---
title: "Semak tatabahasa dan ejaan bahasa Arab dengan LLM | BroadRouter"
description: "Betulkan ejaan dan tatabahasa Arab dengan API LLM: prompt suntingan minimum, kawalan terhadap tulis semula, suntingan mengikut kelas ralat dan pemarkahan gaya M2."
url: https://broadrouter.com/ms/blog/arabic-grammar-spelling-correction-llm/
lang: ms
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/blog/arabic-grammar-spelling-correction-llm/) (dikemas kini 2026-11-16).

# Pembetulan tatabahasa dan ejaan bahasa Arab dengan LLM: panduan

Oleh pasukan BroadNet Inference · 8 minit bacaan · Diterbitkan 2026-11-15 · Dikemas kini 2026-11-16

Minta model memberi teks yang dibetulkan sahaja, dengan suntingan sesedikit mungkin dan tanpa ubah ayat. Kemudian bandingkan balasan dengan input dalam kod: tolak balasan yang terlalu banyak berubah, dan labelkan setiap suntingan peringkat perkataan sebagai hamzah, taa marbuta, alef maqsura, cantum, pisah atau lain-lain. Skor sampel yang dibetulkan secara manual berdasarkan suntingan, dengan kepersisan, dapatan semula dan F0.5.

## Perkara utama

-   Pada set ujian QALB-2014, GPT-4 dengan lima contoh mencatat 65.49 F1 berbanding 67.70 bagi AraT5v2 yang diperhalusi (Kwon et al., ArabicNLP 2023). LLM berprompt boleh digunakan, tetapi tidak semestinya lebih baik.
-   Alif berhamzah dan kekeliruan antara alef maqsura dan ya ialah ralat ejaan Arab yang paling biasa, menurut penganjur tugasan bersama QALB.
-   Pembetulan dimarkahkan berdasarkan suntingan, bukan ayat penuh. Ekstrak suntingan peringkat perkataan daripada balasan, bandingkan dengan suntingan emas dan laporkan F0.5, yang memberi pemberat dua kali ganda kepada kepersisan berbanding dapatan semula.
-   Jangan sekali-kali normalkan teks sebelum membetulkannya. Penormalan sengaja memetakan أ إ آ kepada ا dan ة kepada ه, yang memadamkan tepat ralat yang ingin anda betulkan.
-   Kawal tulis semula dalam kod: jika balasan kurang daripada 80% serupa dengan input pada peringkat aksara, kekalkan teks asal dan log balasan itu.

**Dalam halaman ini**

1.  Sejauh manakah LLM bagus dalam pembetulan tatabahasa bahasa Arab?
2.  Mengapa tidak normalkan sahaja teks itu?
3.  Apakah yang patut dinyatakan oleh prompt?
4.  Bagaimanakah anda menyemak balasan model?
5.  Kelas ralat manakah yang patut anda jejaki?
6.  Bagaimanakah anda memarkahkan penyemak?
7.  Bagaimana pula dengan Tibyan dan data sintetik?
8.  Model BroadNet manakah yang patut anda gunakan?
9.  Di manakah BroadNet Inference sesuai

Pembacaan pruf bahasa Arab kelihatan seperti prompt satu baris: “betulkan teks ini”. Dalam praktiknya, model turut mengubah ayat, menambah baris, menukar perkataan dialek kepada perkataan formal dan menerangkan perubahannya, dan anda tidak dapat membezakan suntingan mana yang benar-benar perlu. Artikel ini membina penyemak pada LLM serasi OpenAI yang membuat suntingan sesedikit mungkin, menyemak balasan dalam kod, melabelkan setiap suntingan mengikut jenis ralat dan memarkahkan keseluruhannya seperti yang dilakukan oleh penanda aras penyelidikan.

