---
title: "Riassunto di testi in arabo con un LLM: come farlo | BroadRouter"
description: "Riassumi articoli, report e messaggi in dialetto arabo con un’API LLM: prompt, controllo delle parole e dei numeri, e perché il ROUGE di default dà 0."
url: https://broadrouter.com/it/blog/arabic-text-summarization-llm/
lang: it
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/blog/arabic-text-summarization-llm/) (aggiornato il 2026-11-16).

# Riassumere testi in arabo con un LLM: prompt, lunghezza e valutazione

A cura del team di BroadNet Inference · 7 min di lettura · Pubblicato 2026-11-15 · Aggiornato 2026-11-16

Indica nel prompt il registro (di solito l’arabo standard moderno, anche per input in dialetto) e un intervallo di parole. Poi controlla nel codice: conta le parole, verifica che ogni numero del riassunto sia nel testo di partenza e riprova una volta spiegando il problema. Valuta con un tokenizer ROUGE adatto all’arabo più una revisione umana: rouge-score di default dà 0 all’arabo.

## Punti chiave

-   rouge-score 0.1.2 di Google elimina di default i caratteri non latini. L’abbiamo provato su due frasi arabe e abbiamo ottenuto un F1 di 0, qualunque fosse la sovrapposizione.
-   La stessa coppia ha ottenuto 0,6 con un tokenizer arabo basato sugli spazi e 0,8 con una rimozione grezza dei prefissi. Non confrontare mai punteggi ROUGE prodotti con tokenizer diversi.
-   Chiedi un intervallo di parole, poi conta. Riprova una volta indicando nel messaggio la lunghezza misurata; se manca ancora il bersaglio, manda il riassunto in revisione.
-   Controlla che ogni numero del riassunto sia nel testo di partenza. È un test economico per un tipo comune di dettaglio inventato.
-   I dati pubblici per il riassunto in arabo sono per lo più notizie in MSA: XL-Sum (46.897 coppie in arabo), EASC (153 articoli) e LANS. I dati in dialetto scarseggiano, quindi costruisci un tuo test set.

**In questa pagina**

1.  Cosa deve dire un prompt per riassumere in arabo?
2.  Come si riassume un testo in dialetto?
3.  Come si controlla la lunghezza del riassunto?
4.  Come si individuano i dettagli inventati?
5.  Come si riassumono documenti arabi lunghi?
6.  Come si valutano i riassunti in arabo?
7.  Quale modello BroadNet usare e quanto costa?
8.  Dove si colloca BroadNet Inference

Per riassumere un testo arabo con un LLM basta una richiesta. Per ottenere riassunti da mettere in produzione servono tre decisioni che la richiesta non prende al posto tuo: in quale registro scrivere, quanto deve essere lungo il riassunto e come saprai che è corretto. Questo articolo tratta il testo scritto: articoli, report, ticket e lunghe conversazioni di messaggi. Per le riunioni parlate, la [pipeline per i verbali di riunione in arabo](https://broadrouter.com/it/blog/arabic-meeting-minutes-from-recordings/) aggiunge la trascrizione e l’unione sezione per sezione.

## Cosa deve dire un prompt per riassumere in arabo?

Cinque righe fanno quasi tutto il risultato:

1.  **Lingua e registro.** “Arabo standard moderno” (الفصحى), oppure un dialetto preciso. Senza questa indicazione, un modello che riassume un input egiziano o del Golfo può rispondere con un misto.
2.  **Un intervallo di parole.** “Da 40 a 60 parole”. Gli intervalli sono più facili da rispettare dei numeri esatti.
3.  **I fatti come sono scritti.** Numeri, date e nomi copiati dal testo, non arrotondati né convertiti.
4.  **Niente di nuovo.** Nessun contesto che il testo non contenga.
5.  **Forma.** Un paragrafo, oppure tre punti elenco, oppure JSON con campi fissi.

