qué debe decir un prompt para resumir en árabe?

Cinco líneas determinan la mayor parte del resultado:

1.  **Idioma y registro.** «Árabe estándar moderno» (الفصحى) o un dialecto concreto. Sin esto, un modelo que resume un texto egipcio o del Golfo puede responder con una mezcla.
2.  **Un rango de palabras.** «De 40 a 60 palabras». Es más fácil acertar un rango que una cifra exacta.
3.  **Los datos tal como están escritos.** Cifras, fechas y nombres copiados del texto, sin redondear ni convertir.
4.  **Nada nuevo.** Ningún contexto que el texto no contenga.
5.  **Forma.** Un párrafo, tres viñetas o JSON con campos fijos.

Las instrucciones pueden ir en árabe o en inglés; en ambos casos, indique explícitamente el idioma y el registro de salida. [Ingeniería de prompts en árabe](https://broadrouter.com/es/blog/arabic-prompt-engineering/) trata con más detalle el registro, los numerales y el texto con alfabetos mezclados. Este es el prompt que usa el código de más abajo:

```text
لخّص النص التالي بالعربية الفصحى في {lo} إلى {hi} كلمة.
- اذكر الأرقام والتواريخ والأسماء كما وردت في النص فقط.
- لا تضف معلومات غير موجودة في النص.
- اكتب فقرة واحدة دون عناوين أو نقاط.
```

## ¿Cómo se resume un texto en dialecto?

La mayor parte del texto empresarial en árabe no está en árabe estándar: las reseñas de clientes, los hilos de WhatsApp y las publicaciones en redes sociales están en dialecto, a menudo mezclado con inglés o [arabizi](https://broadrouter.com/es/blog/arabizi-llm-handling/). Tres decisiones ayudan:

-   **Resuma en árabe estándar por defecto.** Es neutral entre regiones y más fácil de buscar. Si el resumen vuelve al mismo cliente, use su dialecto.
-   **Conserve literalmente las citas clave.** Pida una cita breve con la formulación original cuando el tono importe, como en una queja. Parafrasear el dialecto en árabe estándar puede suavizarlo.
-   **Pruebe con sus dialectos.** La comprensión de los dialectos varía de un modelo a otro; vea [cómo manejan los LLM el árabe del Golfo y el egipcio](https://broadrouter.com/es/blog/arabic-llm-gulf-egyptian-dialects/).

Los datos públicos no harán esas pruebas por usted. Los grandes conjuntos de resumen en árabe son noticias en árabe estándar, y no encontramos ningún benchmark público de resumen en árabe del Golfo o egipcio que podamos recomendarle.

## ¿Cómo se controla la extensión del resumen?

Pida en palabras y mida en palabras. No confíe en el recuento del propio modelo ni use un presupuesto de tokens como unidad: los tokens por palabra árabe varían según el modelo. Medimos un párrafo de noticias en árabe de 96 palabras en 166 tokens con el tokenizador oficial de Qwen3.8 27B, y su resumen de 58 palabras en 114 tokens. Con los tokenizadores de los cuatro modelos de chat de BroadNet, contados con los archivos de tokenizador del [contador de tokens en árabe](https://broadrouter.com/tools/arabic-token-counter/), el mismo párrafo osciló entre 166 y 224 tokens. [Tokens por palabra en árabe](https://broadrouter.com/es/blog/tokens-per-word-arabic-english/) recoge una medición más amplia.

Separar por espacios es el recuento correcto para la mayoría de los usos, porque es lo que ve el lector. El árabe une و, ب, ل y ال a la palabra, así que un resumen de 50 palabras en árabe transmite más contenido que 50 palabras en inglés. Fije su rango a partir de ejemplos en árabe que le gusten, no de un objetivo en inglés.