## Sejauh manakah LLM bagus dalam pembetulan tatabahasa bahasa Arab?

Penanda aras piawai ialah tugasan bersama QALB. QALB-2014 menggunakan komen bahasa Arab Standard Moden daripada laman web Al Jazeera: lebih sejuta perkataan teks latihan dengan kira-kira 306,000 pembetulan, dan set ujian kira-kira 50,000 perkataan. QALB-2015 menambah trek kedua berupa esei oleh pelajar bahasa Arab sebagai bahasa asing (L2). Kedua-duanya memarkahkan sistem berdasarkan suntingan dengan M2 scorer. Skor terbaik, F1 (lebih tinggi lebih baik):

| Set ujian | F1 sistem terbaik | Teks |
| --- | --- | --- |
| Ujian QALB-2014 | 67.91 | Komen berita penutur asli |
| Ujian penutur asli QALB-2015 | 72.87 | Komen berita penutur asli |
| Ujian L2 QALB-2015 | 41.20 | Esei pelajar |

Baris L2 ialah amaran yang berguna. Teks pelajar mempunyai lebih banyak ralat pilihan perkataan dan perkataan yang tertinggal, dan sistem terbaik mencatat skor yang jauh lebih rendah. Jika pengguna anda pelajar, jangkakan angka anda lebih menyerupai baris itu.

Kwon, Bhatia, Nagoudi dan Abdul-Mageed (ArabicNLP 2023) kemudian menjalankan ChatGPT dan GPT-4 pada set ujian QALB-2014. Dengan pemarkah yang sama:

| Sistem | F1 |
| --- | --- |
| ChatGPT, 1 contoh | 53.59 |
| ChatGPT, 5 contoh | 63.98 |
| GPT-4, 5 contoh | 65.49 |
| AraT5v2, diperhalusi | 67.70 |

Dua butiran penting untuk prompt anda. Lebih banyak contoh sangat membantu. Dan prompt zero-shot serta prompt dalam bahasa Arab memberi balasan yang penuh dengan penerangan yang tidak dapat dimarkahkan secara automatik oleh penulis. Penyemak memerlukan output yang boleh dibandingkan oleh program.

## Mengapa tidak normalkan sahaja teks itu?

[Penormal teks Arab](https://broadrouter.com/tools/arabic-text-normalizer/) di laman ini membuang tashkeel dan tatweel, memetakan أ إ آ kepada ا dan, secara pilihan, ى kepada ي dan ة kepada ه. Itu langkah yang betul untuk carian, kerana pengguna yang menaip احمد sepatutnya menemui أحمد. Ia langkah yang salah sebelum pembetulan, kerana ia memadamkan perbezaan yang perlu dipulihkan oleh penyemak. Selepas penormalan, انا dan أنا ialah rentetan yang sama, jadi ralat hamzah hilang dan pembetulannya pun hilang.

Simpan tiga salinan apabila anda memerlukan kedua-duanya: teks asal, teks yang dibetulkan yang anda paparkan kepada pengguna, dan salinan ternormal bagi teks yang dibetulkan untuk indeks carian anda. [Penormalan teks Arab untuk carian](https://broadrouter.com/ms/blog/arabic-text-normalization-search/) membincangkan bahagian pengindeksan. Satu langkah penormalan memang patut dibuat sebelum pembetulan: Unicode NFC, yang menyatukan alif terurai dan hamzah gabungan menjadi satu aksara, supaya perbandingan tidak melaporkan perubahan yang tidak wujud.

## Apakah yang patut dinyatakan oleh prompt?

Minta suntingan minimum, namakan jenis ralat yang anda pedulikan, larang perubahan yang anda tidak mahu dan minta teks yang dibetulkan sahaja. Menulis arahan dalam bahasa Inggeris atau Arab terpulang kepada anda; [kejuruteraan prompt bahasa Arab](https://broadrouter.com/ms/blog/arabic-prompt-engineering/) membincangkan pertukarannya. Kwon et al. mendapat output yang boleh digunakan daripada arahan bahasa Inggeris dengan contoh. Menambah tiga hingga lima pasangan ayat yang dibetulkan daripada data anda sendiri (few-shot) ialah penambahbaikan paling murah untuk dicuba dahulu.

Tetapkan temperature kepada 0. Anda mahu pembetulan yang sama setiap kali. Jika teks itu dialek seperti bahasa Arab Mesir atau Teluk, nyatakan sama ada dialek itu perlu dikekalkan. Prompt di bawah menganggap bahasa Arab Standard Moden ([MSA](https://broadrouter.com/ms/glossary/msa/)) dan memberitahu model supaya tidak mengubah gaya, yang turut meliputi dialek.

## Bagaimanakah anda menyemak balasan model?

Kod ini membuat satu permintaan, mengukur sejauh mana balasan berbeza daripada input, mengekstrak suntingan peringkat perkataan dan melabelkan setiap satu.

