---
title: "用大模型做阿拉伯语文本摘要：方法与评测 | BroadRouter"
description: "用大模型 API 摘要阿拉伯语文章、报告和方言消息：提示词写法、字数控制、数字核对，以及默认 ROUGE 为什么给阿拉伯语打 0 分。"
url: https://broadrouter.com/zh/blog/arabic-text-summarization-llm/
lang: zh-Hans
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。[阅读英文原文](https://broadrouter.com/blog/arabic-text-summarization-llm/)（2026-11-16 更新）。

# 用大模型做阿拉伯语文本摘要：提示词、长度控制与评分

BroadNet Inference 团队 · 阅读约 7 分钟 · 发布于 2026-11-15 · 更新于 2026-11-16

在提示词里写明语体（通常是现代标准阿拉伯语，方言输入也一样）和字数范围。然后在代码里检查：数词数，确认摘要里的每个数字都出现在原文中，有问题就说明问题重试一次。评分用支持阿拉伯语的 ROUGE 分词器加人工审阅；默认的 rouge-score 会给阿拉伯语打 0 分。

## 要点

-   Google 的 rouge-score 0.1.2 默认会删掉非拉丁字符。我们用两句阿拉伯语测试，无论重合多少，F1 都是 0。
-   同一对句子，用按空格切分的阿拉伯语分词器得 0.6，加上粗略的前缀剥离得 0.8。不要比较用不同分词器算出的 ROUGE 分数。
-   要求一个字数范围，然后自己数。重试一次，并在消息里写明实测长度；仍不达标就转人工审阅。
-   检查摘要中的每个数字是否都在原文里。这是发现一类常见编造内容的低成本测试。
-   公开的阿拉伯语摘要数据大多是 MSA 新闻：XL-Sum（46,897 对阿拉伯语样本）、EASC（153 篇文章）和 LANS。方言数据稀缺，所以要自建测试集。

**本页内容**

1.  阿拉伯语摘要的提示词应该写什么？
2.  方言文本怎么摘要？
3.  怎么控制摘要长度？
4.  怎么发现编造的细节？
5.  长篇阿拉伯语文档怎么摘要？
6.  怎么评估阿拉伯语摘要？
7.  该用 BroadNet 的哪个模型，费用多少？
8.  BroadNet Inference 的定位

用大模型摘要阿拉伯语文本，一个请求就够了。但要得到能上线的摘要，还得做三个请求本身不会替你做的决定：用什么语体写、摘要该多长、以及怎么知道它是对的。本文讨论书面文本：文章、报告、工单和很长的消息串。如果是口头会议，[阿拉伯语会议纪要流水线](https://broadrouter.com/zh/blog/arabic-meeting-minutes-from-recordings/)多了转写步骤和逐段合并。

## 阿拉伯语摘要的提示词应该写什么？

结果好坏主要取决于五行：

1.  **语言和语体。**“现代标准阿拉伯语”（الفصحى），或者指定一种方言。不写的话，模型摘要埃及方言或海湾方言输入时，可能会混着回答。
2.  **字数范围。**“40 到 60 个词”。范围比精确数字更容易达到。
3.  \*\*事实照原文。\*\*数字、日期和名字从原文照抄，不四舍五入，不换算。
4.  \*\*不加新内容。\*\*不补充原文中没有的背景。
5.  \*\*格式。\*\*一段话，或三个要点，或字段固定的 JSON。

指令用阿拉伯语或英语写都可以；无论哪种，都要明确写出输出语言和语体。[阿拉伯语提示词工程](https://broadrouter.com/zh/blog/arabic-prompt-engineering/)更深入地讲了语体、数字写法和混合文字。下面是后文代码中使用的提示词：

```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.
```

## 方言文本怎么摘要？

大多数阿拉伯语业务文本不是 MSA：客户评论、WhatsApp 对话和社交媒体帖子都是方言，还经常混着英语或 [Arabizi](https://broadrouter.com/zh/blog/arabizi-llm-handling/)。有三个做法有帮助：

