---
title: "Ringkasan teks bahasa Arab dengan LLM: cara melakukannya"
description: "Ringkaskan artikel, laporan dan mesej dialek Arab dengan API LLM: corak prompt, kawalan bilangan perkataan, semakan nombor, dan mengapa ROUGE lalai memberi 0."
url: https://broadrouter.com/ms/blog/arabic-text-summarization-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-text-summarization-llm/) (dikemas kini 2026-11-16).

# Peringkasan teks bahasa Arab dengan LLM: prompt, panjang dan skor

Oleh pasukan BroadNet Inference · 7 minit bacaan · Diterbitkan 2026-11-15 · Dikemas kini 2026-11-16

Nyatakan laras bahasa (biasanya bahasa Arab Standard Moden, walaupun input dalam dialek) dan julat bilangan perkataan dalam prompt. Kemudian semak dalam kod: kira perkataan, pastikan setiap nombor dalam ringkasan wujud dalam sumber, dan cuba semula sekali dengan masalahnya dinyatakan. Skor dengan tokenizer ROUGE yang memahami bahasa Arab serta semakan manusia; rouge-score lalai memberi bahasa Arab 0.

## Perkara utama

-   rouge-score 0.1.2 daripada Google membuang aksara bukan Latin secara lalai. Kami menjalankannya pada dua ayat bahasa Arab dan mendapat F1 0, walau sebanyak mana pertindihannya.
-   Pasangan yang sama mendapat 0.6 dengan tokenizer bahasa Arab berasaskan ruang kosong dan 0.8 dengan pembuangan awalan yang kasar. Jangan sekali-kali membandingkan nombor ROUGE yang dihasilkan dengan tokenizer berbeza.
-   Minta julat bilangan perkataan, kemudian kira. Cuba semula sekali dengan panjang yang diukur dalam mesej; hantar untuk semakan jika masih tersasar.
-   Pastikan setiap nombor dalam ringkasan ada dalam sumber. Ini ujian murah untuk satu jenis butiran rekaan yang biasa.
-   Data peringkasan bahasa Arab awam kebanyakannya berita MSA: XL-Sum (46,897 pasangan Arab), EASC (153 artikel) dan LANS. Data dialek terhad, jadi bina set ujian anda sendiri.

**Dalam halaman ini**

1.  Apakah yang patut dinyatakan dalam prompt peringkasan bahasa Arab?
2.  Bagaimanakah meringkaskan teks dialek?
3.  Bagaimanakah mengawal panjang ringkasan?
4.  Bagaimanakah mengesan butiran rekaan?
5.  Bagaimanakah meringkaskan dokumen bahasa Arab yang panjang?
6.  Bagaimanakah menilai ringkasan bahasa Arab?
7.  Model BroadNet manakah yang patut digunakan, dan berapakah kosnya?
8.  Di manakah BroadNet Inference sesuai

Meringkaskan teks bahasa Arab dengan LLM hanya memerlukan satu permintaan. Untuk mendapatkan ringkasan yang boleh dihantar kepada pengguna, ada tiga keputusan yang permintaan itu tidak buat untuk anda: laras bahasa yang digunakan, panjang ringkasan, dan cara anda tahu ia betul. Artikel ini meliputi teks bertulis: artikel, laporan, tiket dan bebenang mesej yang panjang. Untuk mesyuarat yang dituturkan, [saluran minit mesyuarat bahasa Arab](https://broadrouter.com/ms/blog/arabic-meeting-minutes-from-recordings/) menambah langkah transkripsi dan penggabungan mengikut bahagian.

## Apakah yang patut dinyatakan dalam prompt peringkasan bahasa Arab?

Lima baris menentukan kebanyakan hasilnya:

1.  **Bahasa dan laras.** “Modern Standard Arabic” (الفصحى), atau dialek yang dinamakan. Tanpanya, model yang meringkaskan input Mesir atau Teluk mungkin menjawab dalam campuran.
2.  **Julat bilangan perkataan.** “40 hingga 60 perkataan”. Julat lebih mudah dicapai daripada bilangan tepat.
3.  **Fakta seperti yang ditulis.** Nombor, tarikh dan nama disalin daripada teks, tidak dibundarkan atau ditukar.
4.  **Tiada yang baharu.** Tiada latar belakang yang tidak terdapat dalam teks.
5.  **Bentuk.** Satu perenggan, atau tiga poin, atau JSON dengan medan tetap.

