---
title: "LLM से अरबी टेक्स्ट summarization कैसे करें | BroadRouter"
description: "LLM API से अरबी लेख, रिपोर्ट और बोली वाले मैसेज का सारांश: प्रॉम्प्ट पैटर्न, शब्द-गिनती, संख्याओं की जाँच, और डिफ़ॉल्ट ROUGE अरबी को 0 क्यों देता है।"
url: https://broadrouter.com/hi/blog/arabic-text-summarization-llm/
lang: hi
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

यह पेज अंग्रेज़ी से AI की मदद से अनुवाद किया गया है। [अंग्रेज़ी मूल पढ़ें](https://broadrouter.com/blog/arabic-text-summarization-llm/) (2026-11-16 को अपडेट किया गया).

# LLM से अरबी टेक्स्ट का सारांश: प्रॉम्प्ट, लंबाई और स्कोरिंग

BroadNet Inference टीम · 7 मिनट में पढ़ें · प्रकाशित 2026-11-15 · अपडेट किया गया 2026-11-16

प्रॉम्प्ट में भाषा का रूप (बोली वाले इनपुट के लिए भी आमतौर पर मानक आधुनिक अरबी) और शब्दों की रेंज लिखें। फिर कोड में जाँचें: शब्द गिनें, पक्का करें कि सारांश की हर संख्या स्रोत में है, और समस्या बताकर एक बार रीट्राई करें। स्कोरिंग अरबी समझने वाले ROUGE tokenizer और इंसानी समीक्षा से करें; डिफ़ॉल्ट rouge-score अरबी को 0 देता है।

## मुख्य बातें

-   Google का rouge-score 0.1.2 डिफ़ॉल्ट रूप से गैर-लैटिन कैरेक्टर हटा देता है। हमने इसे दो अरबी वाक्यों पर चलाया और F1 0 मिला, चाहे कितना भी मेल हो।
-   उसी जोड़ी को whitespace वाले अरबी tokenizer से 0.6 और मोटे prefix हटाने से 0.8 मिला। अलग-अलग tokenizer से बने ROUGE नंबरों की तुलना कभी न करें।
-   शब्दों की रेंज माँगें, फिर गिनें। मैसेज में मापी गई लंबाई लिखकर एक बार रीट्राई करें; फिर भी चूके तो समीक्षा के लिए भेजें।
-   जाँचें कि सारांश की हर संख्या स्रोत में है। यह मनगढ़ंत जानकारी के एक आम प्रकार का सस्ता टेस्ट है।
-   सार्वजनिक अरबी summarization डेटा ज़्यादातर MSA समाचार है: XL-Sum (46,897 अरबी जोड़े), EASC (153 लेख) और LANS। बोली का डेटा कम है, इसलिए अपना टेस्ट सेट बनाएँ।

**इस पेज पर**

1.  अरबी summarization प्रॉम्प्ट में क्या लिखा होना चाहिए?
2.  बोली वाले टेक्स्ट का सारांश कैसे बनाएँ?
3.  सारांश की लंबाई कैसे कंट्रोल करें?
4.  मनगढ़ंत जानकारी कैसे पकड़ें?
5.  लंबे अरबी दस्तावेज़ों का सारांश कैसे बनाएँ?
6.  अरबी सारांशों का मूल्यांकन कैसे करें?
7.  कौन-सा BroadNet मॉडल इस्तेमाल करें, और लागत कितनी है?
8.  BroadNet Inference कहाँ फ़िट होता है

LLM से अरबी टेक्स्ट का सारांश बनाना एक अनुरोध का काम है। ऐसे सारांश पाना जिन्हें आप ship कर सकें, तीन फ़ैसले माँगता है जो अनुरोध आपके लिए नहीं लेता: किस भाषा-रूप में लिखना है, सारांश कितना लंबा हो, और आप कैसे जानेंगे कि वह सही है। यह पोस्ट लिखे हुए टेक्स्ट के बारे में है: लेख, रिपोर्ट, टिकट और लंबे मैसेज थ्रेड। बोली गई मीटिंग के लिए [अरबी मीटिंग मिनट्स पाइपलाइन](https://broadrouter.com/hi/blog/arabic-meeting-minutes-from-recordings/) ट्रांसक्रिप्शन का चरण और सेक्शन-दर-सेक्शन merging जोड़ती है।