Le istruzioni possono essere in arabo o in inglese; in entrambi i casi indica in modo esplicito la lingua e il registro dell’output. Il [prompt engineering in arabo](https://broadrouter.com/it/blog/arabic-prompt-engineering/) approfondisce registro, cifre e testo con alfabeti misti. Ecco il prompt usato nel codice qui sotto:

```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.
```

## Come si riassume un testo in dialetto?

Gran parte del testo aziendale in arabo non è MSA: recensioni dei clienti, conversazioni WhatsApp e post sui social sono in dialetto, spesso mescolato con l’inglese o con l’[Arabizi](https://broadrouter.com/it/blog/arabizi-llm-handling/). Aiutano tre scelte:

-   **Riassumi in MSA per default.** È neutro tra le regioni e più facile da cercare. Se il riassunto torna allo stesso cliente, usa invece il suo dialetto.
-   **Tieni alla lettera le citazioni chiave.** Quando il tono conta, per esempio in un reclamo, chiedi una breve citazione con le parole originali. Parafrasare il dialetto in MSA può attenuarlo.
-   **Fai i test sui tuoi dialetti.** La comprensione dei dialetti varia da modello a modello; vedi [come gli LLM se la cavano con l’arabo del Golfo e quello egiziano](https://broadrouter.com/it/blog/arabic-llm-gulf-egyptian-dialects/).

I dati pubblici non faranno questi test al posto tuo. I grandi set per il riassunto in arabo sono notizie in MSA, e non abbiamo trovato un benchmark pubblico di riassunto per l’arabo del Golfo o egiziano da indicarti.

## Come si controlla la lunghezza del riassunto?

Chiedi in parole, poi misura in parole. Non fidarti del conteggio del modello e non usare un budget di token come unità: il numero di token per parola araba cambia da modello a modello. Con il tokenizer ufficiale di Qwen3.8 27B abbiamo misurato un paragrafo di notizie arabo di 96 parole a 166 token, e il suo riassunto di 58 parole a 114 token. Con i tokenizer dei quattro modelli chat di BroadNet, contati con i file di tokenizer del [contatore di token per l’arabo](https://broadrouter.com/tools/arabic-token-counter/), lo stesso paragrafo andava da 166 a 224 token. [Token per parola in arabo](https://broadrouter.com/it/blog/tokens-per-word-arabic-english/) riporta la misura più ampia.

Dividere sugli spazi è il conteggio giusto per la maggior parte degli usi, perché è quello che vedono i lettori. L’arabo attacca و, ب, ل e ال alla parola, quindi un riassunto arabo di 50 parole contiene più di 50 parole inglesi di contenuto. Fissa l’intervallo partendo da esempi arabi che ti piacciono, non da un obiettivo pensato per l’inglese.

Altre due regole sulla lunghezza:

-   **`max_tokens` non controlla la lunghezza.** Tronca la risposta a metà frase. Impostalo ben sopra la dimensione del riassunto, soprattutto con i modelli di ragionamento: la documentazione di BroadNet dice che DeepSeek V4.1 Flash, GLM 5.3 e Qwen3.8 27B ragionano prima di rispondere e che quel ragionamento conta in `max_tokens`. Vedi [risposte vuote dai modelli di ragionamento](https://broadrouter.com/it/guides/reasoning-tokens-empty-response/).
-   **Riprova una volta, con il numero.** “Il tuo riassunto è di 17 parole; ne avevo chieste da 40 a 60” risolve più che ripetere l’istruzione.