Arahan boleh dalam bahasa Arab atau Inggeris; yang mana pun, nyatakan bahasa output dan laras dengan jelas. [Kejuruteraan prompt bahasa Arab](https://broadrouter.com/ms/blog/arabic-prompt-engineering/) membincangkan laras, angka dan teks bercampur skrip dengan lebih mendalam. Inilah prompt yang digunakan dalam kod di bawah:

```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.
```

## Bagaimanakah meringkaskan teks dialek?

Kebanyakan teks perniagaan dalam bahasa Arab bukan MSA: ulasan pelanggan, bebenang WhatsApp dan hantaran media sosial ditulis dalam dialek, selalunya bercampur bahasa Inggeris atau [Arabizi](https://broadrouter.com/ms/blog/arabizi-llm-handling/). Tiga pilihan membantu:

-   **Ringkaskan ke MSA secara lalai.** Ia neutral merentas wilayah dan lebih mudah dicari. Jika ringkasan dihantar semula kepada pelanggan yang sama, gunakan dialek mereka.
-   **Kekalkan petikan penting secara verbatim.** Minta satu petikan pendek dalam kata-kata asal apabila nada penting, contohnya aduan. Memparafrasa dialek ke MSA boleh melembutkannya.
-   **Uji pada dialek anda.** Pemahaman dialek berbeza antara model; lihat [cara LLM mengendalikan bahasa Arab Teluk dan Mesir](https://broadrouter.com/ms/blog/arabic-llm-gulf-egyptian-dialects/).

Data awam tidak akan menjalankan ujian itu untuk anda. Set peringkasan bahasa Arab yang besar ialah berita MSA, dan kami tidak menemui penanda aras peringkasan dialek Teluk atau Mesir awam untuk dicadangkan.

## Bagaimanakah mengawal panjang ringkasan?

Minta dalam perkataan, kemudian ukur dalam perkataan. Jangan percaya kiraan model sendiri, dan jangan gunakan bajet token sebagai unit: token bagi setiap perkataan Arab berbeza mengikut model. Kami mengukur satu perenggan berita Arab 96 perkataan sebagai 166 token dengan tokenizer rasmi Qwen3.8 27B, dan ringkasan 58 perkataannya sebagai 114 token. Merentas tokenizer empat model chat BroadNet, yang dikira dengan fail tokenizer [pengira token bahasa Arab](https://broadrouter.com/tools/arabic-token-counter/), perenggan yang sama berjulat antara 166 hingga 224 token. [Token setiap perkataan dalam bahasa Arab](https://broadrouter.com/ms/blog/tokens-per-word-arabic-english/) mempunyai pengukuran yang lebih besar.

Memecahkan pada ruang kosong ialah kiraan yang betul bagi kebanyakan kegunaan, kerana itulah yang dilihat pembaca. Bahasa Arab mencantumkan و, ب, ل dan ال pada perkataan, jadi ringkasan Arab 50 perkataan membawa lebih banyak kandungan daripada 50 perkataan Inggeris. Tetapkan julat anda berdasarkan contoh bahasa Arab yang anda suka, bukan sasaran bahasa Inggeris.

Dua lagi peraturan tentang panjang:

-   **`max_tokens` bukan kawalan panjang.** Ia memotong jawapan di tengah ayat. Tetapkannya jauh melebihi saiz ringkasan, terutamanya pada model penaakulan: dokumentasi BroadNet menyatakan DeepSeek V4.1 Flash, GLM 5.3 dan Qwen3.8 27B membuat penaakulan sebelum menjawab, dan penaakulan itu dikira dalam `max_tokens`. Lihat [respons kosong daripada model penaakulan](https://broadrouter.com/ms/guides/reasoning-tokens-empty-response/).
-   **Cuba semula sekali, dengan nombornya.** “Ringkasan anda 17 perkataan; saya minta 40 hingga 60” membetulkan lebih banyak daripada mengulang arahan.