-   \*\*默认摘要成 MSA。\*\*它跨地区中立，也更好检索。如果摘要要回给同一位客户，就改用对方的方言。
-   \*\*关键引文原样保留。\*\*语气重要时（比如投诉），要求附上一句原话的简短引文。把方言改写成 MSA 可能会把语气弱化。
-   \*\*用你的方言测试。\*\*不同模型对方言的理解差别很大；参见[大模型如何应对海湾和埃及阿拉伯语](https://broadrouter.com/zh/blog/arabic-llm-gulf-egyptian-dialects/)。

公开数据替你做不了这种测试。大型阿拉伯语摘要数据集都是 MSA 新闻，我们也没找到可以推荐的公开海湾或埃及方言摘要基准。

## 怎么控制摘要长度？

用词数提要求，再用词数来测量。不要相信模型自己报的数，也不要用 token 预算当单位：每个阿拉伯语词对应多少 token 因模型而异。我们用 Qwen3.8 27B 的官方分词器测量，一段 96 个词的阿拉伯语新闻是 166 个 token，它 58 个词的摘要是 114 个 token。用 [阿拉伯语 token 计数器](https://broadrouter.com/tools/arabic-token-counter/)的分词器文件在 BroadNet 四个对话模型的分词器上统计，同一段文字从 166 到 224 个 token 不等。[阿拉伯语每个词多少 token](https://broadrouter.com/zh/blog/tokens-per-word-arabic-english/)有更大规模的测量。

大多数场景下按空格切分是正确的计数方式，因为读者看到的就是这样。阿拉伯语把 و、ب、ل 和 ال 附着在词上，所以 50 个词的阿拉伯语摘要承载的内容多于 50 个英语单词。请根据你满意的阿拉伯语示例来设定范围，而不是照搬英语的目标。

关于长度，还有两条规则：

-   \*\*`max_tokens` 不是长度控制。\*\*它会把回复从句子中间截断。要把它设得远高于摘要的长度，思考模型尤其如此：BroadNet 的文档说，DeepSeek V4.1 Flash、GLM 5.3 和 Qwen3.8 27B 会先思考再作答，思考内容计入 `max_tokens`。参见[思考模型为什么返回空回答](https://broadrouter.com/zh/guides/reasoning-tokens-empty-response/)。
-   **带上数字重试一次。**“你的摘要是 17 个词；我要求的是 40 到 60 个”，比重复一遍指令更管用。

## 怎么发现编造的细节？

生成式摘要会编造内容。Maynez 等（ACL 2020）在标注员审阅的所有模型摘要中都发现了 “substantial amounts of hallucinated content”（译文：大量幻觉内容）；那是在如今的大模型出现之前，但没有哪个模型能幸免。用代码低成本地核对含义做不到，但核对数字可以：摘要中的每个数字都应该出现在原文中。先把东阿拉伯数字（٠–٩）和波斯数字（۰–۹）映射为 0–9，否则 ١٢ 和 12 会被当成不同的数。

```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
```

我们用本地模拟服务器（没有调用真实 API）和一篇 96 个词、关于城市公交计划的合成文章测试了这段代码。模拟服务器的第一次回复只有 17 个词，而且写的是 ٣٠٠ 辆公交车，原文是 ٢٤٠。`check` 返回了两个问题：实测长度，以及“原文中不存在的数字：300”。第二次修正后的回复为 58 个词，通过检查，于是函数返回了它，`attempts: 2`。

数字检查会漏掉一些问题：名字错了、决定被说反了、不含数字的论断。它是过滤器，不是判决。对于名字，可以复用[阿拉伯语命名实体抽取](https://broadrouter.com/zh/blog/arabic-named-entity-extraction-llm/)中的片段检查：从摘要中抽取实体，确认每个实体都出现在原文中。

## 长篇阿拉伯语文档怎么摘要？

如果文本放进上下文窗口后还有余量，就整篇发送。[Qwen3.8 27B](https://broadrouter.com/zh/models/qwen3.8-27b/) 每个请求可容纳 262,144 个 token，[GLM 5.3](https://broadrouter.com/zh/models/glm-5.3/) 为 1,048,576 个，均为提示词与回答合计；[Gemma 4 VL 26B](https://broadrouter.com/zh/models/gemma-4-vl-26b/) 为 32,768 个。不过长输入有个已知弱点：对于长上下文中间部分的事实，模型利用得不那么可靠（[lost in the middle](https://broadrouter.com/zh/glossary/lost-in-the-middle/)）。对于长报告，先逐节摘要，再对摘要做摘要，并在最终提示词中保留章节标题。会议纪要一文用代码展示了[合并步骤](https://broadrouter.com/zh/blog/arabic-meeting-minutes-from-recordings/)；[长上下文与 RAG 对比](https://broadrouter.com/zh/blog/long-context-vs-rag/)讲了什么时候应该改用检索。