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

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

SYSTEM = """You are an Arabic proofreader. Correct spelling, grammar and punctuation
errors in the user's Modern Standard Arabic text with the fewest possible edits.
Rules:
- Fix hamza, taa marbuta (ة/ه), alef maqsura (ى/ي), agreement, missing or extra
  letters, wrongly split or merged words, and punctuation.
- Do not rephrase, reorder, shorten, translate or change the style or dialect.
- Do not add or remove diacritics (tashkeel).
- If the text is already correct, return it unchanged.
Reply with the corrected text only: no explanation, no quotes, no list of changes."""

def tokens(s: str) -> list[str]:
    s = unicodedata.normalize("NFC", s)        # composed hamza forms, so أ is one character
    return re.findall(r"\w+|[^\w\s]", s)       # Arabic letters are \w; ، ؟ ؛ become tokens

def edits(src: str, hyp: str) -> list[tuple]:
    """Word-level edits (start, end, replacement, original): the idea behind an M2 file's A lines."""
    a, b = tokens(src), tokens(hyp)
    out = []
    for op, i1, i2, j1, j2 in difflib.SequenceMatcher(None, a, b, autojunk=False).get_opcodes():
        i, j = i1, j1
        while op != "equal" and (i < i2 or j < j2):     # split the block into one-word edits
            if i + 1 < i2 and j < j2 and a[i] + a[i + 1] == b[j]:      # و قابلت -> وقابلت
                out.append((i, i + 2, b[j], f"{a[i]} {a[i + 1]}")); i += 2; j += 1
            elif i < i2 and j + 1 < j2 and a[i] == b[j] + b[j + 1]:    # عبدالله -> عبد الله
                out.append((i, i + 1, f"{b[j]} {b[j + 1]}", a[i])); i += 1; j += 2
            elif i < i2 and j < j2:
                out.append((i, i + 1, b[j], a[i])); i += 1; j += 1
            elif i < i2:                                                # deleted word
                out.append((i, i + 1, "", a[i])); i += 1
            else:                                                       # inserted word
                out.append((i, i, b[j], "")); j += 1
    return out

HAMZA = str.maketrans("أإآٱؤئ", "ااااوي")
RULES = [("hamza", lambda w: w.translate(HAMZA).replace("ء", "")),
         ("taa marbuta", lambda w: w.replace("ة", "ه")),
         ("alef maqsura", lambda w: w.replace("ى", "ي"))]

def error_class(orig: str, corr: str) -> str:
    if all(not c.isalnum() for c in (orig + corr).replace(" ", "")):
        return "punctuation"
    if orig != corr and orig.replace(" ", "") == corr.replace(" ", ""):
        return "merge" if " " in orig else "split"
    for name, f in RULES:
        if orig != corr and f(orig) == f(corr):
            return name
    both = lambda w: RULES[2][1](RULES[1][1](RULES[0][1](w)))
    if both(orig) == both(corr):
        return "mixed orthography"
    return "other"