Dos reglas más sobre la extensión:

-   **`max_tokens` no controla la extensión.** Corta la respuesta a mitad de frase. Configúrelo muy por encima del tamaño del resumen, sobre todo con modelos de razonamiento: la documentación de BroadNet indica que DeepSeek V4.1 Flash, GLM 5.3 y Qwen3.8 27B razonan antes de responder y que ese razonamiento cuenta para `max_tokens`. Vea [respuestas vacías de los modelos de razonamiento](https://broadrouter.com/es/guides/reasoning-tokens-empty-response/).
-   **Reintente una vez, con la cifra.** «Su resumen tiene 17 palabras; pedí entre 40 y 60» corrige más que repetir la instrucción.

## ¿Cómo se detectan los datos inventados?

Los resumidores abstractivos inventan cosas. Maynez et al. (ACL 2020) encontraron “substantial amounts of hallucinated content” (Traducción: «cantidades sustanciales de contenido alucinado») en todos los resúmenes de modelos que revisaron sus anotadores; eso fue antes de los LLM actuales, pero ningún modelo es inmune. No se puede verificar el significado de forma barata en código, pero sí las cifras: toda cifra del resumen debe aparecer en el original. Convierta primero los dígitos arábigo-orientales (٠–٩) y persas (۰–۹) a 0–9; si no, ١٢ y 12 parecerán distintos.

```python
import os, re
from openai import OpenAI

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

PROMPT = """لخّص النص التالي بالعربية الفصحى في {lo} إلى {hi} كلمة.
- اذكر الأرقام والتواريخ والأسماء كما وردت في النص فقط.
- لا تضف معلومات غير موجودة في النص.
- اكتب فقرة واحدة دون عناوين أو نقاط.

النص:
{text}"""

DIGITS = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "01234567890123456789")
def numbers(s: str) -> set[str]:
    return set(re.findall(r"\d+(?:[.,٫]\d+)?", s.translate(DIGITS)))

def words(s: str) -> int:
    return len(s.split())          # clitics (و، ال، ب) stay attached: count what readers see

def check(source: str, summary: str, lo: int, hi: int) -> list[str]:
    issues = []
    n = words(summary)
    if not lo <= n <= hi:
        issues.append(f"الطول {n} كلمة، والمطلوب من {lo} إلى {hi}.")
    extra = numbers(summary) - numbers(source)
    if extra:
        issues.append("أرقام غير موجودة في النص: " + "، ".join(sorted(extra)))
    return issues

def summarize(text: str, lo=40, hi=60, model="broadnet/qwen3.8-27b", attempts=2) -> dict:
    messages = [{"role": "user", "content": PROMPT.format(lo=lo, hi=hi, text=text)}]
    for i in range(attempts):
        r = client.chat.completions.create(model=model, messages=messages, max_tokens=2000)
        summary = (r.choices[0].message.content or "").strip()
        issues = check(text, summary, lo, hi)
        if not issues:
            return {"summary": summary, "attempts": i + 1, "issues": []}
        messages += [{"role": "assistant", "content": summary},
                     {"role": "user", "content": "صحّح الملخص: " + " ".join(issues)}]
    return {"summary": summary, "attempts": attempts, "issues": issues}   # send to review
```

Lo probamos contra un servidor simulado local (sin llamadas reales a la API) con un artículo sintético de 96 palabras sobre un plan de autobuses urbanos. La primera respuesta del simulador tenía 17 palabras y decía ٣٠٠ autobuses donde el artículo decía ٢٤٠. `check` devolvió ambos problemas: la extensión medida y «cifras que no están en el texto: 300». La segunda respuesta, corregida, pasó con 58 palabras, así que la función la devolvió con `attempts: 2`.

La revisión de cifras no detecta todo: un nombre equivocado, una decisión invertida, una afirmación sin cifras. Es un filtro, no un veredicto. Para los nombres, reutilice la verificación de fragmentos de [extracción de entidades nombradas en árabe](https://broadrouter.com/es/blog/arabic-named-entity-extraction-llm/): extraiga las entidades del resumen y confirme que cada una aparece en el original.