## Bagaimanakah mengesan butiran rekaan?

Peringkas abstraktif mereka-reka perkara. Maynez et al. (ACL 2020) menemui “substantial amounts of hallucinated content” (Terjemahan: sejumlah besar kandungan halusinasi) dalam semua ringkasan model yang disemak oleh anotator mereka; itu sebelum LLM hari ini, tetapi tiada model yang kebal. Anda tidak boleh menyemak makna secara murah dalam kod, tetapi anda boleh menyemak nombor: setiap nombor dalam ringkasan sepatutnya wujud dalam sumber. Petakan digit Arab Timur (٠–٩) dan digit Parsi (۰–۹) kepada 0–9 dahulu, jika tidak ١٢ dan 12 akan kelihatan berbeza.

```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
```

Kami mengujinya pada pelayan olok-olok tempatan (tiada panggilan API langsung) dengan artikel sintetik 96 perkataan tentang pelan bas sebuah bandar. Jawapan pertama pelayan olok-olok itu 17 perkataan dan menyebut ٣٠٠ bas sedangkan artikel menyebut ٢٤٠. `check` memulangkan kedua-dua masalah: panjang yang diukur, dan “numbers not in the text: 300” (nombor yang tiada dalam teks: 300). Jawapan kedua yang dibetulkan lulus pada 58 perkataan, jadi fungsi memulangkannya dengan `attempts: 2`.

Semakan nombor terlepas beberapa perkara: nama yang salah, keputusan yang terbalik, dakwaan tanpa nombor. Ia penapis, bukan keputusan muktamad. Untuk nama, guna semula semakan rentang daripada [pengekstrakan entiti bernama bahasa Arab](https://broadrouter.com/ms/blog/arabic-named-entity-extraction-llm/): ekstrak entiti daripada ringkasan dan pastikan setiap satu wujud dalam sumber.

## Bagaimanakah meringkaskan dokumen bahasa Arab yang panjang?

Jika teks muat dalam tetingkap konteks dengan ruang yang selesa, hantar sepenuhnya. [Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/) menerima 262,144 token setiap permintaan dan [GLM 5.3](https://broadrouter.com/ms/models/glm-5.3/) 1,048,576, prompt dan jawapan bersama; [Gemma 4 VL 26B](https://broadrouter.com/ms/models/gemma-4-vl-26b/) menerima 32,768. Namun input panjang ada kelemahan yang diketahui: model menggunakan fakta di tengah konteks panjang dengan kurang konsisten ([lost in the middle](https://broadrouter.com/ms/glossary/lost-in-the-middle/)). Untuk laporan panjang, ringkaskan setiap bahagian, kemudian ringkaskan ringkasan itu, dan kekalkan tajuk bahagian dalam prompt akhir. Artikel mesyuarat menunjukkan [langkah penggabungan](https://broadrouter.com/ms/blog/arabic-meeting-minutes-from-recordings/) dalam kod; [konteks panjang vs RAG](https://broadrouter.com/ms/blog/long-context-vs-rag/) membincangkan bila perlu mendapatkan semula (retrieve) sebaliknya.

## Bagaimanakah menilai ringkasan bahasa Arab?

Gunakan tiga lapisan: skor pertindihan automatik untuk mengesan regresi, skor semantik sebagai pendapat kedua, dan manusia untuk keputusan.

**ROUGE, dengan tokenizer yang betul.** Pakej rouge-score Google (versi 0.1.2, masih keluaran semasa di PyPI pada 16 November 2026) menukar teks kepada huruf kecil dan menggantikan setiap aksara di luar a–z dan 0–9 dengan ruang. Bahasa Arab hilang. Kami menyemaknya:

```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
```

Dua ayat yang sama mendapat skor 0, 0.6 atau 0.8 bergantung hanya pada tokenisasi. Itulah pengajaran sebenar: morfologi bahasa Arab (للنقل berbanding النقل, بإضافة berbanding تضيف) menggerakkan ROUGE dengan banyak, jadi skor tidak bermakna tanpa tokenizernya. Pengarang XL-Sum menerbitkan fork ROUGE pelbagai bahasa dengan stemming khusus bahasa, termasuk bahasa Arab; gunakannya, atau tokenizer anda sendiri, dan kekalkannya sama bagi setiap larian yang anda bandingkan.