def correct(text: str, model="broadnet/qwen3.8-27b", min_similarity=0.8) -> dict:
    r = client.chat.completions.create(
        model=model, temperature=0, max_tokens=2000,
        messages=[{"role": "system", "content": SYSTEM}, {"role": "user", "content": text}])
    out = r.choices[0].message.content.strip()
    sim = difflib.SequenceMatcher(None, text, out, autojunk=False).ratio()
    if sim < min_similarity:             # a rewrite, not a correction: keep the original
        return {"text": text, "edits": [], "rejected": out, "similarity": round(sim, 2)}
    return {"text": out, "similarity": round(sim, 2),
            "edits": [{"from": o, "to": c, "class": error_class(o, c)} for _, _, c, o in edits(text, out)]}
```

Kami menjalankannya terhadap pelayan olok-olok setempat dengan balasan sedia (tiada panggilan API langsung, kerana pelayan olok-olok memulangkan apa sahaja yang kami tulis). Untuk ذهبت الى المدرسه و قابلت المعلمه في الصباح, balasan ذهبت إلى المدرسة وقابلت المعلمة في الصباح memberi empat suntingan: الى kepada إلى (hamzah), المدرسه kepada المدرسة (taa marbuta), و قابلت kepada وقابلت (cantum) dan المعلمه kepada المعلمة (taa marbuta). Untuk مشي الي, ia menyenaraikan مشي kepada مشى (alef maqsura) dan الي kepada إلى (ortografi bercampur, kerana ia membetulkan hamzah dan alef maqsura serentak). Balasan sedia yang menukar الطقس جميل اليوم menjadi ayat dua kali lebih panjang mencatat keserupaan 0.52, jadi kod mengekalkan teks asal dan merekodkan balasan itu.

Nota tentang kod:

-   **Kawalan keserupaan ialah alat yang kasar.** Ayat yang banyak salah ejaannya boleh jatuh hampir 0.8 secara sah. Laraskan ambang pada data anda sendiri, dan hantar balasan yang ditolak kepada manusia, bukan ke tong sampah.
-   **`max_tokens=2000`** memberi ruang untuk penaakulan. Dokumentasi BroadNet menyatakan DeepSeek V4.1 Flash, GLM 5.3 dan Qwen3.8 27B membuat penaakulan sebelum menjawab dan penaakulan dikira dalam `max_tokens`; anda juga boleh menetapkan `reasoning_effort` kepada low. Lihat [respons kosong daripada model penaakulan](https://broadrouter.com/ms/guides/reasoning-tokens-empty-response/).
-   **Label kelas ialah peraturan, bukan penghurai.** “Lain-lain” termasuk huruf yang tertinggal (مسؤل kepada مسؤول), persetujuan dan pilihan perkataan. Untuk taksonomi penuh, jalankan ARETA (di bawah) pada pasangan yang sama.

## Kelas ralat manakah yang patut anda jejaki?

Penganjur QALB menamakan alif berhamzah dan kekeliruan alef maqsura/ya sebagai ralat ejaan Arab yang paling biasa. ARETA, penganotasi jenis ralat CAMeL Lab (Belkebir dan Habash, CoNLL 2021), menggunakan set tag berdasarkan Arabic Learner Corpus. Tag ortografinya termasuk OH (hamzah), OT (ha dan taa marbuta) dan OA (alif dan ya), di samping tag morfologi, sintaksis, semantik, tanda baca, cantum (MG) dan pisah (SP). Kertasnya melaporkan 85.8% F1 purata mikro berbanding teks pelajar yang dilabel secara manual.

| Kelas | Salah | Betul | Apa yang salah |
| --- | --- | --- | --- |
| Hamzah | انا، الى، مسأله | أنا، إلى، مسألة | Hamzah tiada, di tempat duduk yang salah atau di sebelah alif yang salah |
| Taa marbuta | المدرسه | المدرسة | ة akhir ditulis sebagai ه, atau sebaliknya |
| Alef maqsura | مشي، علي (kata sendi) | مشى، على | ى akhir ditulis sebagai ي; علي juga nama, jadi konteks yang menentukan |
| Cantum atau pisah | و قابلت، عبدالله | وقابلت، عبد الله | Ruang di sekitar و dan ال, nama majmuk |
| Tanda baca | ، atau ؟ tiada | ditambah | Penganotasi QALB paling kurang bersetuju tentang tanda baca |

Jejaki dapatan semula bagi setiap kelas. Model yang membetulkan taa marbuta tetapi terlepas hamzah selepas kata sendi memerlukan contoh corak itu, bukan model lain.

## Bagaimanakah anda memarkahkan penyemak?

Pembetulan ralat tatabahasa dimarkahkan berdasarkan suntingan. Bandingkan suntingan yang menukar sumber kepada ayat emas yang dibetulkan secara manual dengan suntingan yang menukarnya kepada output model. Kepersisan ialah bahagian suntingan model yang sepadan dengan emas. Dapatan semula ialah bahagian suntingan emas yang dibuat oleh model. QALB melaporkan F1; kajian kemudian, termasuk Kwon et al., turut melaporkan F0.5, yang memberi pemberat dua kali ganda kepada kepersisan berbanding dapatan semula, kerana “pembetulan” yang salah lebih menjengkelkan pengguna daripada kesilapan yang terlepas.

