للترجمة بين العربية والإنجليزية بنموذج LLM، أخبر النموذج بالاتجاه والجمهور والأسلوب، وأعطه مسردًا بالمصطلحات الثابتة، وأبقِ الأرقام والأسماء دون تغيير، وأرسل أجزاء بحجم الفقرة. ثم تحقق من الأرقام والنفي بالشيفرة، وقيّم بمقياس chrF وCOMET ومراجع من الناطقين الأصليين.
وهذا التحكم مهم في العربية، حيث قد تكون الترجمة الحرفية صحيحة ومع ذلك تبدو غريبة على القارئ.
لماذا الترجمة بين العربية والإنجليزية صعبة على نماذج LLM؟
- الأسلوب. تختلف العربية الرسمية (العربية الفصحى الحديثة) عن الكلام اليومي اختلافًا كبيرًا. وقد يصبح سطر تسويقي عفوي بالإنجليزية جامدًا أو مضحكًا بالفصحى الحرفية.
- ترتيب الكلمات والطول. كثيرًا ما تبدأ الجملة العربية بالفعل، وكثيرًا ما يختلف طول النص العربي عن الإنجليزي. فنصوص الواجهة التي تتسع بالإنجليزية قد تلتف أو تفيض.
- الجنس والعدد. تميّز العربية الجنس في الأفعال والصفات والضمائر، ولها مثنى. فكلمة “you” الإنجليزية يجب أن تصبح أنتَ أو أنتِ أو أنتما أو أنتم أو أنتنّ. فإن لم تعرف القارئ، فأخبر النموذج بالصيغة الافتراضية.
- الأسماء والنقل الحرفي. لاسم «محمد» تهجئات إنجليزية كثيرة (Mohammed وMuhammad وMohamed). اختر واحدة لكل شخص والتزم بها.
- الأرقام والتواريخ. الأرقام العربية المشرقية، والتواريخ الهجرية، والتنسيق من اليمين إلى اليسار كلها تحتاج إلى قواعد صريحة.
أي أمر يعطي ترجمات عربية جيدة؟
تعتمد جودة الترجمة على التعليمات أكثر بكثير من الصياغة الذكية. أخبر النموذج بالاتجاه والجمهور والأسلوب والمسرد وصيغة المخرجات:
import os
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
GLOSSARY = """Invoice = فاتورة
VAT = ضريبة القيمة المضافة
Refund = استرداد المبلغ
Terms and Conditions = الشروط والأحكام
BroadPay = BroadPay (do not translate)"""
SYSTEM = f"""You translate customer-support articles from English to Arabic.
Audience: retail customers in Saudi Arabia and the UAE.
Register: clear, polite Modern Standard Arabic; short sentences; address the reader
in the masculine singular as a neutral default.
Rules:
- Use the glossary exactly. Never translate product names marked "do not translate".
- Keep every number, date, URL, email address and code snippet unchanged.
- Keep Markdown structure (headings, lists, links) unchanged.
- Output only the translation.
Glossary:
{GLOSSARY}"""
def translate(text: str) -> str:
r = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
max_tokens=4000, # the model reasons before answering
messages=[{"role": "system", "content": SYSTEM},
{"role": "user", "content": text}],
)
return r.choices[0].message.content
وللترجمة من العربية إلى الإنجليزية، اعكس الاتجاه وأضف ما يحتاجه القارئ الإنجليزي: «إنجليزية أمريكية، أسلوب بسيط، أبقِ الأسماء العربية بالتهجئة الواردة في المسرد». وإن كان المصدر قد يكون بلهجة، فقل ذلك: «قد يكون المصدر بالعربية الخليجية أو المصرية؛ ترجم المعنى لا الكلمات».
لماذا يهم المسرد إلى هذا الحد؟
من دون مسرد، قد يترجم النموذج “refund” إلى استرجاع في فقرة وإلى استرداد في التالية. كلتاهما عربية سليمة، لكنهما معًا توحيان بالإهمال وتُفسدان البحث. والمسرد يصلح ذلك:
- ابدأ من ترجماتك الموجودة. استخرج المصطلحات من مركز المساعدة والعقود ونصوص الواجهة التي لديك أصلًا باللغتين.
- أبقِه قصيرًا. من خمسين إلى مئتي مصطلح تغطي معظم المنتجات. ولا تضع إلا المصطلحات التي يجب ألا تتغير.
- ضمّن ما لا يُترجم. أسماء العلامات التجارية، وأسماء المنتجات، وأسماء الخطط، ومعرّفات الشيفرة.
- ضعه في أمر النظام، قبل النص. فهذا يبقيه أيضًا في البادئة القابلة للتخزين المؤقت، ما يخفّض تكلفة الإدخال في الاستدعاءات المتكررة؛ انظر رموز الإدخال المخزّنة مؤقتًا.
- تحقق منه بالشيفرة. بعد الترجمة، تأكد أن كل مصطلح من المسرد ظهر في المصدر قد ظهر بصيغته الثابتة في الهدف.
كيف تقسّم المستندات الطويلة؟
ترجم على أجزاء بحجم الفقرة أو القسم، لا جملة جملة. فاستدعاءات الجمل المفردة تُفقد السياق (من هو «هو»، وأي منتج يقصده الضمير). واستدعاءات المستند الكامل تعمل مع النماذج ذات السياق الطويل، لكن الخطأ الواحد يصبح أصعب في العثور عليه وإعادة محاولته. والقسم من بضع مئات من الكلمات توازن جيد. ومرّر ترجمة القسم السابق سياقًا إن كان الاتساق مهمًا.