## Come si individuano i dettagli inventati?

I modelli di riassunto astrattivo inventano. Maynez et al. (ACL 2020) hanno trovato «substantial amounts of hallucinated content» (traduzione: quantità consistenti di contenuto allucinato) in tutti i riassunti dei modelli esaminati dai loro annotatori; era prima degli LLM di oggi, ma nessun modello ne è immune. Il significato non si può controllare a basso costo nel codice, i numeri sì: ogni numero del riassunto dovrebbe comparire nel testo di partenza. Prima converti le cifre arabo-orientali (٠–٩) e quelle persiane (۰–۹) in 0–9, altrimenti ١٢ e 12 sembreranno diversi.

```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 abbiamo testato con un server mock locale (nessuna chiamata all’API reale) su un articolo sintetico di 96 parole su un piano per gli autobus cittadini. La prima risposta del mock era di 17 parole e parlava di ٣٠٠ autobus dove l’articolo diceva ٢٤٠. `check` ha restituito entrambi i problemi: la lunghezza misurata e “numeri non presenti nel testo: 300”. La seconda risposta, corretta, è passata con 58 parole, quindi la funzione l’ha restituita con `attempts: 2`.

Il controllo dei numeri non vede tutto: un nome sbagliato, una decisione ribaltata, un’affermazione senza numeri. È un filtro, non un verdetto. Per i nomi, riusa il controllo sugli span dell’[estrazione di entità nominate in arabo](https://broadrouter.com/it/blog/arabic-named-entity-extraction-llm/): estrai le entità dal riassunto e verifica che ognuna compaia nel testo di partenza.

## Come si riassumono documenti arabi lunghi?

Se il testo entra nella finestra di contesto con margine, invialo intero. [Qwen3.8 27B](https://broadrouter.com/it/models/qwen3.8-27b/) accetta 262.144 token per richiesta e [GLM 5.3](https://broadrouter.com/it/models/glm-5.3/) 1.048.576, prompt e risposta insieme; [Gemma 4 VL 26B](https://broadrouter.com/it/models/gemma-4-vl-26b/) ne accetta 32.768. Gli input lunghi hanno però un punto debole noto: i modelli usano in modo meno affidabile i fatti a metà di un contesto lungo ([lost in the middle](https://broadrouter.com/it/glossary/lost-in-the-middle/)). Per un report lungo, riassumi ogni sezione, poi riassumi i riassunti e tieni i titoli delle sezioni nel prompt finale. L’articolo sulle riunioni mostra il [passaggio di unione](https://broadrouter.com/it/blog/arabic-meeting-minutes-from-recordings/) nel codice; [contesto lungo o RAG](https://broadrouter.com/it/blog/long-context-vs-rag/) spiega quando conviene invece il retrieval.

## Come si valutano i riassunti in arabo?

Usa tre livelli: un punteggio automatico di sovrapposizione per intercettare le regressioni, un punteggio semantico come secondo parere e le persone per la decisione.

**ROUGE, con il tokenizer giusto.** Il pacchetto rouge-score di Google (versione 0.1.2, ancora l’ultima release su PyPI al 16 novembre 2026) converte il testo in minuscolo e sostituisce con uno spazio ogni carattere fuori da a–z e 0–9. L’arabo sparisce. Lo abbiamo verificato:

