---
title: "LLM ile Arapça metin özetleme: nasıl yapılır? | BroadRouter"
description: "Arapça makale, rapor ve lehçe mesajlarını LLM API ile özetleyin: istem kalıpları, kelime sayısı kontrolü, sayı denetimi ve varsayılan ROUGE neden 0 verir."
url: https://broadrouter.com/tr/blog/arabic-text-summarization-llm/
lang: tr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/blog/arabic-text-summarization-llm/) (güncelleme: 2026-11-16).

# LLM ile Arapça metin özetleme: istem, uzunluk ve puanlama

BroadNet Inference ekibi · 7 dk okuma · Yayımlandı 2026-11-15 · Güncellendi 2026-11-16

İstemde dil düzeyini (lehçe girdide bile genellikle Modern Standart Arapça) ve bir kelime aralığını belirtin. Sonra kodda denetleyin: kelimeleri sayın, özetteki her sayının kaynakta geçtiğini doğrulayın ve sorunu yazarak bir kez yeniden deneyin. Arapçaya uygun bir ROUGE tokenizer'ı ve insan incelemesiyle puanlayın; varsayılan rouge-score Arapçaya 0 verir.

## Öne çıkanlar

-   Google'ın rouge-score 0.1.2 paketi varsayılan olarak Latin dışı karakterleri siler. İki Arapça cümlede çalıştırdık; örtüşme ne olursa olsun F1 değeri 0 çıktı.
-   Aynı çift, boşlukla bölen bir Arapça tokenizer ile 0,6, kaba bir önek ayıklamayla 0,8 aldı. Farklı tokenizer'larla üretilmiş ROUGE sayılarını asla karşılaştırmayın.
-   Bir kelime aralığı isteyin, sonra sayın. Ölçülen uzunluğu mesaja yazarak bir kez yeniden deneyin; yine tutmazsa incelemeye gönderin.
-   Özetteki her sayının kaynakta olduğunu denetleyin. Yaygın bir uydurma ayrıntı türü için ucuz bir testtir.
-   Herkese açık Arapça özetleme verisi çoğunlukla MSA haberlerinden oluşur: XL-Sum (46.897 Arapça çift), EASC (153 makale) ve LANS. Lehçe verisi kıt, bu yüzden kendi test setinizi oluşturun.

**Bu sayfada**

1.  Arapça özetleme istemi neler söylemeli?
2.  Lehçe metni nasıl özetlersiniz?
3.  Özet uzunluğunu nasıl kontrol edersiniz?
4.  Uydurma ayrıntıları nasıl yakalarsınız?
5.  Uzun Arapça belgeleri nasıl özetlersiniz?
6.  Arapça özetleri nasıl değerlendirirsiniz?
7.  Hangi BroadNet modelini kullanmalısınız ve maliyeti ne?
8.  BroadNet Inference nereye oturuyor?

Arapça bir metni LLM ile özetlemek tek bir istek alır. Yayına alabileceğiniz özetler elde etmek ise isteğin sizin yerinize vermediği üç karar gerektirir: hangi dil düzeyinde yazılacak, özet ne uzunlukta olacak ve doğru olduğunu nasıl anlayacaksınız. Bu yazı yazılı metni ele alıyor: makaleler, raporlar, destek talepleri ve uzun mesaj zincirleri. Sesli toplantılar için [Arapça toplantı tutanağı hattı](https://broadrouter.com/tr/blog/arabic-meeting-minutes-from-recordings/) transkripsiyon adımını ve bölüm bölüm birleştirmeyi ekliyor.

## Arapça özetleme istemi neler söylemeli?

Sonucun büyük kısmını beş satır belirler:

1.  **Dil ve dil düzeyi.** “Modern Standart Arapça” (الفصحى) ya da adı verilmiş bir lehçe. Bu olmadan Mısır ya da Körfez girdisini özetleyen bir model karışık bir dille yanıt verebilir.
2.  **Bir kelime aralığı.** “40 ila 60 kelime”. Aralıkları tutturmak, kesin sayılardan daha kolaydır.
3.  **Olgular yazıldığı gibi.** Sayılar, tarihler ve adlar metinden kopyalanır; yuvarlanmaz, dönüştürülmez.
4.  **Yeni bir şey yok.** Metinde bulunmayan arka plan bilgisi eklenmez.
5.  **Biçim.** Tek paragraf, üç madde ya da sabit alanlı JSON.