**BERTScore** membandingkan makna melalui embedding, jadi ia bertolak ansur dengan parafrasa. Untuk bahasa selain Inggeris dan Cina, model lalainya ialah bert-base-multilingual-cased. Anggap ia isyarat kedua, bukan pengganti membaca.

**Manusia, dengan rubrik.** Minta pembaca bahasa Arab menilai 50 hingga 100 ringkasan berdasarkan tiga soalan: adakah sesuatu yang penting tertinggal, adakah sesuatu dinyatakan yang tidak disebut oleh sumber, dan adakah larasnya betul. [Hakim LLM](https://broadrouter.com/ms/glossary/llm-as-judge/) boleh membuat saringan awal secara pukal setelah skornya sepadan dengan pembaca anda pada satu sampel. [Menilai LLM sebelum bertukar](https://broadrouter.com/ms/blog/evaluate-llm-before-switching/) membincangkan cara membina set itu.

Untuk data rujukan awam:

| Set data | Kandungan | Nota |
| --- | --- | --- |
| [XL-Sum](https://huggingface.co/datasets/csebuetnlp/xlsum) Arab | 46,897 pasangan artikel dan ringkasan BBC Arabic (37,519 / 4,689 / 4,689) | CC BY-NC-SA 4.0: penyelidikan bukan komersial sahaja |
| [EASC](https://huggingface.co/datasets/drelhaj/EASC) | 153 artikel, setiap satu dengan lima ringkasan ekstraktif oleh manusia | Kecil; Wikipedia dan dua akhbar |
| [LANS](https://arxiv.org/abs/2210.13600) | 8.4 juta artikel dengan ringkasan daripada 22 akhbar Arab, 1999 hingga 2019 | Ringkasan diambil daripada metadata laman |

Ketiga-tiganya berita MSA. Tiket sokongan dan laporan anda bukan begitu, jadi sampel teks anda sendiri, yang diringkaskan oleh manusia, ialah ujian yang bermakna.

## Model BroadNet manakah yang patut digunakan, dan berapakah kosnya?

Untuk perintis, [Gemma 4 VL 26B](https://broadrouter.com/ms/models/gemma-4-vl-26b/) berjalan dengan kredit permulaan $5 pada $0.10 input dan $0.22 output setiap 1M token; tetingkap 32,768 tokennya memuatkan kebanyakan artikel tunggal. [Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/), yang menurut laporan BroadNet telah diuji untuk penulisan bahasa Arab yang lancar dan pemahaman dialek Teluk dan Mesir, berkos $0.175 input dan $2.17 output selepas tambah nilai. Gunakan GLM 5.3 apabila satu dokumen lebih panjang daripada tetingkap Qwen.

Kiraan untuk 10,000 artikel setiap satu 1,000 token, dengan ringkasan 150 token: 10 juta token input dan 1.5 juta token output, jadi pada Qwen3.8 27B jumlahnya ialah 10 × $0.175 tambah 1.5 × $2.17. Tambah token penaakulan, yang dibilkan sebagai output, dan sebarang cubaan semula; ukur kedua-duanya pada sampel daripada blok usage. Jika prompt sama bagi setiap artikel, letakkannya di hadapan supaya ia boleh dibilkan pada kadar [input cache](https://broadrouter.com/ms/glossary/cached-input-tokens/).