```python
from collections import Counter

def score(sources, golds, hyps, beta=0.5):
    """Exact-match edit scoring: an edit counts only if span and replacement both match gold."""
    tp = fp = fn = 0
    by_class = Counter()
    for s, g, h in zip(sources, golds, hyps):
        G = {e[:3] for e in edits(s, g)}
        H = {e[:3] for e in edits(s, h)}
        tp += len(G & H); fp += len(H - G); fn += len(G - H)
        for e in edits(s, g):
            by_class[(error_class(e[3], e[2]), e[:3] in H)] += 1
    p = tp / (tp + fp) if tp + fp else 1.0
    r = tp / (tp + fn) if tp + fn else 1.0
    f = (1 + beta**2) * p * r / (beta**2 * p + r) if p + r else 0.0
    recall = {c: f"{by_class[(c, True)]}/{by_class[(c, True)] + by_class[(c, False)]}"
              for c in sorted({c for c, _ in by_class})}
    return {"P": round(p, 3), "R": round(r, 3), f"F{beta}": round(f, 3), "recall by class": recall}
```

Pada set contoh dua ayat dengan tujuh suntingan emas, di mana output terlepas cantuman dan satu taa marbuta serta menambah noktah, ia mencetak P 0.833, R 0.714 dan F0.5 0.806, dengan dapatan semula setiap kelas: hamzah 2/2, taa marbuta 2/3, cantum 0/1.

Ini idea M2, dipermudahkan. M2 scorer rasmi mencari penjajaran suntingan sistem yang paling sepadan dengan emas, jadi pembetulan yang betul tetapi dipecahkan kepada suntingan secara berbeza daripada emas tidak dihukum. Padanan tepat kami lebih ketat. Gunakan pemarkah rasmi apabila anda membandingkan dengan angka yang diterbitkan (versi pembangunnya masih memerlukan Python 2). ERRANT melakukan pengekstrakan suntingan yang sama untuk bahasa Inggeris sahaja.

Bina set emas daripada teks pengguna sebenar, 100 hingga 200 ayat, yang dibetulkan oleh seorang penganotasi yang teliti dengan peraturan suntingan minimum yang sama yang anda berikan kepada model. Jalankan setiap model dan prompt calon padanya, dan bandingkan F0.5 serta dapatan semula setiap kelas. [Cara menilai LLM sebelum bertukar](https://broadrouter.com/ms/blog/evaluate-llm-before-switching/) menerangkan cara menjalankan perbandingan itu dengan adil.

## Bagaimana pula dengan Tibyan dan data sintetik?

Data pembetulan bahasa Arab berlabel adalah terhad. Alrehili dan Alhothali menyatakan bahawa QALB-14 dan QALB-15 bersama-sama hanya mengandungi kira-kira 20,500 contoh selari. Korpus Tibyan mereka (arXiv 2024, kemudian dalam PeerJ Computer Science) menggunakan ChatGPT untuk menjana pasangan ayat salah dan betul daripada buku tentang kesilapan biasa bahasa Arab, yang disemak oleh ahli bahasa. Ia mengandungi kira-kira 600,000 token, dengan tujuh jenis ralat: ortografi, morfologi, sintaksis, semantik, tanda baca, cantum dan pisah. Penulis menyatakan korpus itu awam; kami tidak menemui pautan muat turun untuk menyemak lesennya. Ia berguna untuk contoh few-shot dan ujian tekanan, tetapi ia sintetik, jadi jangan gunakannya sebagai ujian penerimaan anda.

Jika anda memerlukan garis dasar bukan LLM, repositori arabic-gec CAMeL Lab menerbitkan kod dan model daripada Alhafni et al. (EMNLP 2023). Untuk ejaan sahaja, pakej ar-corrector mencadangkan perkataan kamus dalam jarak satu atau dua suntingan; ia tidak mengendalikan tatabahasa, dan keluaran terakhirnya pada 2021.

## Model BroadNet manakah yang patut anda gunakan?

Harga adalah setiap 1J token daripada halaman harga BroadNet. Output pembetulan lebih kurang sama panjang dengan input, jadi harga output penting.

| Model | Sebab | Input / output |
| --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/) | Penaakulan didokumenkan; BroadNet melaporkan ujian bahasa Arab termasuk kefahaman dialek Teluk dan Mesir | $0.175 / $2.17 |