## अरबी summarization प्रॉम्प्ट में क्या लिखा होना चाहिए?

ज़्यादातर नतीजा पाँच लाइनें तय करती हैं:

1.  **भाषा और रूप।** “मानक आधुनिक अरबी” (الفصحى), या किसी बोली का नाम। इसके बिना, मिस्री या खाड़ी इनपुट का सारांश बनाता मॉडल मिली-जुली भाषा में जवाब दे सकता है।
2.  **शब्दों की रेंज।** “40 से 60 शब्द”। सटीक संख्या की तुलना में रेंज पर पहुँचना आसान है।
3.  **तथ्य जैसे लिखे हैं।** संख्याएँ, तारीख़ें और नाम टेक्स्ट से कॉपी किए हुए, न गोल किए हुए, न बदले हुए।
4.  **कुछ नया नहीं।** ऐसी कोई पृष्ठभूमि नहीं जो टेक्स्ट में न हो।
5.  **आकार।** एक पैराग्राफ़, या तीन बुलेट पॉइंट, या तय फ़ील्ड वाला JSON।

निर्देश अरबी या अंग्रेज़ी में हो सकते हैं; दोनों हालात में आउटपुट की भाषा और रूप साफ़ लिखें। [अरबी प्रॉम्प्ट इंजीनियरिंग](https://broadrouter.com/hi/blog/arabic-prompt-engineering/) भाषा-रूप, अंकों और मिली-जुली लिपि वाले टेक्स्ट को और गहराई से कवर करती है। नीचे के कोड में यही प्रॉम्प्ट इस्तेमाल हुआ है:

```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.
```

## बोली वाले टेक्स्ट का सारांश कैसे बनाएँ?

अरबी का ज़्यादातर बिज़नेस टेक्स्ट MSA नहीं होता: ग्राहकों के रिव्यू, WhatsApp थ्रेड और सोशल पोस्ट बोली में होते हैं, अक्सर अंग्रेज़ी या [Arabizi](https://broadrouter.com/hi/blog/arabizi-llm-handling/) के साथ मिले हुए। तीन फ़ैसले मदद करते हैं:

-   **डिफ़ॉल्ट रूप से MSA में सारांश बनाएँ।** यह हर इलाक़े के लिए तटस्थ है और खोजना आसान है। अगर सारांश उसी ग्राहक को वापस जाता है, तो उसकी बोली से मेल खाएँ।
-   **अहम उद्धरण शब्दशः रखें।** जहाँ लहजा मायने रखता है, जैसे शिकायत में, वहाँ मूल शब्दों में एक छोटा उद्धरण माँगें। बोली को MSA में बदलने से बात नरम पड़ सकती है।
-   **अपनी बोलियों पर टेस्ट करें।** बोली की समझ मॉडल-दर-मॉडल बदलती है; देखें [LLM खाड़ी और मिस्री अरबी को कैसे संभालते हैं](https://broadrouter.com/hi/blog/arabic-llm-gulf-egyptian-dialects/)।

सार्वजनिक डेटा यह टेस्टिंग आपके लिए नहीं करेगा। बड़े अरबी summarization सेट MSA समाचार हैं, और हमें खाड़ी या मिस्री summarization का कोई सार्वजनिक benchmark नहीं मिला जिसकी ओर हम इशारा कर सकें।