```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
```

Le stesse due frasi ottengono 0, 0,6 o 0,8 a seconda soltanto della tokenizzazione. È questa la vera lezione: la morfologia araba (للنقل contro النقل, بإضافة contro تضيف) sposta molto il ROUGE, quindi un punteggio non significa nulla senza il suo tokenizer. Gli autori di XL-Sum pubblicano un fork multilingue di ROUGE con stemming specifico per lingua, arabo compreso; usa quello, o un tuo tokenizer, e tienilo fisso in tutte le esecuzioni che confronti.

**BERTScore** confronta il significato tramite embedding, quindi tollera le parafrasi. Per le lingue diverse da inglese e cinese il suo modello di default è bert-base-multilingual-cased. Consideralo un secondo segnale, non un sostituto della lettura.

**Persone, con una griglia.** Fai valutare a un lettore arabo da 50 a 100 riassunti con tre domande: manca qualcosa di importante, c’è qualcosa che il testo di partenza non dice, il registro è giusto. Un [LLM come giudice](https://broadrouter.com/it/glossary/llm-as-judge/) può fare una prima selezione sui grandi volumi, una volta che i suoi punteggi concordano con quelli dei tuoi lettori su un campione. [Valutare un LLM prima di cambiarlo](https://broadrouter.com/it/blog/evaluate-llm-before-switching/) spiega come costruire quel set.

Come dati pubblici di riferimento:

| Dataset | Contenuto | Note |
| --- | --- | --- |
| [XL-Sum](https://huggingface.co/datasets/csebuetnlp/xlsum) arabo | 46.897 coppie articolo e riassunto di BBC Arabic (37.519 / 4.689 / 4.689) | CC BY-NC-SA 4.0: solo ricerca non commerciale |
| [EASC](https://huggingface.co/datasets/drelhaj/EASC) | 153 articoli, cinque riassunti estrattivi umani ciascuno | Piccolo; Wikipedia e due quotidiani |
| [LANS](https://arxiv.org/abs/2210.13600) | 8,4 milioni di articoli con riassunti da 22 quotidiani arabi, dal 1999 al 2019 | I riassunti vengono dai metadati dei siti |

Tutti e tre sono notizie in MSA. I tuoi ticket di assistenza e i tuoi report no, quindi il test che conta è un campione dei tuoi testi, riassunto da una persona.

## Quale modello BroadNet usare e quanto costa?

Per un progetto pilota, [Gemma 4 VL 26B](https://broadrouter.com/it/models/gemma-4-vl-26b/) funziona con il credito iniziale $5 a $0.10 di input e $0.22 di output per 1M di token; la sua finestra di 32.768 token contiene la maggior parte dei singoli articoli. [Qwen3.8 27B](https://broadrouter.com/it/models/qwen3.8-27b/), che BroadNet dichiara di aver testato per una scrittura araba scorrevole e per la comprensione dei dialetti del Golfo ed egiziano, costa $0.175 di input e $2.17 di output dopo una ricarica. Usa GLM 5.3 quando un singolo documento supera la finestra di Qwen.

Il calcolo per 10.000 articoli da 1.000 token ciascuno, con riassunti da 150 token: 10 milioni di token di input e 1,5 milioni di token di output, quindi su Qwen3.8 27B sono 10 × $0.175 più 1,5 × $2.17. Aggiungi i token di ragionamento, fatturati come output, e gli eventuali tentativi ripetuti; misura entrambi su un campione dal blocco usage. Se il prompt è lo stesso per ogni articolo, mettilo all’inizio, così può essere fatturato al prezzo dell’[input in cache](https://broadrouter.com/it/glossary/cached-input-tokens/).

## Dove si colloca BroadNet Inference

BroadRouter è il sito di BroadNet. BroadNet Inference gestisce il passaggio di riassunto tramite un’API compatibile con OpenAI, quindi il codice qui sopra funziona con l’[SDK Python di OpenAI](https://broadrouter.com/it/guides/openai-python-sdk/). La sua documentazione dice che prompt e risposte non vengono conservati dopo la richiesta. Non pubblica un proprio benchmark di riassunto in arabo, e nulla in questo articolo misura la qualità dei riassunti sui suoi modelli: esegui i controlli qui sopra sui tuoi testi. Per l’input parlato, abbinalo a BroadNet Transcribe Arabic come nell’[articolo sui verbali di riunione](https://broadrouter.com/it/blog/arabic-meeting-minutes-from-recordings/).

Strumenti gratuiti sul tema (in inglese)