Talimatlar Arapça ya da İngilizce olabilir; her iki durumda da çıktı dilini ve dil düzeyini açıkça belirtin. [Arapça istem mühendisliği](https://broadrouter.com/tr/blog/arabic-prompt-engineering/) dil düzeyini, rakamları ve karışık yazılı metni daha ayrıntılı ele alıyor. Aşağıdaki kodda kullanılan istem şu:

```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.
```

## Lehçe metni nasıl özetlersiniz?

Arapça iş metinlerinin çoğu MSA değildir: müşteri yorumları, WhatsApp yazışmaları ve sosyal medya gönderileri lehçeyle yazılır, çoğu zaman İngilizce ya da [Arabizi](https://broadrouter.com/tr/blog/arabizi-llm-handling/) ile karışır. Üç tercih işe yarar:

-   **Varsayılan olarak MSA’ya özetleyin.** Bölgeler arasında nötrdür ve aranması daha kolaydır. Özet aynı müşteriye geri gidecekse onun lehçesine uyun.
-   **Önemli alıntıları aynen koruyun.** Bir şikâyet gibi tonun önemli olduğu yerlerde özgün ifadeyle kısa bir alıntı isteyin. Lehçeyi MSA’ya aktarmak ifadeyi yumuşatabilir.
-   **Kendi lehçelerinizde test edin.** Lehçe anlama modelden modele değişir; bkz. [LLM’lerin Körfez ve Mısır Arapçasıyla başa çıkması](https://broadrouter.com/tr/blog/arabic-llm-gulf-egyptian-dialects/).

Bu testi herkese açık veri sizin yerinize yapmaz. Büyük Arapça özetleme setleri MSA haberleridir ve size gösterebileceğimiz herkese açık bir Körfez ya da Mısır özetleme benchmark’ı bulamadık.

## Özet uzunluğunu nasıl kontrol edersiniz?

Kelimeyle isteyin, kelimeyle ölçün. Modelin kendi sayımına güvenmeyin, birim olarak da token bütçesi kullanmayın: Arapça kelime başına token sayısı modele göre değişir. 96 kelimelik bir Arapça haber paragrafını resmî Qwen3.8 27B tokenizer’ı ile 166 token, 58 kelimelik özetini 114 token olarak ölçtük. BroadNet’in dört sohbet modelinin tokenizer’larında, [Arapça token sayacının](https://broadrouter.com/tools/arabic-token-counter/) tokenizer dosyalarıyla sayıldığında, aynı paragraf 166 ile 224 token arasında değişti. Daha büyük ölçüm [Arapçada kelime başına token](https://broadrouter.com/tr/blog/tokens-per-word-arabic-english/) yazısında.

Çoğu kullanım için doğru sayım boşluklardan bölmektir, çünkü okuyucunun gördüğü budur. Arapça و, ب, ل ve ال eklerini kelimeye bitiştirir; bu yüzden 50 kelimelik Arapça bir özet, 50 İngilizce kelimeden fazla içerik taşır. Aralığınızı İngilizce bir hedeften değil, beğendiğiniz Arapça örneklerden belirleyin.

Uzunlukla ilgili iki kural daha:

-   **`max_tokens` bir uzunluk kontrolü değildir.** Yanıtı cümlenin ortasında keser. Özet boyutunun çok üstünde ayarlayın, özellikle akıl yürüten modellerde: BroadNet’in belgelerine göre DeepSeek V4.1 Flash, GLM 5.3 ve Qwen3.8 27B yanıt vermeden önce akıl yürütür ve bu akıl yürütme `max_tokens` sınırına sayılır. Bkz. [akıl yürüten modellerden boş yanıtlar](https://broadrouter.com/tr/guides/reasoning-tokens-empty-response/).
-   **Sayıyla birlikte bir kez yeniden deneyin.** “Özetiniz 17 kelime; ben 40 ila 60 istedim” demek, talimatı tekrarlamaktan daha çok şey düzeltir.