## सारांश की लंबाई कैसे कंट्रोल करें?

शब्दों में माँगें, फिर शब्दों में मापें। मॉडल की अपनी गिनती पर भरोसा न करें, और इकाई के रूप में टोकन बजट इस्तेमाल न करें: एक अरबी शब्द में कितने टोकन होते हैं, यह मॉडल पर निर्भर है। हमने आधिकारिक Qwen3.8 27B tokenizer से 96 शब्दों के एक अरबी समाचार पैराग्राफ़ को 166 टोकन और उसके 58 शब्दों के सारांश को 114 टोकन मापा। BroadNet के चार चैट मॉडल के tokenizer पर, [अरबी टोकन काउंटर](https://broadrouter.com/tools/arabic-token-counter/) की tokenizer फ़ाइलों से गिनने पर, वही पैराग्राफ़ 166 से 224 टोकन के बीच रहा। बड़ा माप [अरबी में प्रति शब्द टोकन](https://broadrouter.com/hi/blog/tokens-per-word-arabic-english/) में है।

ज़्यादातर कामों के लिए whitespace पर बाँटना सही गिनती है, क्योंकि पाठक यही देखते हैं। अरबी و, ب, ل और ال को शब्द से जोड़ देती है, इसलिए 50 शब्दों का अरबी सारांश 50 अंग्रेज़ी शब्दों से ज़्यादा सामग्री रखता है। अपनी रेंज पसंद आए अरबी उदाहरणों से तय करें, अंग्रेज़ी लक्ष्य से नहीं।

लंबाई के दो और नियम:

-   **`max_tokens` लंबाई का कंट्रोल नहीं है।** यह जवाब को वाक्य के बीच में काट देता है। इसे सारांश के आकार से काफ़ी ऊपर रखें, ख़ासकर reasoning मॉडल पर: BroadNet के docs कहते हैं कि DeepSeek V4.1 Flash, GLM 5.3 और Qwen3.8 27B जवाब देने से पहले reasoning करते हैं, और वह reasoning `max_tokens` में गिनी जाती है। देखें [reasoning मॉडल से ख़ाली जवाब](https://broadrouter.com/hi/guides/reasoning-tokens-empty-response/)।
-   **संख्या के साथ एक बार रीट्राई करें।** “आपका सारांश 17 शब्दों का है; मैंने 40 से 60 माँगे थे” निर्देश दोहराने से ज़्यादा ठीक करता है।

## मनगढ़ंत जानकारी कैसे पकड़ें?

abstractive summarizer चीज़ें गढ़ लेते हैं। Maynez et al. (ACL 2020) ने उन सभी मॉडल सारांशों में “substantial amounts of hallucinated content” (अनुवाद: काफ़ी मात्रा में मनगढ़ंत सामग्री) पाई जिनकी उनके annotators ने समीक्षा की; यह आज के LLM से पहले की बात है, लेकिन कोई मॉडल इससे अछूता नहीं है। अर्थ को कोड में सस्ते में नहीं जाँचा जा सकता, लेकिन संख्याएँ जाँची जा सकती हैं: सारांश की हर संख्या स्रोत में होनी चाहिए। पहले पूर्वी अरबी अंक (٠–٩) और फ़ारसी अंक (۰–۹) को 0–9 में बदलें, वरना ١٢ और 12 अलग दिखेंगे।

```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
```

हमने इसे एक लोकल mock सर्वर पर टेस्ट किया (कोई live API कॉल नहीं), शहर की बस योजना पर 96 शब्दों के एक कृत्रिम लेख के साथ। mock का पहला जवाब 17 शब्दों का था और उसमें ٣٠٠ बसें लिखी थीं, जबकि लेख में ٢٤٠ थीं। `check` ने दोनों समस्याएँ लौटाईं: मापी गई लंबाई, और “numbers not in the text: 300” (अनुवाद: ऐसी संख्याएँ जो टेक्स्ट में नहीं हैं: 300)। दूसरा, सुधरा हुआ जवाब 58 शब्दों पर पास हुआ, इसलिए फ़ंक्शन ने उसे `attempts: 2` के साथ लौटाया।

संख्या की जाँच कुछ चीज़ें छोड़ देती है: ग़लत नाम, उलटा फ़ैसला, बिना संख्या वाला कोई दावा। यह एक फ़िल्टर है, फ़ैसला नहीं। नामों के लिए [अरबी named entity extraction](https://broadrouter.com/hi/blog/arabic-named-entity-extraction-llm/) वाली span जाँच दोबारा इस्तेमाल करें: सारांश से entities निकालें और पक्का करें कि हर एक स्रोत में है।