## 怎么评估阿拉伯语摘要？

分三层：用自动重合度分数发现退化，用语义分数作为第二意见，由人来做最终决定。

\*\*ROUGE，配合正确的分词器。\*\*Google 的 rouge-score 包（0.1.2 版，截至 2026 年 11 月 16 日仍是 PyPI 上的当前版本）会把文本转成小写，并把 a–z 和 0–9 以外的每个字符替换成空格。阿拉伯语就消失了。我们验证过：

```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
```

同样两句话，仅仅因为分词方式不同，得分就是 0、0.6 或 0.8。这才是真正的教训：阿拉伯语的形态变化（للنقل 与 النقل，بإضافة 与 تضيف）会让 ROUGE 大幅波动，所以离开分词器谈分数毫无意义。XL-Sum 的作者发布了一个带特定语言词干提取（包括阿拉伯语）的多语言 ROUGE 分支；用它，或者用你自己的分词器，并在所有要比较的运行中保持不变。

**BERTScore** 通过嵌入向量比较含义，所以能容忍改写。对于英语和中文以外的语言，它的默认模型是 bert-base-multilingual-cased。把它当作第二个信号，不要用它代替阅读。

\*\*人工，配合评分细则。\*\*请懂阿拉伯语的人就三个问题给 50 到 100 份摘要打分：有没有遗漏重要内容，有没有写了原文没说的东西，语体对不对。在样本上的评分与人工一致之后，可以用 [LLM 评审](https://broadrouter.com/zh/glossary/llm-as-judge/)对大批量摘要做初筛。[切换大模型之前如何评估](https://broadrouter.com/zh/blog/evaluate-llm-before-switching/)介绍了如何建立这样的测试集。

公开的参考数据：

| 数据集 | 内容 | 说明 |
| --- | --- | --- |
| [XL-Sum](https://huggingface.co/datasets/csebuetnlp/xlsum) 阿拉伯语 | 46,897 对 BBC 阿拉伯语文章与摘要（37,519 / 4,689 / 4,689） | CC BY-NC-SA 4.0：仅限非商业研究 |
| [EASC](https://huggingface.co/datasets/drelhaj/EASC) | 153 篇文章，每篇五份人工抽取式摘要 | 规模小；来自维基百科和两家报纸 |
| [LANS](https://arxiv.org/abs/2210.13600) | 来自 22 家阿拉伯报纸的 840 万篇带摘要文章，1999 年至 2019 年 | 摘要取自网站元数据 |

三者都是 MSA 新闻。你的客服工单和报告不是，所以拿一批你自己的文本、由人来写摘要，才是真正算数的测试。

## 该用 BroadNet 的哪个模型，费用多少？

做试点的话，[Gemma 4 VL 26B](https://broadrouter.com/zh/models/gemma-4-vl-26b/) 可以用 $5 的初始额度调用，每百万 token 输入 $0.10、输出 $0.22；它 32,768 token 的窗口能放下大多数单篇文章。[Qwen3.8 27B](https://broadrouter.com/zh/models/qwen3.8-27b/) 经 BroadNet 报告测试过阿拉伯语流畅写作以及海湾和埃及方言理解，充值后输入 $0.175、输出 $2.17。当单篇文档超出 Qwen 的窗口时，用 GLM 5.3。

算一笔账：10,000 篇文章，每篇 1,000 个 token，摘要 150 个 token：输入 1,000 万 token，输出 150 万 token，所以在 Qwen3.8 27B 上就是 10 × $0.175 加 1.5 × $2.17。还要加上按输出计费的思考 token，以及重试；两者都用样本从 usage 字段里测量。如果每篇文章的提示词都一样，就把它放在最前面，这样可以按[缓存输入](https://broadrouter.com/zh/glossary/cached-input-tokens/)价计费。