## Uydurma ayrıntıları nasıl yakalarsınız?

Soyutlayıcı özetleyiciler bir şeyler uydurur. Maynez vd. (ACL 2020), anotatörlerinin incelediği tüm model özetlerinde “substantial amounts of hallucinated content” (BroadRouter çevirisi: önemli miktarda halüsinasyon içerik) buldu; bu bugünkü LLM’lerden önceydi, ama hiçbir model bundan bağışık değil. Anlamı kodda ucuza denetleyemezsiniz, ama sayıları denetleyebilirsiniz: özetteki her sayı kaynakta da geçmeli. Önce Doğu Arap rakamlarını (٠–٩) ve Fars rakamlarını (۰–۹) 0–9’a eşleyin, yoksa ١٢ ile 12 farklı görünür.

```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
```

Bunu yerel bir sahte sunucuya karşı test ettik (canlı API çağrısı yok); bir şehir otobüsü planı hakkında sentetik, 96 kelimelik bir makale kullandık. Sahte sunucunun ilk yanıtı 17 kelimeydi ve makalede ٢٤٠ yazarken ٣٠٠ otobüs diyordu. `check` iki sorunu da döndürdü: ölçülen uzunluğu ve “metinde olmayan sayılar: 300”. İkinci, düzeltilmiş yanıt 58 kelimeyle geçti, dolayısıyla fonksiyon onu `attempts: 2` ile döndürdü.

Sayı denetimi bazı şeyleri kaçırır: yanlış bir ad, tersine çevrilmiş bir karar, içinde sayı olmayan bir iddia. Bu bir süzgeçtir, hüküm değil. Adlar için [Arapça adlandırılmış varlık çıkarımı](https://broadrouter.com/tr/blog/arabic-named-entity-extraction-llm/) yazısındaki aralık denetimini yeniden kullanın: özetten varlıkları çıkarın ve her birinin kaynakta geçtiğini doğrulayın.

## Uzun Arapça belgeleri nasıl özetlersiniz?

Metin bağlam penceresine rahatça sığıyorsa tamamını gönderin. [Qwen3.8 27B](https://broadrouter.com/tr/models/qwen3.8-27b/) istek başına 262.144 token, [GLM 5.3](https://broadrouter.com/tr/models/glm-5.3/) ise 1.048.576 token alır (istem ve yanıt birlikte); [Gemma 4 VL 26B](https://broadrouter.com/tr/models/gemma-4-vl-26b/) 32.768 token alır. Yine de uzun girdilerin bilinen bir zayıflığı var: modeller uzun bir bağlamın ortasındaki olguları daha az güvenilir biçimde kullanır ([lost in the middle](https://broadrouter.com/tr/glossary/lost-in-the-middle/)). Uzun bir rapor için her bölümü özetleyin, sonra özetleri özetleyin ve son istemde bölüm başlıklarını koruyun. Toplantı yazısı [birleştirme adımını](https://broadrouter.com/tr/blog/arabic-meeting-minutes-from-recordings/) kodla gösteriyor; [uzun bağlam mı RAG mı](https://broadrouter.com/tr/blog/long-context-vs-rag/) ne zaman bunun yerine arama yapılacağını ele alıyor.

## Arapça özetleri nasıl değerlendirirsiniz?

Üç katman kullanın: gerilemeleri yakalamak için otomatik bir örtüşme puanı, ikinci görüş için anlamsal bir puan ve karar için insanlar.

**ROUGE, doğru tokenizer ile.** Google’ın rouge-score paketi (16 Kasım 2026 itibarıyla PyPI’daki güncel sürüm hâlâ 0.1.2) metni küçük harfe çevirir ve a–z ile 0–9 dışındaki her karakteri boşlukla değiştirir. Arapça yok olur. Denedik:

```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
```

Aynı iki cümle yalnızca tokenizasyona bağlı olarak 0, 0,6 ya da 0,8 alıyor. Asıl ders bu: Arapça biçimbilimi (للنقل ile النقل, بإضافة ile تضيف) ROUGE’u çok oynatır, bu yüzden tokenizer’ı belirtilmeyen bir puan hiçbir şey ifade etmez. XL-Sum yazarları, Arapça dahil dile özgü kök bulma içeren çok dilli bir ROUGE çatalı yayımlıyor; onu ya da kendi tokenizer’ınızı kullanın ve karşılaştırdığınız her çalıştırmada sabit tutun.

**BERTScore** anlamı embedding’ler üzerinden karşılaştırır, bu yüzden başka sözcüklerle ifade etmeyi tolere eder. İngilizce ve Çince dışındaki diller için varsayılan modeli bert-base-multilingual-cased’dir. Bunu okumanın yerine geçen bir şey olarak değil, ikinci bir sinyal olarak görün.