## ¿Cómo se resumen documentos largos en árabe?

Si el texto cabe con holgura en la ventana de contexto, envíelo completo. [Qwen3.8 27B](https://broadrouter.com/es/models/qwen3.8-27b/) admite 262,144 tokens por solicitud y [GLM 5.3](https://broadrouter.com/es/models/glm-5.3/) 1,048,576, prompt y respuesta juntos; [Gemma 4 VL 26B](https://broadrouter.com/es/models/gemma-4-vl-26b/) admite 32,768. Las entradas largas tienen, sin embargo, un punto débil conocido: los modelos aprovechan con menos fiabilidad los datos situados en medio de un contexto largo ([lost in the middle](https://broadrouter.com/es/glossary/lost-in-the-middle/)). Para un informe largo, resuma cada sección, luego resuma los resúmenes y mantenga los títulos de sección en el prompt final. El artículo sobre reuniones muestra el [paso de combinación](https://broadrouter.com/es/blog/arabic-meeting-minutes-from-recordings/) en código; [contexto largo frente a RAG](https://broadrouter.com/es/blog/long-context-vs-rag/) explica cuándo conviene recuperar en su lugar.

## ¿Cómo se evalúan los resúmenes en árabe?

Use tres capas: una métrica automática de coincidencia para detectar regresiones, una métrica semántica como segunda opinión y personas para decidir.

**ROUGE, con el tokenizador adecuado.** El paquete rouge-score de Google (versión 0.1.2, todavía la actual en PyPI a 16 de noviembre de 2026) pasa el texto a minúsculas y sustituye todo carácter fuera de a–z y 0–9 por un espacio. El árabe desaparece. Lo comprobamos:

```python
import re
from rouge_score import rouge_scorer

ref = "أعلنت البلدية خطة لتوسعة النقل العام تضيف ١٢ خطاً للحافلات"
hyp = "البلدية تعلن خطة توسعة للنقل العام بإضافة ١٢ خطا للحافلات"

print(rouge_scorer.RougeScorer(["rouge1"]).score(ref, hyp)["rouge1"].fmeasure)   # 0.0

class ArabicTokenizer:
    """Whitespace tokens, no diacritics, unified alef, optional light prefix stripping."""
    def __init__(self, strip_prefixes=False):
        self.strip = strip_prefixes
    def tokenize(self, text):
        text = re.sub(r"[ً-ٰٟـ]", "", text)
        text = re.sub("[إأآ]", "ا", text).replace("ى", "ي").replace("ة", "ه")
        toks = re.findall(r"\w+", text)
        if self.strip:   # crude: drop و/ب/ل/ال prefixes on longer words
            toks = [re.sub(r"^(وال|بال|لل|ال|و|ب|ل)(?=\w{3,})", "", t) for t in toks]
        return toks

for strip in (False, True):
    s = rouge_scorer.RougeScorer(["rouge1"], tokenizer=ArabicTokenizer(strip))
    print(strip, round(s.score(ref, hyp)["rouge1"].fmeasure, 3))   # False 0.6, True 0.8
```

Las mismas dos frases obtienen 0, 0.6 u 0.8 dependiendo solo de la tokenización. Esa es la verdadera lección: la morfología árabe (للنقل frente a النقل, بإضافة frente a تضيف) mueve mucho ROUGE, así que una puntuación no significa nada sin su tokenizador. Los autores de XL-Sum publican una versión multilingüe de ROUGE con stemming específico por idioma, árabe incluido; úsela, o su propio tokenizador, y manténgalo fijo en todas las ejecuciones que compare.

**BERTScore** compara significado mediante embeddings, así que tolera la paráfrasis. Para idiomas distintos del inglés y el chino, su modelo por defecto es bert-base-multilingual-cased. Trátelo como una segunda señal, no como sustituto de la lectura.

**Personas, con una rúbrica.** Pida a un lector de árabe que puntúe de 50 a 100 resúmenes con tres preguntas: ¿falta algo importante?, ¿se afirma algo que el original no dice? y ¿es correcto el registro? Un [LLM como juez](https://broadrouter.com/es/glossary/llm-as-judge/) puede hacer un primer filtrado a gran escala una vez que sus puntuaciones coincidan con las de sus lectores en una muestra. [Evaluar un LLM antes de cambiar](https://broadrouter.com/es/blog/evaluate-llm-before-switching/) explica cómo construir ese conjunto.