| [GLM 5.3](https://broadrouter.com/ms/models/glm-5.3/) | Penaakulan didokumenkan; konteks panjang untuk dokumen penuh | $0.78 / $3.46 |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ms/models/deepseek-v4.1-flash/) | Harga output terendah antara model penaakulan di sini; juga ada pelan sesi harga rata | $0.175 / $0.52 |
| [Gemma 4 VL 26B](https://broadrouter.com/ms/models/gemma-4-vl-26b/) | Berjalan pada kredit permulaan $5, jadi anda boleh membina saluran sebelum tambah nilai | $0.10 / $0.22 |

Jalankan pemarkah dengan setiap model pada set emas anda dan pilih berdasarkan F0.5 dan harga. Bahasa Arab biasanya mengambil lebih banyak token setiap perkataan berbanding bahasa Inggeris; tampal sampel ke dalam [pengira token bahasa Arab](https://broadrouter.com/tools/arabic-token-counter/) dan anggarkan bil dengan [kalkulator kos API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/). Untuk membaca pruf arkib yang besar: BroadNet tiada Batch API; [pemprosesan kelompok tanpa Batch API](https://broadrouter.com/ms/blog/llm-batch-processing-without-batch-api/) menunjukkan cara menjalankannya dengan keserentakan terhad, atau pada sesi DeepSeek dengan $15 seminggu (satu permintaan pada satu masa bagi setiap sesi).

## Di manakah BroadNet Inference sesuai

BroadRouter ialah laman web BroadNet sendiri. [BroadNet Inference](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-arabic-grammar-spelling-correction-llm&utm_content=body) memberi akses serasi OpenAI kepada model di atas, jadi kod ini berjalan dengan [OpenAI Python SDK](https://broadrouter.com/ms/guides/openai-python-sdk/) selepas menukar base URL. Ia tiada endpoint pembacaan pruf dan tidak menerbitkan penanda aras pembetulan bahasa Arab sendiri, jadi ukur pada teks anda. Pernyataan privasinya menyatakan kandungan inferens tidak disimpan, yang penting apabila anda membaca pruf mesej pelanggan. Jika anda memerlukan penyemak yang dihos sendiri untuk volum yang sangat tinggi, model yang diperhalusi seperti daripada CAMeL Lab mungkin lebih murah dan lebih konsisten; skor yang diterbitkan di atas ialah sebab untuk menguji kedua-duanya.

Alat percuma untuk topik ini (Bahasa Inggeris)

-   [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.

[Alatan percuma (Bahasa Inggeris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

[Hamzah (hamza)](https://broadrouter.com/ms/glossary/hamza/)

Hamzah (ء) ialah huruf bahasa Arab bagi hentian glotis. Ia ditulis sendirian atau di atas kerusi: alif (أ إ), wau (ؤ) atau ya (ئ), manakala آ menggabungkan alif dengan madd. Oleh sebab teks yang ditaip tidak konsisten, enjin carian dan pemarkahan pertuturan sering menyatukan bentuk alif kepada ا.

[Ta marbutah (taa marbuta)](https://broadrouter.com/ms/glossary/taa-marbuta/)

Ta marbutah (ة, U+0629) ialah huruf Arab yang hanya muncul di hujung perkataan, selalunya menandakan kata nama dan kata sifat feminin. Rupanya seperti ha (ه, U+0647) dengan dua titik, jadi teks yang ditaip sering mencampurkan kedua-duanya, dan banyak penormal carian menukar ة kepada ه.

[API kelompok (batch API)](https://broadrouter.com/ms/glossary/batch-api/)

Batch API ialah endpoint LLM tak segerak yang menerima banyak permintaan sekali gus, biasanya sebagai fail, memprosesnya dalam tempoh yang ditetapkan dan bukan serta-merta, dan memulangkan hasilnya bersama-sama. Penyedia seperti OpenAI dan Anthropic mengenakan harga diskaun untuk permintaan kelompok berbanding API standard mereka.

[Baris Arab (tashkeel, Arabic diacritics)](https://broadrouter.com/ms/glossary/arabic-diacritics/)

Baris Arab, atau tashkeel, ialah tanda kecil yang ditulis di atas atau di bawah huruf untuk menunjukkan vokal pendek, konsonan berganda dan ketiadaan vokal. Ia pilihan: kebanyakan teks Arab, termasuk berita, meninggalkannya, jadi pembaca dan perisian meneka vokal daripada konteks.