## लंबे अरबी दस्तावेज़ों का सारांश कैसे बनाएँ?

अगर टेक्स्ट कॉन्टेक्स्ट विंडो में आराम से आ जाता है, तो पूरा भेजें। [Qwen3.8 27B](https://broadrouter.com/hi/models/qwen3.8-27b/) प्रति अनुरोध 262,144 टोकन लेता है और [GLM 5.3](https://broadrouter.com/hi/models/glm-5.3/) 1,048,576, प्रॉम्प्ट और जवाब मिलाकर; [Gemma 4 VL 26B](https://broadrouter.com/hi/models/gemma-4-vl-26b/) 32,768 लेता है। लेकिन लंबे इनपुट की एक जानी-मानी कमज़ोरी है: मॉडल लंबे कॉन्टेक्स्ट के बीच वाले तथ्यों का कम भरोसेमंद इस्तेमाल करते हैं ([lost in the middle](https://broadrouter.com/hi/glossary/lost-in-the-middle/))। लंबी रिपोर्ट के लिए हर सेक्शन का सारांश बनाएँ, फिर सारांशों का सारांश, और आख़िरी प्रॉम्प्ट में सेक्शन के शीर्षक रखें। मीटिंग वाली पोस्ट [merge चरण](https://broadrouter.com/hi/blog/arabic-meeting-minutes-from-recordings/) को कोड में दिखाती है; [लंबा कॉन्टेक्स्ट बनाम RAG](https://broadrouter.com/hi/blog/long-context-vs-rag/) बताती है कि कब retrieval बेहतर है।

## अरबी सारांशों का मूल्यांकन कैसे करें?

तीन परतें इस्तेमाल करें: regressions पकड़ने के लिए एक स्वचालित overlap स्कोर, दूसरी राय के लिए एक semantic स्कोर, और फ़ैसले के लिए इंसान।

**ROUGE, सही tokenizer के साथ।** Google का rouge-score पैकेज (वर्ज़न 0.1.2, 16 नवंबर 2026 को भी PyPI पर मौजूदा रिलीज़) टेक्स्ट को lowercase करता है और a–z और 0–9 के बाहर के हर कैरेक्टर को space से बदल देता है। अरबी ग़ायब हो जाती है। हमने जाँचा:

```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
```

वही दो वाक्य सिर्फ़ tokenization के आधार पर 0, 0.6 या 0.8 स्कोर करते हैं। असली सबक़ यही है: अरबी की शब्द-रचना (للنقل बनाम النقل, بإضافة बनाम تضيف) ROUGE को बहुत हिलाती है, इसलिए tokenizer बताए बिना कोई स्कोर बेमानी है। XL-Sum के लेखक भाषा-विशेष stemming वाला एक बहुभाषी ROUGE fork प्रकाशित करते हैं, जिसमें अरबी भी है; उसे या अपना tokenizer इस्तेमाल करें, और जिन runs की तुलना करते हैं उन सब में उसे एक जैसा रखें।

**BERTScore** embeddings के ज़रिए अर्थ की तुलना करता है, इसलिए पैराफ़्रेज़ सह लेता है। अंग्रेज़ी और चीनी के अलावा भाषाओं के लिए इसका डिफ़ॉल्ट मॉडल bert-base-multilingual-cased है। इसे दूसरा संकेत मानें, पढ़ने का विकल्प नहीं।

**इंसान, एक rubric के साथ।** किसी अरबी पाठक से 50 से 100 सारांशों को तीन सवालों पर स्कोर करवाएँ: क्या कुछ अहम छूटा है, क्या कुछ ऐसा कहा गया है जो स्रोत नहीं कहता, और क्या भाषा-रूप सही है। एक [LLM judge](https://broadrouter.com/hi/glossary/llm-as-judge/) बड़ी मात्रा में पहली छँटाई कर सकता है, जब एक सैंपल पर उसके स्कोर आपके पाठकों से मेल खाने लगें। [स्विच करने से पहले LLM का मूल्यांकन](https://broadrouter.com/hi/blog/evaluate-llm-before-switching/) वह सेट बनाना कवर करता है।