**İnsanlar, bir değerlendirme ölçütüyle.** Arapça bilen birine 50 ila 100 özeti üç soruya göre puanlatın: önemli bir şey eksik mi, kaynağın söylemediği bir şey söylenmiş mi ve dil düzeyi doğru mu. Bir [LLM hakem](https://broadrouter.com/tr/glossary/llm-as-judge/), puanları bir örneklemde okuyucularınızınkiyle uyuştuğunda büyük hacimde ön eleme yapabilir. [Geçiş öncesi bir LLM’i değerlendirmek](https://broadrouter.com/tr/blog/evaluate-llm-before-switching/) bu seti oluşturmayı anlatıyor.

Herkese açık referans verisi için:

| Veri seti | İçeriği | Notlar |
| --- | --- | --- |
| [XL-Sum](https://huggingface.co/datasets/csebuetnlp/xlsum) Arapça | 46.897 BBC Arapça makale-özet çifti (37.519 / 4.689 / 4.689) | CC BY-NC-SA 4.0: yalnızca ticari olmayan araştırma |
| [EASC](https://huggingface.co/datasets/drelhaj/EASC) | 153 makale, her biri için beş insan çıkarımsal özeti | Küçük; Vikipedi ve iki gazete |
| [LANS](https://arxiv.org/abs/2210.13600) | 22 Arap gazetesinden, 1999–2019 arası, özetleriyle 8,4 milyon makale | Özetler site meta verisinden geliyor |

Üçü de MSA haberleri. Sizin destek talepleriniz ve raporlarınız öyle değil; bu yüzden kendi metinlerinizden bir örneklemin bir insan tarafından özetlenmesi, asıl önemli testtir.

## Hangi BroadNet modelini kullanmalısınız ve maliyeti ne?

Bir pilot için [Gemma 4 VL 26B](https://broadrouter.com/tr/models/gemma-4-vl-26b/), $5 başlangıç kredisiyle çalışır; 1M token başına girdi $0.10, çıktı $0.22. 32.768 token’lık penceresi çoğu tekil makaleye yeter. BroadNet’in akıcı Arapça yazım ile Körfez ve Mısır lehçesi anlama açısından test ettiğini bildirdiği [Qwen3.8 27B](https://broadrouter.com/tr/models/qwen3.8-27b/), bakiye yüklemesinden sonra girdi için $0.175, çıktı için $2.17 tutar. Tek bir belge Qwen’in penceresinden uzunsa GLM 5.3 kullanın.

Her biri 1.000 token olan 10.000 makale ve 150 token’lık özetler için hesap: 10 milyon girdi token’ı ve 1,5 milyon çıktı token’ı; Qwen3.8 27B üzerinde bu 10 × $0.175 artı 1,5 × $2.17 eder. Çıktı olarak faturalanan akıl yürütme token’larını ve yeniden denemeleri ekleyin; ikisini de bir örneklemde usage bloğundan ölçün. İstem her makale için aynıysa, [önbellekli girdi](https://broadrouter.com/tr/glossary/cached-input-tokens/) fiyatından faturalanabilmesi için onu başa koyun.

## BroadNet Inference nereye oturuyor?

BroadRouter, BroadNet’in kendi sitesidir. BroadNet Inference özetleme adımını OpenAI uyumlu bir API ile sunar; bu yüzden yukarıdaki kod [OpenAI Python SDK](https://broadrouter.com/tr/guides/openai-python-sdk/) ile çalışır. Belgelerine göre istemler ve yanıtlar istekten sonra saklanmaz. Kendine ait bir Arapça özetleme benchmark’ı yayımlamıyor ve buradaki hiçbir şey kendi modellerinde özet kalitesini ölçmüyor; yukarıdaki denetimleri kendi metinlerinizde çalıştırın. Sesli girdi için, [toplantı tutanağı yazısındaki](https://broadrouter.com/tr/blog/arabic-meeting-minutes-from-recordings/) gibi BroadNet Transcribe Arabic ile eşleştirin.

Bu konu için ücretsiz araçlar (İngilizce)

-   [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.

[Ücretsiz araçlar (İngilizce)](https://broadrouter.com/tools/)

## Bu yazıdaki terimler

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

Token, bir dil modelinin okuduğu ve yazdığı metin birimidir: modelin tokenizer'ının ürettiği bir kelime, kelime parçası, noktalama işareti veya bayt dizisi. LLM API'leri kullanımı token cinsinden sayar, sınırlar ve genellikle faturalandırır.

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

Tokenizer, metni bir dil modelinin okuduğu tam sayı token kimlikleri dizisine dönüştüren ve üretilen kimlikleri tekrar metne çeviren bileşendir. Her model kendi tokenizer'ıyla gelir; bu yüzden aynı metin farklı modellerde farklı sayıda token üretebilir.