[Bahasa Arab Standard Moden (MSA)](https://broadrouter.com/ms/glossary/msa/)

Bahasa Arab Standard Moden (MSA) ialah bentuk bahasa Arab yang diseragamkan untuk penulisan, berita, pendidikan dan pertuturan rasmi di seluruh dunia Arab. Ia bukan bahasa harian asli sesiapa: orang bertutur dalam dialek serantau seperti bahasa Arab Mesir atau Teluk dan beralih kepada MSA dalam situasi rasmi.

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

Token ialah unit teks yang dibaca dan ditulis oleh model bahasa: satu perkataan, sebahagian perkataan, tanda baca atau jujukan bait yang dihasilkan oleh tokenizer model itu. API LLM mengira, mengehadkan dan biasanya mengebil penggunaan dalam token.

[Tool calling (panggilan alatan)](https://broadrouter.com/ms/glossary/tool-calling/)

Tool calling, juga dipanggil function calling, ialah ciri API LLM di mana model memulangkan permintaan berstruktur untuk menjalankan fungsi yang ditakrifkan oleh pembangun, bersama argumen JSON. Aplikasi menjalankan fungsi itu dan menghantar hasilnya kembali; model sendiri tidak pernah menjalankan kod.

[Jailbreak (LLM)](https://broadrouter.com/ms/glossary/jailbreak/)

Jailbreak ialah input yang direka untuk membuat model bahasa mengabaikan latihan keselamatannya atau peraturan yang ditetapkan oleh aplikasi yang menggunakannya, supaya ia menghasilkan kandungan atau mengambil tindakan yang biasanya ditolaknya. OWASP menganggap jailbreaking sebagai satu bentuk prompt injection.

## Soalan lazim

### Bolehkah ChatGPT atau LLM lain membetulkan tatabahasa bahasa Arab?

Boleh, dengan had. Dalam ujian yang diterbitkan pada penanda aras QALB-2014, GPT-4 dengan lima contoh mencapai 65.49 F1, hampir tetapi di bawah AraT5v2 yang diperhalusi pada 67.70. Gunakan prompt suntingan minimum, semak balasan dalam kod dan ukur pada sampel teks anda sendiri.

### Apakah kesilapan ejaan bahasa Arab yang paling biasa?

Hamzah pada alif (انا untuk أنا, الى untuk إلى), alef maqsura yang ditulis sebagai ya (مشي untuk مشى), taa marbuta yang ditulis sebagai ha (المدرسه untuk المدرسة), dan perkataan yang tersalah pisah atau cantum, seperti و قابلت untuk وقابلت. Penganjur QALB menamakan alif berhamzah dan kekeliruan alef maqsura/ya sebagai yang paling biasa.

### Adakah penormalan teks Arab sama dengan pembetulan ejaan?

Tidak. Penormalan sengaja menggabungkan varian ejaan, seperti أ dan ا, supaya carian dan pemadanan mengabaikannya. Pembetulan pula memutuskan varian mana yang betul dalam konteks. Jalankan pembetulan pada teks asal, dan normalkan hanya salinan yang anda indeks untuk carian.

### Bagaimanakah saya menilai penyemak tatabahasa bahasa Arab?

Betulkan 100 hingga 200 ayat sebenar secara manual dengan suntingan minimum. Ekstrak suntingan peringkat perkataan daripada sumber ke emas dan daripada sumber ke output model, kemudian kira suntingan yang sepadan untuk kepersisan, dapatan semula dan F0.5. M2 scorer yang digunakan oleh QALB melakukan ini dengan penjajaran suntingan yang lebih bijak.

### Adakah pustaka penyemak tatabahasa bahasa Arab untuk Python?

Untuk ejaan sahaja, ar-corrector mencadangkan perkataan kamus dalam jarak satu atau dua suntingan. Untuk tatabahasa, CAMeL Lab menerbitkan model GEC penyelidikan dan kodnya (arabic-gec). API LLM ialah cara paling pantas untuk bermula; model yang diperhalusi mungkin lebih konsisten pada volum tinggi.

## Teruskan membaca

-   [Penormalan teks Arab untuk carian dan RAG: apa diubah, apa tidak](https://broadrouter.com/ms/blog/arabic-text-normalization-search/)