सार्वजनिक रेफ़रंस डेटा के लिए:

| डेटासेट | इसमें क्या है | टिप्पणी |
| --- | --- | --- |
| [XL-Sum](https://huggingface.co/datasets/csebuetnlp/xlsum) अरबी | BBC अरबी के 46,897 लेख और सारांश जोड़े (37,519 / 4,689 / 4,689) | CC BY-NC-SA 4.0: सिर्फ़ गैर-व्यावसायिक रिसर्च |
| [EASC](https://huggingface.co/datasets/drelhaj/EASC) | 153 लेख, हर एक के साथ इंसानों के बनाए पाँच extractive सारांश | छोटा; Wikipedia और दो अख़बार |
| [LANS](https://arxiv.org/abs/2210.13600) | 22 अरब अख़बारों से सारांश सहित 8.4 मिलियन लेख, 1999 से 2019 | सारांश साइट के metadata से आते हैं |

तीनों MSA समाचार हैं। आपके सपोर्ट टिकट और रिपोर्ट नहीं हैं, इसलिए असली टेस्ट आपके अपने टेक्स्ट का एक सैंपल है, जिसका सारांश किसी इंसान ने बनाया हो।

## कौन-सा BroadNet मॉडल इस्तेमाल करें, और लागत कितनी है?

पायलट के लिए [Gemma 4 VL 26B](https://broadrouter.com/hi/models/gemma-4-vl-26b/) $5 के शुरुआती क्रेडिट पर चलता है, प्रति 1M टोकन $0.10 इनपुट और $0.22 आउटपुट पर; इसकी 32,768-टोकन विंडो में ज़्यादातर अकेले लेख आ जाते हैं। [Qwen3.8 27B](https://broadrouter.com/hi/models/qwen3.8-27b/), जिसे BroadNet धाराप्रवाह अरबी लेखन और खाड़ी व मिस्री बोली की समझ के लिए टेस्ट करने की रिपोर्ट करता है, टॉप-अप के बाद $0.175 इनपुट और $2.17 आउटपुट का है। जब एक दस्तावेज़ Qwen की विंडो से लंबा हो, तब GLM 5.3 इस्तेमाल करें।

1,000 टोकन वाले 10,000 लेखों का हिसाब, 150-टोकन सारांशों के साथ: 10 मिलियन इनपुट टोकन और 1.5 मिलियन आउटपुट टोकन, तो Qwen3.8 27B पर यह 10 × $0.175 जमा 1.5 × $2.17 है। reasoning टोकन जोड़ें, जो आउटपुट के रूप में बिल होते हैं, और कोई भी रीट्राई; दोनों को एक सैंपल पर usage ब्लॉक से मापें। अगर हर लेख के लिए प्रॉम्प्ट एक ही है, तो उसे सबसे पहले रखें ताकि वह [कैश्ड इनपुट](https://broadrouter.com/hi/glossary/cached-input-tokens/) दर पर बिल हो सके।

## BroadNet Inference कहाँ फ़िट होता है

BroadRouter, BroadNet की अपनी साइट है। BroadNet Inference summarization का चरण एक OpenAI-compatible API से देता है, इसलिए ऊपर का कोड [OpenAI Python SDK](https://broadrouter.com/hi/guides/openai-python-sdk/) के साथ चलता है। इसके docs कहते हैं कि अनुरोध के बाद प्रॉम्प्ट और जवाब नहीं रखे जाते। यह अपना कोई अरबी summarization benchmark प्रकाशित नहीं करता, और यहाँ कुछ भी इसके मॉडल पर सारांश की गुणवत्ता नहीं मापता; ऊपर की जाँचें अपने टेक्स्ट पर चलाएँ। बोले गए इनपुट के लिए इसे BroadNet Transcribe Arabic के साथ जोड़ें, जैसा [मीटिंग मिनट्स पोस्ट](https://broadrouter.com/hi/blog/arabic-meeting-minutes-from-recordings/) में है।

इस विषय के मुफ़्त टूल (अंग्रेज़ी में)

-   [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.