Como datos públicos de referencia:

| Conjunto de datos | Contenido | Notas |
| --- | --- | --- |
| [XL-Sum](https://huggingface.co/datasets/csebuetnlp/xlsum) árabe | 46,897 pares de artículos de BBC Arabic y su resumen (37,519 / 4,689 / 4,689) | CC BY-NC-SA 4.0: solo investigación no comercial |
| [EASC](https://huggingface.co/datasets/drelhaj/EASC) | 153 artículos, cinco resúmenes extractivos humanos cada uno | Pequeño; Wikipedia y dos periódicos |
| [LANS](https://arxiv.org/abs/2210.13600) | 8.4 millones de artículos con resúmenes de 22 periódicos árabes, de 1999 a 2019 | Los resúmenes proceden de los metadatos de los sitios |

Los tres son noticias en árabe estándar. Sus tickets de soporte e informes no lo son, así que la prueba que cuenta es una muestra de sus propios textos, resumida por una persona.

## ¿Qué modelo de BroadNet conviene usar y cuánto cuesta?

Para un piloto, [Gemma 4 VL 26B](https://broadrouter.com/es/models/gemma-4-vl-26b/) funciona con el crédito inicial de $5 a $0.10 de entrada y $0.22 de salida por 1M de tokens; su ventana de 32,768 tokens admite la mayoría de los artículos individuales. [Qwen3.8 27B](https://broadrouter.com/es/models/qwen3.8-27b/), que según BroadNet probó por su escritura fluida en árabe y su comprensión de los dialectos del Golfo y egipcio, cuesta $0.175 de entrada y $2.17 de salida tras una recarga. Use GLM 5.3 cuando un documento supere la ventana de Qwen.

El cálculo para 10,000 artículos de 1,000 tokens cada uno, con resúmenes de 150 tokens: 10 millones de tokens de entrada y 1.5 millones de tokens de salida; en Qwen3.8 27B, eso es 10 × $0.175 más 1.5 × $2.17. Añada los tokens de razonamiento, que se facturan como salida, y los reintentos; mida ambos en una muestra con el bloque usage. Si el prompt es el mismo para todos los artículos, colóquelo al principio para que pueda facturarse a la tarifa de [entrada en caché](https://broadrouter.com/es/glossary/cached-input-tokens/).

## Dónde encaja BroadNet Inference

BroadRouter es el sitio web de BroadNet. BroadNet Inference ofrece el paso de resumen mediante una API compatible con OpenAI, así que el código anterior funciona con el [SDK de OpenAI para Python](https://broadrouter.com/es/guides/openai-python-sdk/). Su documentación indica que los prompts y las respuestas no se conservan tras la solicitud. No publica ningún benchmark propio de resumen en árabe, y nada de lo aquí expuesto mide la calidad de los resúmenes en sus modelos; ejecute las verificaciones anteriores con sus propios textos. Para entradas habladas, combínelo con BroadNet Transcribe Arabic como en el [artículo de actas de reuniones](https://broadrouter.com/es/blog/arabic-meeting-minutes-from-recordings/).

Herramientas gratuitas sobre este tema (en inglés)

-   [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.

[Herramientas gratuitas (en inglés)](https://broadrouter.com/tools/)

## Términos de este artículo

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

Un token es la unidad de texto que un modelo de lenguaje lee y escribe: una palabra, parte de una palabra, un signo de puntuación o una secuencia de bytes producida por el tokenizador del modelo. Las APIs de LLM cuentan, limitan y normalmente facturan el uso en tokens.

[Árabe estándar moderno (MSA, fusha)](https://broadrouter.com/es/glossary/msa/)

El árabe estándar moderno (MSA) es la forma estandarizada del árabe que se usa en la escritura, las noticias, la educación y el habla formal en todo el mundo árabe. No es la lengua materna cotidiana de nadie: la gente habla dialectos regionales, como el egipcio o el del Golfo, y cambia al MSA en contextos formales.