## Di manakah BroadNet Inference sesuai

BroadRouter ialah laman web BroadNet sendiri. BroadNet Inference menjalankan langkah peringkasan melalui API yang serasi OpenAI, jadi kod di atas berjalan dengan [OpenAI Python SDK](https://broadrouter.com/ms/guides/openai-python-sdk/). Dokumentasinya menyatakan prompt dan jawapan tidak disimpan selepas permintaan. Ia tidak menerbitkan penanda aras peringkasan bahasa Arab sendiri, dan tiada apa-apa di sini yang mengukur kualiti ringkasan pada modelnya; jalankan semakan di atas pada teks anda sendiri. Untuk input yang dituturkan, gandingkannya dengan BroadNet Transcribe Arabic seperti dalam [artikel minit mesyuarat](https://broadrouter.com/ms/blog/arabic-meeting-minutes-from-recordings/).

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

[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.

[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.

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

Tokenizer ialah komponen yang menukar teks kepada jujukan ID token integer yang dibaca oleh model bahasa, dan menukar ID yang dijana kembali kepada teks. Setiap model mempunyai tokenizer sendiri, jadi teks yang sama boleh menghasilkan bilangan token yang berbeza pada model yang berbeza.

[Tetingkap konteks (context window)](https://broadrouter.com/ms/glossary/context-window/)

Tetingkap konteks ialah bilangan maksimum token yang boleh dikendalikan oleh model bahasa dalam satu permintaan. Ia meliputi prompt, sejarah perbualan, definisi alatan, imej dan output yang dijana, termasuk token penaakulan. Apa-apa yang tidak muat mesti dipotong, diringkaskan atau dipecahkan kepada beberapa permintaan.

[Lost in the middle (hilang di tengah)](https://broadrouter.com/ms/glossary/lost-in-the-middle/)

Lost in the middle ialah kecenderungan model bahasa yang diperhatikan untuk menggunakan maklumat relevan dengan paling baik apabila ia muncul berhampiran awal atau akhir input panjang, dan paling teruk apabila ia berada di tengah. Ia dinamakan dalam kajian 2023 oleh Liu et al.

[Token input dan output (input and output tokens)](https://broadrouter.com/ms/glossary/input-and-output-tokens/)

Token input ialah token yang dibaca oleh model bahasa dalam satu permintaan, termasuk prompt sistem, sejarah perbualan, definisi alatan dan imej. Token output ialah token yang dijananya sebagai balasan, termasuk sebarang penaakulan. API LLM biasanya meletakkan harga berasingan, dan output biasanya lebih mahal.

[Arabizi](https://broadrouter.com/ms/glossary/arabizi/)

Arabizi ialah bahasa Arab yang ditulis secara tidak formal dalam huruf Rumi, menggunakan digit untuk bunyi Arab yang tiada padanan Rumi, seperti 3 untuk ع. Ia biasa dalam chat dan media sosial, kebanyakannya dialek, tiada ejaan standard, dan sering bercampur dengan bahasa Inggeris atau Perancis.

[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.

## Soalan lazim

### Bolehkah LLM meringkaskan teks bahasa Arab dengan baik?

Boleh, tetapi lancar tidak sama dengan tepat. Semak panjang dan nombor dalam kod, dan minta pembaca bahasa Arab menilai satu sampel untuk perkara yang tertinggal dan butiran rekaan sebelum anda bergantung padanya.

### Patutkah ringkasan teks dialek ditulis dalam dialek atau MSA?

Biasanya MSA, kerana ia neutral dan mudah dicari merentas wilayah. Kekalkan petikan pendek dalam dialek asal apabila kata-katanya penting, contohnya aduan. Nyatakan pilihan anda dalam prompt; jika tidak, model akan beralih-alih antara kedua-duanya.

### Mengapakah ROUGE memberi 0 untuk ringkasan bahasa Arab saya?

Pakej Python rouge-score yang digunakan secara meluas menggantikan aksara di luar a-z dan 0-9 dengan ruang secara lalai, jadi teks bahasa Arab tidak menghasilkan sebarang token. Berikan tokenizer anda sendiri, atau gunakan fork ROUGE pelbagai bahasa daripada pengarang XL-Sum.

### Bagaimanakah saya mengawal panjang ringkasan bahasa Arab?

Minta julat bilangan perkataan, bukan bilangan token, dan ukur jawapan dengan memecahkannya pada ruang kosong. Jika tersasar, hantar semula sekali dengan panjang yang diukur. Ingat bahawa perkataan Arab selalunya membawa awalan yang bercantum, jadi ringkasan Arab 50 perkataan memuatkan lebih banyak makna daripada 50 perkataan Inggeris.