[मुफ़्त टूल (अंग्रेज़ी में)](https://broadrouter.com/tools/)

## इस लेख के शब्द

[टोकन (token)](https://broadrouter.com/hi/glossary/token/)

टोकन टेक्स्ट की वह इकाई है जिसे लैंग्वेज मॉडल पढ़ता और लिखता है: कोई शब्द, शब्द का हिस्सा, विराम चिह्न या बाइट का क्रम, जो मॉडल का टोकनाइज़र बनाता है। LLM API इस्तेमाल को टोकन में गिनते हैं, उसी में लिमिट लगाते हैं और आम तौर पर बिल भी बनाते हैं।

[टोकनाइज़र (tokenizer)](https://broadrouter.com/hi/glossary/tokenizer/)

टोकनाइज़र वह हिस्सा है जो टेक्स्ट को इंटीजर टोकन ID के उस क्रम में बदलता है जिसे लैंग्वेज मॉडल पढ़ता है, और जनरेट हुई ID को वापस टेक्स्ट में बदलता है। हर मॉडल अपने टोकनाइज़र के साथ आता है, इसलिए एक ही टेक्स्ट अलग-अलग मॉडलों पर अलग संख्या में टोकन बना सकता है।

[मानक आधुनिक अरबी (Modern Standard Arabic, MSA)](https://broadrouter.com/hi/glossary/msa/)

Modern Standard Arabic (MSA) अरबी का मानक रूप है, जो पूरी अरब दुनिया में लेखन, समाचार, शिक्षा और औपचारिक भाषण में इस्तेमाल होता है। यह किसी की रोज़मर्रा की मातृभाषा नहीं है: लोग मिस्री या खाड़ी अरबी जैसी क्षेत्रीय बोलियाँ बोलते हैं और औपचारिक मौक़ों पर MSA अपनाते हैं।

[इनपुट और आउटपुट टोकन (input and output tokens)](https://broadrouter.com/hi/glossary/input-and-output-tokens/)

इनपुट टोकन वे टोकन हैं जिन्हें लैंग्वेज मॉडल किसी अनुरोध में पढ़ता है, जिनमें सिस्टम प्रॉम्प्ट, बातचीत का इतिहास, टूल डेफ़िनिशन और इमेज शामिल हैं। आउटपुट टोकन वे हैं जो वह जवाब में बनाता है, रीज़निंग समेत। LLM API आम तौर पर दोनों की कीमत अलग रखते हैं, और आउटपुट आम तौर पर महँगा होता है।

[एम्बेडिंग (embeddings)](https://broadrouter.com/hi/glossary/embeddings/)

एम्बेडिंग, फ़्लोटिंग-पॉइंट संख्याओं की सूचियाँ (वेक्टर) हैं जो कोई मॉडल टेक्स्ट, इमेज या दूसरे इनपुट को दर्शाने के लिए बनाता है। मिलते-जुलते अर्थ वाले इनपुट के वेक्टर पास-पास होते हैं, इसलिए वेक्टर के बीच की दूरी से सर्च नतीजों की रैंकिंग, दस्तावेज़ों का समूह बनाना या जुड़ी चीज़ें ढूँढना संभव होता है।

[Lost in the middle (बीच में खो जाना)](https://broadrouter.com/hi/glossary/lost-in-the-middle/)

Lost in the middle लैंग्वेज मॉडल का देखा गया रुझान है कि वे काम की जानकारी का सबसे अच्छा इस्तेमाल तब करते हैं जब वह लंबे इनपुट की शुरुआत या अंत के पास हो, और सबसे ख़राब तब जब वह बीच में हो। यह नाम Liu और साथियों की 2023 की स्टडी ने दिया।

[अरबी बोलियाँ (dialectal Arabic)](https://broadrouter.com/hi/glossary/dialectal-arabic/)