-   [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.

[Strumenti gratuiti (in inglese)](https://broadrouter.com/tools/)

## Termini in questo articolo

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

Un token è l’unità di testo che un modello linguistico legge e scrive: una parola, una parte di parola, un segno di punteggiatura o una sequenza di byte prodotta dal tokenizer del modello. Le API LLM contano, limitano e di solito fatturano l’uso in token.

[Tokenizer](https://broadrouter.com/it/glossary/tokenizer/)

Un tokenizer è il componente che converte il testo nella sequenza di ID interi di token che un modello linguistico legge, e riconverte in testo gli ID generati. Ogni modello ha il proprio tokenizer, quindi lo stesso testo può produrre un numero di token diverso su modelli diversi.

[Arabo dialettale (dialectal Arabic)](https://broadrouter.com/it/glossary/dialectal-arabic/)

L’arabo dialettale è l’arabo parlato ogni giorno in una regione o in una città, come l’arabo egiziano, del Golfo, levantino o maghrebino. I dialetti differiscono dall’arabo standard moderno per suoni, parole e grammatica, non hanno un’ortografia standard e si scrivono sempre più online, il che li rende più difficili per i modelli linguistici.

[Arabo standard moderno (MSA)](https://broadrouter.com/it/glossary/msa/)

L’arabo standard moderno (MSA) è la forma standardizzata dell’arabo usata nella scrittura, nei notiziari, nell’istruzione e nei discorsi formali in tutto il mondo arabo. Non è la lingua madre quotidiana di nessuno: le persone parlano dialetti regionali, come l’egiziano o l’arabo del Golfo, e passano all’MSA nei contesti formali.

[Lost in the middle (perso nel mezzo)](https://broadrouter.com/it/glossary/lost-in-the-middle/)

Lost in the middle è la tendenza osservata dei modelli linguistici a usare meglio le informazioni rilevanti quando compaiono vicino all’inizio o alla fine di un input lungo, e peggio quando stanno nel mezzo. Il nome viene da uno studio del 2023 di Liu et al.

[Prompt engineering (ingegneria dei prompt)](https://broadrouter.com/it/glossary/prompt-engineering/)

Il prompt engineering è il processo con cui si scrivono, strutturano e testano le istruzioni date a un modello linguistico, perché produca in modo costante un output che rispetta i tuoi requisiti. Comprende messaggi di ruolo, istruzioni chiare, esempi, formattazione e la misura dei risultati su casi di test.

[Riconoscimento di entità nominate (NER)](https://broadrouter.com/it/glossary/named-entity-recognition/)

La named entity recognition (NER) è il compito di trovare i nomi in un testo ed etichettare ciascuno con un tipo, come persona, organizzazione o luogo. I sistemi classici etichettano ogni token; agli LLM si chiede spesso invece di restituire una lista di entità in JSON, che poi si verifica sul testo originale.

[Token di input e di output](https://broadrouter.com/it/glossary/input-and-output-tokens/)

I token di input sono quelli che un modello linguistico legge in una richiesta: system prompt, cronologia, definizioni degli strumenti e immagini. I token di output sono quelli che genera in risposta, ragionamento compreso. Le API LLM di solito li prezzano separatamente, e l’output costa di più.

## Domande frequenti

### Un LLM sa riassumere bene un testo in arabo?

Sì, ma scorrevole non vuol dire accurato. Controlla lunghezze e numeri nel codice e fai valutare a un lettore arabo un campione, cercando punti mancanti e dettagli inventati, prima di fidarti.

### Il riassunto di un testo in dialetto va scritto in dialetto o in MSA?

Di solito in MSA, perché risulta neutro e ricercabile in tutte le regioni. Tieni brevi citazioni nel dialetto originale quando le parole contano, per esempio in un reclamo. Scrivi nel prompt cosa vuoi: altrimenti i modelli oscillano tra i due.

### Perché il ROUGE dà 0 ai miei riassunti in arabo?

Il diffusissimo pacchetto Python rouge-score sostituisce di default con spazi i caratteri fuori da a-z e 0-9, quindi il testo arabo non produce token. Passa un tuo tokenizer oppure usa il fork multilingue di ROUGE degli autori di XL-Sum.