## BroadNet Inference 的定位

BroadRouter 是 BroadNet 自己的网站。BroadNet Inference 通过 OpenAI 兼容 API 提供摘要这一步，所以上面的代码可以直接用 [OpenAI Python SDK](https://broadrouter.com/zh/guides/openai-python-sdk/) 运行。它的文档说，请求结束后不保留提示词和回答。它没有发布自己的阿拉伯语摘要基准，本文也没有测量其模型的摘要质量；请在你自己的文本上运行上述检查。如果是语音输入，可以像[会议纪要一文](https://broadrouter.com/zh/blog/arabic-meeting-minutes-from-recordings/)那样，搭配 BroadNet Transcribe Arabic 使用。

相关免费工具（英文）

-   [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.

[免费工具（英文）](https://broadrouter.com/tools/)

## 本文涉及的术语

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

token（词元）是大语言模型读写文本的基本单位：由模型的分词器切分出的一个词、词的一部分、一个标点或一段字节序列。大模型 API 按 token 计数、设定限制，通常也按 token 计费。

[现代标准阿拉伯语（MSA）](https://broadrouter.com/zh/glossary/msa/)

现代标准阿拉伯语（MSA）是阿拉伯世界在书面、新闻、教育和正式讲话中使用的标准化阿拉伯语。它不是任何人日常使用的母语：人们平时说埃及阿拉伯语、海湾阿拉伯语等地区方言，在正式场合才切换到 MSA。

[命名实体识别（NER）](https://broadrouter.com/zh/glossary/named-entity-recognition/)

命名实体识别（NER）是在文本中找出名称、并为每个名称标注类型（如人物、机构或地点）的任务。传统系统给每个 token 打标签；大模型则通常被要求以 JSON 返回实体列表，再与原文核对。

[中间迷失（lost in the middle）](https://broadrouter.com/zh/glossary/lost-in-the-middle/)

中间迷失是指语言模型的一种已观察到的倾向：相关信息出现在长输入的开头或结尾时，模型利用得最好；出现在中间时，利用得最差。这一名称来自 Liu 等人 2023 年的研究。

[阿拉伯语方言（dialectal Arabic）](https://broadrouter.com/zh/glossary/dialectal-arabic/)

阿拉伯语方言是某个地区或城市日常使用的口语阿拉伯语，例如埃及、海湾、黎凡特或马格里布阿拉伯语。方言在语音、词汇和语法上都不同于现代标准阿拉伯语，没有标准拼写，而且越来越多地出现在网络文字中，这让语言模型更难处理。

[工具调用（tool calling / function calling）](https://broadrouter.com/zh/glossary/tool-calling/)

工具调用（也叫函数调用，function calling）是大模型 API 的一项功能：模型返回一个结构化请求，要求执行开发者定义的某个函数，并附上 JSON 参数。应用执行该函数并把结果发回；模型自己从不执行代码。

[思考 token（reasoning tokens）](https://broadrouter.com/zh/glossary/reasoning-tokens/)

思考 token（reasoning tokens）是推理模型在写出可见回答之前、为解决问题而生成的 token。它们通常按输出 token 计费，计入输出上限和上下文窗口，API 可能将其隐藏或只返回摘要。

[Arabizi（拉丁字母阿拉伯语）](https://broadrouter.com/zh/glossary/arabizi/)

Arabizi 是用拉丁字母非正式书写的阿拉伯语，没有拉丁对应的阿拉伯语音用数字表示，例如用 3 代表 ع。它在聊天和社交媒体中很常见，以方言为主，没有标准拼写，还经常夹杂英语或法语。

## 常见问题

### 大模型能把阿拉伯语文本摘要好吗？

能，但流畅不等于准确。在代码里检查长度和数字，并在正式依赖之前，请懂阿拉伯语的人抽样打分，看有没有遗漏要点或编造细节。

### 方言文本的摘要应该用方言还是现代标准阿拉伯语？

通常用现代标准阿拉伯语，因为它读起来中立，跨地区也便于检索。措辞很重要时（比如投诉），保留原方言的简短引文。在提示词里说明你要哪一种，否则模型会在两者之间来回摇摆。

### 为什么 ROUGE 给我的阿拉伯语摘要打 0 分？

广泛使用的 rouge-score Python 包默认把 a-z 和 0-9 以外的字符替换成空格，所以阿拉伯语文本切不出任何 token。传入你自己的分词器，或者使用 XL-Sum 作者发布的多语言 ROUGE 分支。