[Girdi ve çıktı token'ları](https://broadrouter.com/tr/glossary/input-and-output-tokens/)

Girdi token'ları, bir dil modelinin istekte okuduğu token'lardır: sistem istemi, konuşma geçmişi, araç tanımları ve görseller dahil. Çıktı token'ları ise modelin yanıt olarak ürettikleridir, akıl yürütme dahil. LLM API'leri bunları genellikle ayrı fiyatlandırır ve çıktı genellikle daha pahalıdır.

[Lost in the middle (ortada kaybolma)](https://broadrouter.com/tr/glossary/lost-in-the-middle/)

Lost in the middle (ortada kaybolma), dil modellerinin ilgili bilgiyi uzun bir girdinin başında veya sonunda olduğunda en iyi, ortasında olduğunda ise en kötü kullanma eğilimidir. Adını Liu vd.'nin 2023 tarihli çalışması koymuştur.

[Modern Standart Arapça (MSA, Fusha)](https://broadrouter.com/tr/glossary/msa/)

Modern Standart Arapça (MSA), Arap dünyasında yazıda, haberlerde, eğitimde ve resmi konuşmada kullanılan standartlaşmış Arapçadır. Kimsenin günlük ana dili değildir: insanlar Mısır veya Körfez Arapçası gibi bölgesel lehçeleri konuşur ve resmi ortamlarda MSA'ya geçer.

[Akıl yürütme token'ları (reasoning tokens)](https://broadrouter.com/tr/glossary/reasoning-tokens/)

Akıl yürütme token'ları, bir akıl yürütme modelinin görünür yanıtını yazmadan önce problemi çözmek için ürettiği token'lardır. Genellikle çıktı token'ı olarak faturalandırılır, çıktı sınırına ve bağlam penceresine sayılır; API tarafından gizlenebilir veya özetlenebilir.

[Arabizi (Franco-Arabic)](https://broadrouter.com/tr/glossary/arabizi/)

Arabizi, Latin harfleriyle gayriresmî yazılan Arapçadır; Latin karşılığı olmayan Arapça sesler için ع yerine 3 gibi rakamlar kullanır. Sohbette ve sosyal medyada yaygındır, çoğunlukla lehçelidir, standart bir yazımı yoktur ve sık sık İngilizce veya Fransızcayla karışır.

[Araç çağırma (tool calling)](https://broadrouter.com/tr/glossary/tool-calling/)

Araç çağırma (tool calling), fonksiyon çağırma (function calling) olarak da bilinir; modelin, geliştiricinin tanımladığı bir fonksiyonu çalıştırmak için JSON argümanlı yapılandırılmış bir istek döndürdüğü bir LLM API özelliğidir. Fonksiyonu uygulama çalıştırır ve sonucu geri gönderir; model hiçbir zaman kodu kendisi çalıştırmaz.

## Sık sorulan sorular

### Bir LLM Arapça metni iyi özetleyebilir mi?

Evet, ama akıcı olmak doğru olmak demek değil. Uzunlukları ve sayıları kodda denetleyin, güvenmeden önce Arapça bilen birine bir örneklemi eksik noktalar ve uydurma ayrıntılar açısından puanlatın.

### Lehçe metnin özeti lehçeyle mi yoksa MSA ile mi yazılmalı?

Genellikle MSA ile, çünkü bölgeler arasında nötr okunur ve aranabilir. Bir şikâyet gibi ifadenin önemli olduğu yerlerde kısa alıntıları özgün lehçede bırakın. Hangisini istediğinizi istemde söyleyin; yoksa modeller ikisi arasında gidip gelir.

### ROUGE Arapça özetlerime neden 0 veriyor?

Yaygın kullanılan rouge-score Python paketi varsayılan olarak a-z ve 0-9 dışındaki karakterleri boşlukla değiştirir, bu yüzden Arapça metinden hiç token çıkmaz. Kendi tokenizer'ınızı verin ya da XL-Sum yazarlarının çok dilli ROUGE çatalını kullanın.

### Arapça özetin uzunluğunu nasıl kontrol ederim?

Token sayısı değil, kelime aralığı isteyin ve yanıtı boşluklardan bölerek ölçün. Tutmazsa ölçülen uzunlukla bir kez yeniden gönderin. Arapça kelimelerin çoğu zaman bitişik önekler taşıdığını unutmayın: 50 kelimelik Arapça bir özet, 50 İngilizce kelimeden fazla anlam taşır.