अरबी बोलियाँ किसी क्षेत्र या शहर में रोज़ बोली जाने वाली अरबी हैं, जैसे मिस्री, खाड़ी, लेवेंटाइन या मग़रिबी अरबी। ये आधुनिक मानक अरबी से आवाज़ों, शब्दों और व्याकरण में अलग हैं, इनकी कोई मानक वर्तनी नहीं, और ऑनलाइन इन्हें तेज़ी से लिखा जा रहा है, जिससे लैंग्वेज मॉडल के लिए ये मुश्किल हैं।

[कॉन्टेक्स्ट विंडो (context window)](https://broadrouter.com/hi/glossary/context-window/)

कॉन्टेक्स्ट विंडो टोकन की वह अधिकतम संख्या है जिसके साथ लैंग्वेज मॉडल एक अनुरोध में काम कर सकता है। इसमें प्रॉम्प्ट, बातचीत का इतिहास, टूल डेफ़िनिशन, इमेज और जनरेट हुआ आउटपुट, रीज़निंग टोकन समेत, सब आता है। जो इसमें न समाए, उसे काटना, सारांश बनाना या कई अनुरोधों में बाँटना पड़ता है।

## अक्सर पूछे जाने वाले सवाल

### क्या LLM अरबी टेक्स्ट का अच्छा सारांश बना सकता है?

हाँ, लेकिन धाराप्रवाह होना सही होने जैसा नहीं है। लंबाई और संख्याएँ कोड में जाँचें, और भरोसा करने से पहले किसी अरबी पाठक से एक सैंपल पर छूटे बिंदुओं और मनगढ़ंत जानकारी का स्कोर करवाएँ।

### बोली वाले टेक्स्ट का सारांश बोली में हो या MSA में?

आमतौर पर MSA में, क्योंकि यह तटस्थ लगता है और हर इलाक़े में खोजा जा सकता है। जहाँ शब्द मायने रखते हैं, जैसे शिकायत में, वहाँ छोटे उद्धरण मूल बोली में रखें। प्रॉम्प्ट में बताएँ कि आपको क्या चाहिए; वरना मॉडल दोनों के बीच भटकते हैं।

### मेरे अरबी सारांशों को ROUGE 0 क्यों देता है?

आम तौर पर इस्तेमाल होने वाला rouge-score Python पैकेज डिफ़ॉल्ट रूप से a-z और 0-9 के बाहर के कैरेक्टर को space से बदल देता है, इसलिए अरबी टेक्स्ट से कोई token नहीं बनता। अपना tokenizer दें, या XL-Sum के लेखकों का बहुभाषी ROUGE fork इस्तेमाल करें।

### अरबी सारांश की लंबाई कैसे कंट्रोल करूँ?

टोकन संख्या नहीं, शब्दों की रेंज माँगें, और जवाब को whitespace पर बाँटकर मापें। चूक हो तो मापी गई लंबाई के साथ एक बार दोबारा भेजें। याद रखें कि अरबी शब्दों में अक्सर prefix जुड़े होते हैं, इसलिए 50 शब्दों का अरबी सारांश 50 अंग्रेज़ी शब्दों से ज़्यादा अर्थ रखता है।

### अरबी summarization टेस्ट करने के लिए कौन-सा डेटासेट इस्तेमाल करूँ?

XL-Sum में BBC अरबी के 46,897 लेख और सारांश जोड़े हैं (गैर-व्यावसायिक लाइसेंस)। EASC में 153 लेख हैं, हर एक के साथ इंसानों के बनाए पाँच extractive सारांश। दोनों MSA समाचार हैं, इसलिए अपने टेक्स्ट, ख़ासकर बोली वाले, का एक सैंपल जोड़ें।