### 怎么控制阿拉伯语摘要的长度？

要求词数范围，而不是 token 数，并按空格切分来测量回复。没达标就带上实测长度重发一次。注意阿拉伯语单词常带有附着前缀，所以 50 个词的阿拉伯语摘要承载的内容多于 50 个英语单词。

### 可以用哪个数据集测试阿拉伯语摘要？

XL-Sum 有 46,897 对 BBC 阿拉伯语文章与摘要（非商业许可）。EASC 有 153 篇文章，每篇配五份人工抽取式摘要。两者都是 MSA 新闻，所以要补充一些你自己的文本，尤其是方言文本。

## 继续阅读

-   [用 API 把阿拉伯语会议录音生成会议纪要](https://broadrouter.com/zh/blog/arabic-meeting-minutes-from-recordings/)
-   [阿拉伯语提示词工程：语体、RTL、数字与中英混排](https://broadrouter.com/zh/blog/arabic-prompt-engineering/)
-   [海湾、埃及和黎凡特阿拉伯语：大模型如何处理方言](https://broadrouter.com/zh/blog/arabic-llm-gulf-egyptian-dialects/)
-   [如何选择阿拉伯语大模型 API：该测试什么](https://broadrouter.com/zh/blog/choosing-an-llm-for-arabic/)
-   [阿拉伯语与英语每词 token 数：为什么阿拉伯语更贵](https://broadrouter.com/zh/blog/tokens-per-word-arabic-english/)
-   [长上下文还是 RAG：百万 token 什么时候能取代向量数据库](https://broadrouter.com/zh/blog/long-context-vs-rag/)
-   [用大模型给阿拉伯语加注音符号：提示词、校验与 DER](https://broadrouter.com/zh/blog/arabic-diacritization-llm/)
-   [用大模型做阿拉伯语语法和拼写纠错：实操指南](https://broadrouter.com/zh/blog/arabic-grammar-spelling-correction-llm/)
-   [指南：用 OpenAI Python SDK 调用 BroadNet Inference](https://broadrouter.com/zh/guides/openai-python-sdk/)
-   [指南：推理模型为什么返回空回答](https://broadrouter.com/zh/guides/reasoning-tokens-empty-response/)

用你的真实业务负载试一试。新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

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

**来源**

-   [Hasan 等，XL-Sum: Large-Scale Multilingual Abstractive Summarization for 44 Languages，Findings of ACL 2021（2026-11-15 查阅）](https://aclanthology.org/2021.findings-acl.413/)
-   [Hugging Face 上的 XL-Sum 数据集卡片：阿拉伯语划分 37,519 / 4,689 / 4,689，CC BY-NC-SA 4.0（2026-11-15 查阅）](https://huggingface.co/datasets/csebuetnlp/xlsum)
-   [XL-Sum 代码库：带特定语言词干提取的多语言 ROUGE 评分（2026-11-15 查阅）](https://github.com/csebuetnlp/xl-sum)
-   [Google Research rouge-score 分词器源码：转小写并替换非字母数字字符（2026-11-15 查阅）](https://github.com/google-research/google-research/blob/master/rouge/tokenize.py)
-   [El-Haj、Kruschwitz 和 Fox，Essex Arabic Summaries Corpus（EASC），Hugging Face 镜像（2026-11-15 查阅）](https://huggingface.co/datasets/drelhaj/EASC)
-   [Alhamadani 等，LANS: Large-scale Arabic News Summarization Corpus，arXiv 2210.13600（2026-11-15 查阅）](https://arxiv.org/abs/2210.13600)
-   [Maynez 等，On Faithfulness and Factuality in Abstractive Summarization，ACL 2020（2026-11-15 查阅）](https://aclanthology.org/2020.acl-main.173/)
-   [BERTScore 代码库：英语和中文以外语言的默认多语言模型（2026-11-15 查阅）](https://github.com/Tiiiger/bert_score)
-   [BroadNet Inference API 参考与价格：模型、上下文长度、思考与 max\_tokens（2026-11-15 查阅）（英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-arabic-text-summarization-llm&utm_content=sources)