### Arapça özetlemeyi test etmek için hangi veri setini kullanabilirim?

XL-Sum'da 46.897 BBC Arapça makale-özet çifti var (ticari olmayan lisans). EASC'de her biri beş insan çıkarımsal özetine sahip 153 makale bulunuyor. İkisi de MSA haberleri; bu yüzden kendi metinlerinizden, özellikle lehçe olanlardan bir örneklem ekleyin.

## Okumaya devam edin

-   [Kayıtlardan Arapça toplantı tutanağı: bir API hattı](https://broadrouter.com/tr/blog/arabic-meeting-minutes-from-recordings/)
-   [Arapça istem mühendisliği: dil düzeyi, RTL, rakamlar, karışık metin](https://broadrouter.com/tr/blog/arabic-prompt-engineering/)
-   [Körfez, Mısır ve Levant Arapçası: LLM'ler lehçelerle nasıl başa çıkar?](https://broadrouter.com/tr/blog/arabic-llm-gulf-egyptian-dialects/)
-   [Arapça için LLM API seçimi: neler test edilmeli?](https://broadrouter.com/tr/blog/choosing-an-llm-for-arabic/)
-   [Arapça ve İngilizcede kelime başına token: Arapça neden pahalı?](https://broadrouter.com/tr/blog/tokens-per-word-arabic-english/)
-   [Uzun bağlam mı RAG mı: 1M token vektör veritabanının yerini alır mı?](https://broadrouter.com/tr/blog/long-context-vs-rag/)
-   [LLM ile Arapça metne hareke ekleme: istem, kontrol, DER](https://broadrouter.com/tr/blog/arabic-diacritization-llm/)
-   [LLM ile Arapça dil bilgisi ve yazım düzeltme: adım adım](https://broadrouter.com/tr/blog/arabic-grammar-spelling-correction-llm/)
-   [Rehber: OpenAI Python SDK'yı BroadNet Inference ile kullanın](https://broadrouter.com/tr/guides/openai-python-sdk/)
-   [Rehber: Akıl yürüten model neden boş yanıt döndürür?](https://broadrouter.com/tr/guides/reasoning-tokens-empty-response/)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

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

**Kaynaklar**

-   [Hasan vd., XL-Sum: Large-Scale Multilingual Abstractive Summarization for 44 Languages, Findings of ACL 2021 (kontrol tarihi 2026-11-15)](https://aclanthology.org/2021.findings-acl.413/)
-   [Hugging Face üzerindeki XL-Sum veri seti kartı: Arapça bölüm 37.519 / 4.689 / 4.689, CC BY-NC-SA 4.0 (kontrol tarihi 2026-11-15)](https://huggingface.co/datasets/csebuetnlp/xlsum)
-   [XL-Sum deposu, dile özgü kök bulma ile çok dilli ROUGE puanlaması (kontrol tarihi 2026-11-15)](https://github.com/csebuetnlp/xl-sum)
-   [Google Research rouge-score tokenizer kaynak kodu: küçük harfe çevirir, alfanümerik olmayan karakterleri değiştirir (kontrol tarihi 2026-11-15)](https://github.com/google-research/google-research/blob/master/rouge/tokenize.py)
-   [El-Haj, Kruschwitz ve Fox, Essex Arabic Summaries Corpus (EASC), Hugging Face yansısı (kontrol tarihi 2026-11-15)](https://huggingface.co/datasets/drelhaj/EASC)
-   [Alhamadani vd., LANS: Large-scale Arabic News Summarization Corpus, arXiv 2210.13600 (kontrol tarihi 2026-11-15)](https://arxiv.org/abs/2210.13600)
-   [Maynez vd., On Faithfulness and Factuality in Abstractive Summarization, ACL 2020 (kontrol tarihi 2026-11-15)](https://aclanthology.org/2020.acl-main.173/)
-   [BERTScore deposu: İngilizce ve Çince dışındaki diller için varsayılan çok dilli model (kontrol tarihi 2026-11-15)](https://github.com/Tiiiger/bert_score)
-   [BroadNet Inference API başvurusu ve fiyatlar: modeller, bağlam uzunlukları, akıl yürütme ve max\_tokens (kontrol tarihi 2026-11-15) (İngilizce)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-arabic-text-summarization-llm&utm_content=sources)