## आगे पढ़ें

-   [अरबी रिकॉर्डिंग से मीटिंग मिनट्स: एक API पाइपलाइन](https://broadrouter.com/hi/blog/arabic-meeting-minutes-from-recordings/)
-   [अरबी प्रॉम्प्ट इंजीनियरिंग: register, RTL, अंक और मिला-जुला टेक्स्ट](https://broadrouter.com/hi/blog/arabic-prompt-engineering/)
-   [खाड़ी, मिस्री और लेवेंटाइन अरबी: LLM बोलियों को कैसे संभालते हैं](https://broadrouter.com/hi/blog/arabic-llm-gulf-egyptian-dialects/)
-   [अरबी के लिए LLM API कैसे चुनें: क्या-क्या टेस्ट करें](https://broadrouter.com/hi/blog/choosing-an-llm-for-arabic/)
-   [अरबी बनाम अंग्रेज़ी में प्रति शब्द टोकन: अरबी महँगी क्यों पड़ती है](https://broadrouter.com/hi/blog/tokens-per-word-arabic-english/)
-   [लॉन्ग कॉन्टेक्स्ट बनाम RAG: कब 1M टोकन वेक्टर DB की जगह लेते हैं](https://broadrouter.com/hi/blog/long-context-vs-rag/)
-   [LLM से अरबी टेक्स्ट में हरकतें (तश्कील) लगाना: प्रॉम्प्ट, जाँच, DER](https://broadrouter.com/hi/blog/arabic-diacritization-llm/)
-   [LLM से अरबी व्याकरण और वर्तनी सुधार: एक how-to](https://broadrouter.com/hi/blog/arabic-grammar-spelling-correction-llm/)
-   [गाइड: BroadNet Inference के साथ OpenAI Python SDK इस्तेमाल करें](https://broadrouter.com/hi/guides/openai-python-sdk/)
-   [गाइड: रीज़निंग मॉडल ख़ाली जवाब क्यों लौटाता है](https://broadrouter.com/hi/guides/reasoning-tokens-empty-response/)

इसे अपने असली वर्कलोड पर आज़माएँ। नए अकाउंट Gemma और ट्रांसक्रिप्शन के लिए US$5 के क्रेडिट से शुरू होते हैं। DeepSeek, GLM, और Qwen3.8 के लिए टॉप-अप ज़रूरी है।

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

**स्रोत**

-   [Hasan et al., XL-Sum: Large-Scale Multilingual Abstractive Summarization for 44 Languages, Findings of ACL 2021 (2026-11-15 को जाँचा गया)](https://aclanthology.org/2021.findings-acl.413/)
-   [Hugging Face पर XL-Sum डेटासेट कार्ड: अरबी split 37,519 / 4,689 / 4,689, CC BY-NC-SA 4.0 (2026-11-15 को जाँचा गया)](https://huggingface.co/datasets/csebuetnlp/xlsum)
-   [XL-Sum रिपॉज़िटरी, भाषा-विशेष stemming के साथ बहुभाषी ROUGE स्कोरिंग (2026-11-15 को जाँचा गया)](https://github.com/csebuetnlp/xl-sum)
-   [Google Research rouge-score tokenizer का सोर्स: lowercase करता है और गैर-alphanumeric कैरेक्टर बदल देता है (2026-11-15 को जाँचा गया)](https://github.com/google-research/google-research/blob/master/rouge/tokenize.py)
-   [El-Haj, Kruschwitz और Fox, Essex Arabic Summaries Corpus (EASC), Hugging Face मिरर (2026-11-15 को जाँचा गया)](https://huggingface.co/datasets/drelhaj/EASC)
-   [Alhamadani et al., LANS: Large-scale Arabic News Summarization Corpus, arXiv 2210.13600 (2026-11-15 को जाँचा गया)](https://arxiv.org/abs/2210.13600)
-   [Maynez et al., On Faithfulness and Factuality in Abstractive Summarization, ACL 2020 (2026-11-15 को जाँचा गया)](https://aclanthology.org/2020.acl-main.173/)
-   [BERTScore रिपॉज़िटरी: अंग्रेज़ी और चीनी के अलावा भाषाओं के लिए डिफ़ॉल्ट बहुभाषी मॉडल (2026-11-15 को जाँचा गया)](https://github.com/Tiiiger/bert_score)
-   [BroadNet Inference API रेफ़रंस और कीमतें: मॉडल, कॉन्टेक्स्ट लंबाई, reasoning और max\_tokens (2026-11-15 को जाँचा गया) (अंग्रेज़ी में)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-blog-arabic-text-summarization-llm&utm_content=sources)