[Tokenizador (tokenizer)](https://broadrouter.com/es/glossary/tokenizer/)

Un tokenizador es el componente que convierte texto en la secuencia de IDs de token enteros que lee un modelo de lenguaje, y que vuelve a convertir en texto los IDs generados. Cada modelo trae su propio tokenizador, así que el mismo texto puede producir un número distinto de tokens en modelos distintos.

[Árabe dialectal (dialectal Arabic)](https://broadrouter.com/es/glossary/dialectal-arabic/)

El árabe dialectal es el árabe hablado a diario en una región o ciudad, como el árabe egipcio, del Golfo, levantino o magrebí. Los dialectos difieren del árabe estándar moderno en sonidos, palabras y gramática, no tienen ortografía estándar y se escriben cada vez más en internet, lo que los hace más difíciles para los modelos de lenguaje.

[Arabizi (franco-árabe)](https://broadrouter.com/es/glossary/arabizi/)

El arabizi es árabe escrito de manera informal con letras latinas, usando dígitos para los sonidos árabes sin equivalente latino, como 3 para ع. Es habitual en chats y redes sociales, es sobre todo dialectal, no tiene ortografía estándar y a menudo se mezcla con inglés o francés.

[Embeddings (vectores de texto)](https://broadrouter.com/es/glossary/embeddings/)

Los embeddings son listas de números de punto flotante (vectores) que un modelo produce para representar un texto, una imagen u otra entrada. Las entradas de significado parecido obtienen vectores cercanos, así que la distancia entre vectores sirve para ordenar resultados de búsqueda, agrupar documentos o encontrar elementos relacionados.

[Lost in the middle (perdido en el medio)](https://broadrouter.com/es/glossary/lost-in-the-middle/)

Lost in the middle es la tendencia observada de los modelos de lenguaje a aprovechar mejor la información relevante cuando aparece cerca del principio o del final de una entrada larga, y peor cuando está en el medio. Recibió ese nombre en un estudio de Liu et al. de 2023.

[Reconocimiento de entidades nombradas (NER)](https://broadrouter.com/es/glossary/named-entity-recognition/)

El reconocimiento de entidades nombradas (NER) es la tarea de encontrar nombres en un texto y etiquetar cada uno con un tipo, como persona, organización o lugar. Los sistemas clásicos etiquetan cada token; a los LLMs, en cambio, se les suele pedir una lista de entidades en JSON, que luego se contrasta con el texto original.

## Preguntas frecuentes

### ¿Puede un LLM resumir bien un texto en árabe?

Sí, pero fluido no es lo mismo que exacto. Verifique extensión y cifras en código, y pida a un lector de árabe que puntúe una muestra en busca de puntos omitidos y datos inventados antes de confiar en el resultado.

### ¿El resumen de un texto en dialecto debe ir en dialecto o en árabe estándar?

Normalmente en árabe estándar moderno, porque resulta neutral y se puede buscar en todas las regiones. Conserve citas breves en el dialecto original cuando la formulación importe, como en una queja. Indique en el prompt qué quiere; si no, el modelo alterna entre ambos.

### ¿Por qué ROUGE da 0 a mis resúmenes en árabe?

El paquete de Python rouge-score, muy usado, sustituye por defecto todo carácter fuera de a-z y 0-9 por un espacio, así que el texto árabe no genera ningún token. Pase su propio tokenizador o use la versión multilingüe de ROUGE de los autores de XL-Sum.

### ¿Cómo controlo la extensión de un resumen en árabe?

Pida un rango de palabras, no un número de tokens, y mida la respuesta separando por espacios. Si no cumple, reenvíe una vez con la extensión medida. Recuerde que las palabras árabes suelen llevar prefijos unidos, así que un resumen de 50 palabras en árabe contiene más significado que 50 palabras en inglés.