### Come controllo la lunghezza di un riassunto in arabo?

Chiedi un intervallo di parole, non un numero di token, e misura la risposta dividendo sugli spazi. Se manca il bersaglio, rinvia una volta con la lunghezza misurata. Ricorda che le parole arabe portano spesso prefissi attaccati, quindi un riassunto arabo di 50 parole contiene più di 50 parole inglesi di significato.

### Quale dataset posso usare per testare il riassunto in arabo?

XL-Sum ha 46.897 coppie articolo e riassunto in arabo dalla BBC (licenza non commerciale). EASC ha 153 articoli con cinque riassunti estrattivi umani ciascuno. Sono entrambi notizie in MSA, quindi aggiungi un campione dei tuoi testi, soprattutto in dialetto.

## Continua a leggere

-   [Verbali di riunioni in arabo dalle registrazioni: una pipeline API](https://broadrouter.com/it/blog/arabic-meeting-minutes-from-recordings/)
-   [Prompt engineering in arabo: registro, RTL, cifre e testo misto](https://broadrouter.com/it/blog/arabic-prompt-engineering/)
-   [Arabo del Golfo, egiziano e levantino: gli LLM e i dialetti](https://broadrouter.com/it/blog/arabic-llm-gulf-egyptian-dialects/)
-   [Scegliere un’API LLM per l’arabo: cosa testare](https://broadrouter.com/it/blog/choosing-an-llm-for-arabic/)
-   [Token per parola in arabo e in inglese: perché l’arabo costa di più](https://broadrouter.com/it/blog/tokens-per-word-arabic-english/)
-   [Contesto lungo o RAG: quando 1M di token sostituisce un DB vettoriale](https://broadrouter.com/it/blog/long-context-vs-rag/)
-   [Aggiungere i diacritici all’arabo con un LLM: prompt, controlli, DER](https://broadrouter.com/it/blog/arabic-diacritization-llm/)
-   [Correzione grammaticale e ortografica dell’arabo con un LLM: guida](https://broadrouter.com/it/blog/arabic-grammar-spelling-correction-llm/)
-   [Guida: Usare l’SDK Python di OpenAI con BroadNet Inference](https://broadrouter.com/it/guides/openai-python-sdk/)
-   [Guida: Perché un modello di ragionamento restituisce una risposta vuota](https://broadrouter.com/it/guides/reasoning-tokens-empty-response/)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

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

**Fonti**

-   [Hasan et al., XL-Sum: Large-Scale Multilingual Abstractive Summarization for 44 Languages, Findings of ACL 2021 (consultato il 2026-11-15)](https://aclanthology.org/2021.findings-acl.413/)
-   [Scheda del dataset XL-Sum su Hugging Face: split arabo 37.519 / 4.689 / 4.689, CC BY-NC-SA 4.0 (consultato il 2026-11-15)](https://huggingface.co/datasets/csebuetnlp/xlsum)
-   [Repository di XL-Sum, punteggio ROUGE multilingue con stemming specifico per lingua (consultato il 2026-11-15)](https://github.com/csebuetnlp/xl-sum)
-   [Sorgente del tokenizer di rouge-score di Google Research: converte in minuscolo e sostituisce i caratteri non alfanumerici (consultato il 2026-11-15)](https://github.com/google-research/google-research/blob/master/rouge/tokenize.py)
-   [El-Haj, Kruschwitz e Fox, Essex Arabic Summaries Corpus (EASC), mirror su Hugging Face (consultato il 2026-11-15)](https://huggingface.co/datasets/drelhaj/EASC)
-   [Alhamadani et al., LANS: Large-scale Arabic News Summarization Corpus, arXiv 2210.13600 (consultato il 2026-11-15)](https://arxiv.org/abs/2210.13600)
-   [Maynez et al., On Faithfulness and Factuality in Abstractive Summarization, ACL 2020 (consultato il 2026-11-15)](https://aclanthology.org/2020.acl-main.173/)
-   [Repository di BERTScore: modello multilingue di default per le lingue diverse da inglese e cinese (consultato il 2026-11-15)](https://github.com/Tiiiger/bert_score)
-   [Riferimento API e prezzi di BroadNet Inference: modelli, lunghezze di contesto, ragionamento e max\_tokens (consultato il 2026-11-15) (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-arabic-text-summarization-llm&utm_content=sources)