-   [Tambah baris pada teks Arab dengan LLM: prompt, semakan dan DER](https://broadrouter.com/ms/blog/arabic-diacritization-llm/)
-   [Kejuruteraan prompt bahasa Arab: laras, RTL, angka dan teks bercampur](https://broadrouter.com/ms/blog/arabic-prompt-engineering/)
-   [Pengekstrakan entiti bernama bahasa Arab dengan LLM: JSON dan tarikh](https://broadrouter.com/ms/blog/arabic-named-entity-extraction-llm/)
-   [Memilih API LLM untuk bahasa Arab: apa yang perlu diuji](https://broadrouter.com/ms/blog/choosing-an-llm-for-arabic/)
-   [Cara menilai LLM sebelum bertukar penyedia](https://broadrouter.com/ms/blog/evaluate-llm-before-switching/)
-   [Pemprosesan kelompok LLM tanpa Batch API: pelari boleh sambung](https://broadrouter.com/ms/blog/llm-batch-processing-without-batch-api/)
-   [Minit mesyuarat bahasa Arab daripada rakaman: saluran API](https://broadrouter.com/ms/blog/arabic-meeting-minutes-from-recordings/)
-   [Perbandingan API OCR Arab: Google, Azure, Textract, Mistral, LLM](https://broadrouter.com/ms/blog/arabic-ocr-api-comparison/)
-   [Panduan: Cara guna OpenAI Python SDK dengan BroadNet Inference](https://broadrouter.com/ms/guides/openai-python-sdk/)
-   [Panduan: Mengapa model penaakulan memulangkan jawapan kosong](https://broadrouter.com/ms/guides/reasoning-tokens-empty-response/)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

[Mulakan](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-arabic-grammar-spelling-correction-llm&utm_content=page-cta) ·

**Sumber**

-   [Mohit et al., The First QALB Shared Task on Automatic Text Correction for Arabic, bengkel ANLP di EMNLP 2014: data, M2 scorer, Jadual 3 dan Jadual 7 (disemak 2026-11-15)](https://aclanthology.org/W14-3605/)
-   [Rozovskaya et al., The Second QALB Shared Task on Automatic Text Correction for Arabic, WANLP 2015: trek penutur asli dan L2, Jadual 4, 8 dan 9 (disemak 2026-11-15)](https://aclanthology.org/W15-3204/)
-   [Kwon, Bhatia, Nagoudi dan Abdul-Mageed, Beyond English: Evaluating LLMs for Arabic Grammatical Error Correction, ArabicNLP 2023, Jadual 2 (disemak 2026-11-15)](https://aclanthology.org/2023.arabicnlp-1.9/)
-   [Alrehili dan Alhothali, Tibyan Corpus: Balanced and Comprehensive Error Coverage Corpus Using ChatGPT for Arabic GEC, arXiv 2411.04588 (disemak 2026-11-15)](https://arxiv.org/abs/2411.04588)
-   [Belkebir dan Habash, Automatic Error Type Annotation for Arabic (ARETA), CoNLL 2021 (disemak 2026-11-15)](https://aclanthology.org/2021.conll-1.47/)
-   [CAMeL Lab, ARETA di GitHub (MIT): tag ralat berasaskan ALC seperti OH hamzah, OT ha/ta marbuta, OA alif/ya, MG cantum, SP pisah (disemak 2026-11-15)](https://github.com/CAMeL-Lab/arabic_error_type_annotation)
-   [Alhafni, Inoue, Khairallah dan Habash, Advancements in Arabic Grammatical Error Detection and Correction, EMNLP 2023; kod dan model di CAMeL-Lab/arabic-gec (disemak 2026-11-15)](https://aclanthology.org/2023.emnlp-main.396/)
-   [NUS M2Scorer di GitHub: kepersisan, dapatan semula dan F-beta peringkat suntingan untuk GEC; versi pembangun memerlukan Python 2 (disemak 2026-11-15)](https://github.com/nusnlp/m2scorer)
-   [ERRANT di GitHub: mengekstrak dan mengelaskan suntingan ke format M2; bahasa Inggeris sahaja (disemak 2026-11-15)](https://github.com/chrisjbryant/errant)
-   [ar-corrector di PyPI: penyemak ejaan berasaskan kamus, 500,000+ perkataan, calon 1-2 suntingan, versi 1.1.6 dari April 2021 (disemak 2026-11-15)](https://pypi.org/project/ar-corrector/)
-   [Rujukan API BroadNet Inference: ID model, penaakulan dikira dalam max\_tokens, reasoning\_effort (disemak 2026-11-15) (Bahasa Inggeris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-arabic-grammar-spelling-correction-llm&utm_content=sources)