### ¿Con qué conjunto de datos puedo probar el resumen en árabe?

XL-Sum tiene 46,897 pares de artículos de la BBC en árabe con su resumen (licencia no comercial). EASC tiene 153 artículos con cinco resúmenes extractivos humanos cada uno. Ambos son noticias en árabe estándar, así que añada una muestra de sus propios textos, sobre todo en dialecto.

## Siga leyendo

-   [Actas de reuniones en árabe a partir de grabaciones: pipeline con API](https://broadrouter.com/es/blog/arabic-meeting-minutes-from-recordings/)
-   [Ingeniería de prompts en árabe: registro, RTL, cifras y texto mixto](https://broadrouter.com/es/blog/arabic-prompt-engineering/)
-   [Árabe del Golfo, egipcio y levantino: los dialectos y los LLM](https://broadrouter.com/es/blog/arabic-llm-gulf-egyptian-dialects/)
-   [Cómo elegir una API de LLM para árabe: qué probar](https://broadrouter.com/es/blog/choosing-an-llm-for-arabic/)
-   [Tokens por palabra en árabe vs inglés: por qué el árabe cuesta más](https://broadrouter.com/es/blog/tokens-per-word-arabic-english/)
-   [Contexto largo vs RAG: cuándo 1M de tokens reemplaza la base vectorial](https://broadrouter.com/es/blog/long-context-vs-rag/)
-   [Añadir diacríticos al texto árabe con un LLM: prompt, controles y DER](https://broadrouter.com/es/blog/arabic-diacritization-llm/)
-   [Corrección gramatical y ortográfica del árabe con un LLM: cómo hacerla](https://broadrouter.com/es/blog/arabic-grammar-spelling-correction-llm/)
-   [Guía: Usar el SDK de OpenAI para Python con BroadNet Inference](https://broadrouter.com/es/guides/openai-python-sdk/)
-   [Guía: ¿Por qué un modelo de razonamiento devuelve una respuesta vacía?](https://broadrouter.com/es/guides/reasoning-tokens-empty-response/)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-arabic-text-summarization-llm&utm_content=page-cta) ·

**Fuentes**

-   [Hasan et al., XL-Sum: Large-Scale Multilingual Abstractive Summarization for 44 Languages, Findings of ACL 2021 (consultado el 2026-11-15)](https://aclanthology.org/2021.findings-acl.413/)
-   [Ficha del conjunto XL-Sum en Hugging Face: partición árabe 37,519 / 4,689 / 4,689, CC BY-NC-SA 4.0 (consultado el 2026-11-15)](https://huggingface.co/datasets/csebuetnlp/xlsum)
-   [Repositorio de XL-Sum, evaluación ROUGE multilingüe con stemming específico por idioma (consultado el 2026-11-15)](https://github.com/csebuetnlp/xl-sum)
-   [Código del tokenizador de rouge-score de Google Research: pasa a minúsculas y sustituye los caracteres no alfanuméricos (consultado el 2026-11-15)](https://github.com/google-research/google-research/blob/master/rouge/tokenize.py)
-   [El-Haj, Kruschwitz y Fox, Essex Arabic Summaries Corpus (EASC), copia en Hugging Face (consultado el 2026-11-15)](https://huggingface.co/datasets/drelhaj/EASC)
-   [Alhamadani et al., LANS: Large-scale Arabic News Summarization Corpus, arXiv 2210.13600 (consultado el 2026-11-15)](https://arxiv.org/abs/2210.13600)
-   [Maynez et al., On Faithfulness and Factuality in Abstractive Summarization, ACL 2020 (consultado el 2026-11-15)](https://aclanthology.org/2020.acl-main.173/)
-   [Repositorio de BERTScore: modelo multilingüe por defecto para idiomas distintos del inglés y el chino (consultado el 2026-11-15)](https://github.com/Tiiiger/bert_score)
-   [Referencia de la API y precios de BroadNet Inference: modelos, longitudes de contexto, razonamiento y max\_tokens (consultado el 2026-11-15) (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-arabic-text-summarization-llm&utm_content=sources)