### Set data manakah yang boleh saya gunakan untuk menguji peringkasan bahasa Arab?

XL-Sum mempunyai 46,897 pasangan artikel dan ringkasan BBC Arabic (lesen bukan komersial). EASC mempunyai 153 artikel, setiap satu dengan lima ringkasan ekstraktif oleh manusia. Kedua-duanya berita MSA, jadi tambah sampel teks anda sendiri, terutamanya teks dialek.

## Teruskan membaca

-   [Minit mesyuarat bahasa Arab daripada rakaman: saluran API](https://broadrouter.com/ms/blog/arabic-meeting-minutes-from-recordings/)
-   [Kejuruteraan prompt bahasa Arab: laras, RTL, angka dan teks bercampur](https://broadrouter.com/ms/blog/arabic-prompt-engineering/)
-   [Bahasa Arab Teluk, Mesir dan Levant: cara LLM mengendalikan dialek](https://broadrouter.com/ms/blog/arabic-llm-gulf-egyptian-dialects/)
-   [Memilih API LLM untuk bahasa Arab: apa yang perlu diuji](https://broadrouter.com/ms/blog/choosing-an-llm-for-arabic/)
-   [Token setiap perkataan Arab vs Inggeris: mengapa Arab lebih mahal](https://broadrouter.com/ms/blog/tokens-per-word-arabic-english/)
-   [Konteks panjang vs RAG: bila 1M token menggantikan DB vektor](https://broadrouter.com/ms/blog/long-context-vs-rag/)
-   [Tambah baris pada teks Arab dengan LLM: prompt, semakan dan DER](https://broadrouter.com/ms/blog/arabic-diacritization-llm/)
-   [Pembetulan tatabahasa dan ejaan bahasa Arab dengan LLM: panduan](https://broadrouter.com/ms/blog/arabic-grammar-spelling-correction-llm/)
-   [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-text-summarization-llm&utm_content=page-cta) ·

**Sumber**

-   [Hasan et al., XL-Sum: Large-Scale Multilingual Abstractive Summarization for 44 Languages, Findings of ACL 2021 (disemak 2026-11-15)](https://aclanthology.org/2021.findings-acl.413/)
-   [Kad set data XL-Sum di Hugging Face: pecahan Arab 37,519 / 4,689 / 4,689, CC BY-NC-SA 4.0 (disemak 2026-11-15)](https://huggingface.co/datasets/csebuetnlp/xlsum)
-   [Repositori XL-Sum, pemarkahan ROUGE pelbagai bahasa dengan stemming khusus bahasa (disemak 2026-11-15)](https://github.com/csebuetnlp/xl-sum)
-   [Sumber tokenizer rouge-score Google Research: menukar kepada huruf kecil dan menggantikan aksara bukan alfanumerik (disemak 2026-11-15)](https://github.com/google-research/google-research/blob/master/rouge/tokenize.py)
-   [El-Haj, Kruschwitz dan Fox, Essex Arabic Summaries Corpus (EASC), cermin Hugging Face (disemak 2026-11-15)](https://huggingface.co/datasets/drelhaj/EASC)
-   [Alhamadani et al., LANS: Large-scale Arabic News Summarization Corpus, arXiv 2210.13600 (disemak 2026-11-15)](https://arxiv.org/abs/2210.13600)
-   [Maynez et al., On Faithfulness and Factuality in Abstractive Summarization, ACL 2020 (disemak 2026-11-15)](https://aclanthology.org/2020.acl-main.173/)
-   [Repositori BERTScore: model pelbagai bahasa lalai untuk bahasa selain Inggeris dan Cina (disemak 2026-11-15)](https://github.com/Tiiiger/bert_score)
-   [Rujukan API dan harga BroadNet Inference: model, panjang konteks, penaakulan dan max\_tokens (disemak 2026-11-15) (Bahasa Inggeris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-arabic-text-summarization-llm&utm_content=sources)
