Câu trả lời tiếng Ả Rập của model hoàn toàn đúng, nhưng trên màn hình giá tiền nằm sai phía và tên model bị cắt làm đôi. Đó là lỗi bidi (văn bản hai chiều), không phải lỗi của model.
Cách hoạt động
Văn bản được lưu theo thứ tự logic, tức thứ tự đọc và gõ. UAX #9, Unicode Bidirectional Algorithm, gán cho mỗi ký tự một loại hướng và tính ra thứ tự hiển thị của dòng. Ký tự không bao giờ di chuyển trong bộ nhớ; chỉ cách hiển thị thay đổi.
Chữ cái là ký tự mạnh: tiếng Ả Rập đi từ phải sang trái, chữ Latin từ trái sang phải. Chữ số và dấu câu là ký tự yếu hoặc trung tính, vị trí của chúng do văn bản xung quanh quyết định. Chữ số châu Âu thuộc loại EN, chữ số Ả Rập-Ấn thuộc loại AN, và UAX #9 chuyển EN thành AN khi đứng sau một chữ cái Ả Rập.
Một chuỗi trộn điển hình từ trợ lý tiếng Ả Rập:
جرّب النموذج broadnet/qwen3.8-27b على 20 رسالة
Khi hiển thị trong ngữ cảnh trái sang phải, các đoạn tiếng Ả Rập đọc từ phải sang trái nhưng đoạn văn lại bắt đầu từ bên trái, nên câu hiện ra sai thứ tự, còn dấu gạch chéo, dấu chấm và số 20 có thể dính vào sai đoạn. Cách sửa là đặt hướng cơ sở (base direction), không phải sắp xếp lại ký tự.
Khi không dùng được markup, Unicode có các ký tự điều khiển vô hình:
| Code point | Tên | Công dụng |
|---|---|---|
| U+200F | RLM, right-to-left mark | Đẩy một ký tự trung tính sang RTL |
| U+061C | ALM, Arabic letter mark | Tương tự, cho ngữ cảnh tiếng Ả Rập |
| U+2067 | RLI, right-to-left isolate | Bắt đầu một đoạn RTL |
| U+2066 | LRI, left-to-right isolate | Bắt đầu một đoạn LTR, chẳng hạn ID model |
| U+2068 | FSI, first strong isolate | Lấy hướng theo nội dung |
| U+2069 | PDI, pop directional isolate | Kết thúc mọi isolate |
UAX #9 khuyến khích dùng isolate thay cho các ký tự embedding cũ (U+202A đến U+202C) trong tài liệu mới, vì embedding ảnh hưởng quá mạnh đến văn bản xung quanh, và nói nên tránh override (U+202D, U+202E) khi có thể vì lý do bảo mật.
Vì sao quan trọng
Với HTML, W3C khuyên đặt dir="rtl" trên phần tử html khi trang là RTL, và không dùng CSS để đặt hướng cơ sở. Với văn bản chưa biết hướng, như câu trả lời của model hay tên người dùng, hãy dùng dir="auto" hoặc phần tử bdi. W3C lưu ý auto quyết định theo ký tự mạnh đầu tiên, nên một đoạn chủ yếu là tiếng Anh nhưng mở đầu bằng một từ tiếng Ả Rập vẫn có thể hiển thị sai.
Với người dùng API, các vấn đề thường gặp là:
- Giao diện chat. Câu trả lời streaming bắt đầu bằng tiếng Anh rồi chuyển sang tiếng Ả Rập. Hãy đặt
dir="auto"cho từng tin nhắn, đừng đặt một lần cho cả trang. - JSON và log. Output của model có thể chứa mark vô hình. Giá trị như
"gulf"sẽ không bằng"gulf". Hãy xóa ký tự điều khiển bidi trước khi so sánh các trường đầu ra có cấu trúc. - Chuỗi giao diện đã dịch. Placeholder và tên sản phẩm nằm trong câu tiếng Ả Rập cần isolate; xem dịch chuỗi ứng dụng sang tiếng Ả Rập.
Trên BroadNet Inference
Endpoint chat của BroadNet trả tiếng Ả Rập dưới dạng văn bản thông thường trong JSON response, như mọi API tương thích OpenAI, và BroadNet không có tính năng hiển thị hay bidi nào. Xử lý hướng chữ là việc của front end. Nếu bạn cũng chuẩn hóa văn bản để tìm kiếm, hãy xóa ký tự điều khiển bidi trong cùng bước với chuẩn hóa Unicode, vì NFC và NFKC giữ nguyên chúng.
Lỗi thường gặp
- Đảo ngược chuỗi tiếng Ả Rập trong code để “sửa” hiển thị.
- Chỉ đặt hướng bằng CSS.
- Để sót U+200F hoặc U+2067 trong ID, key hay giá trị enum.