لنموذج Qwen3.8 27B سياق من 262,144 رمزًا (توكن)؛ ويستوعب DeepSeek V4.1 Flash وGLM 5.3 ما يصل إلى 1,048,576 رمزًا، وهذا يكفي لإرفاق مستند مرجعي طويل مع النص الذي تترجمه.
كيف تلتقط الأخطاء الخطيرة؟
المخرجات السلسة تُخفي الأخطاء. تحقق من هذه آليًا:
- الأرقام: استخرج كل رقم من المصدر والهدف (بعد تحويل الأرقام العربية المشرقية) وقارن المجموعتين.
- النفي: سقوط أداة نفي (لا، لم، لن، ليس، ما) يقلب المعنى. علّم الجمل التي فيها نفي في المصدر وليس في الهدف.
- الأسماء ومصطلحات المسرد: تأكد أنها بقيت دون تغيير.
- نسبة الطول: الهدف الأقصر بكثير من المتوقع يعني عادةً أن شيئًا ما سقط.
import re
EASTERN = str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")
def numbers(s: str) -> list[str]:
return sorted(re.findall(r"\d+(?:[.,]\d+)?", s.translate(EASTERN)))
def check(src: str, tgt: str) -> list[str]:
issues = []
if numbers(src) != numbers(tgt):
issues.append(f"numbers differ: {numbers(src)} vs {numbers(tgt)}")
return issues
قد تختلف الفاصلة العشرية بين المحليات (يستخدم النص العربي أحيانًا ٫)، فوحّدها أيضًا إن كانت مستنداتك تستخدمها.
كيف تقيّم جودة الترجمة؟
تخبرك المقاييس الآلية هل جعل تغيير الأمر أو النموذج النتائج أفضل أم أسوأ في المتوسط:
| المقياس | ما يقيسه | ملاحظات للعربية |
|---|---|---|
| BLEU | تطابق مقاطع الكلمات (n-grams) مع ترجمة مرجعية | قاسٍ على العربية، حيث تغيّر اللواحق والسوابق وصيغ الكتابة شكل الكلمات |
| chrF | تطابق مقاطع الحروف | أكثر تسامحًا مع الصرف العربي؛ خيار افتراضي أفضل |
| COMET | حكم نموذج عصبي على الجودة | يرتبط بتقييمات البشر ارتباطًا أفضل؛ يحتاج إلى GPU أو خدمة قياس مستضافة |
ومن المعايير العامة، تضم FLORES-200، التي استخدمها مشروع No Language Left Behind، العربية الفصحى الحديثة والعربية المصرية والنجدية والشامية الشمالية والجنوبية والعراقية والمغربية والتونسية والتعزية العدنية إلى جانب الإنجليزية، بحسب قائمة لغاتها. لكن محتواك أنت هو الاختبار الحقيقي:
- خذ من 100 إلى 200 مقطع تمثيلي لها ترجمات احترافية موجودة.
- ترجمها بكل نموذج وكل نسخة من الأمر.
- احسب chrF (وCOMET إن استطعت)، بعد توحيد الإملاء العربي بالطريقة نفسها لكل الأنظمة.
- اطلب من ناطق أصلي تقييم 30 مقطعًا لكل نظام من حيث الدقة والطبيعية، من دون أن يعرف أي نظام أنتجها.
- تابع فحوص الأخطاء الخطيرة أعلاه بعدّاد منفصل.
أي نموذج تستخدم، وكم سيكلّف؟
تذكر BroadNet أن Qwen3.8 27B ترجم بدقة بين العربية والإنجليزية، وكتب عربية سلسة، وفهم اللهجتين الخليجية والمصرية في اختباراتها. وهذا يجعله المرشّح الأول الطبيعي على BroadNet Inference. ويستحق DeepSeek V4.1 Flash الاختبار أيضًا: فرموز إخراجه أرخص، وهو النموذج المتاح في الخطط الثابتة غير المحدودة. وتضع مقارنة DeepSeek V4.1 Flash وQwen3.8 27B النموذجين جنبًا إلى جنب.
لكل مليون رمز:
| النموذج | الإدخال | الإخراج |
|---|---|---|
| Qwen3.8 27B | $0.175 | $2.17 |
| DeepSeek V4.1 Flash | $0.175 | $0.52 |
| GLM 5.3 | $0.78 | $3.46 |
مخرجات الترجمة بطول المدخلات تقريبًا، والنماذج الثلاثة كلها تستدل قبل الإجابة، لذا تغلب رموز الإخراج عادةً على الفاتورة. وتميل العربية أيضًا إلى رموز لكل كلمة أكثر من الإنجليزية؛ انظر عدد الرموز لكل كلمة في العربية والإنجليزية. الصق عينة في عدّاد الرموز العربية المجاني، وتأكد بقيمة usage من طلب حقيقي، ثم قدّر الإنفاق الشهري بـحاسبة تكلفة LLM API. ولمشروع تعريب كبير لمرة واحدة على DeepSeek V4.1 Flash، تُلغي الخطة الأسبوعية بسعر $15 عدّاد الرموز كليًا.
هل يمكنك إرسال العقود والتذاكر إلى الواجهة؟
كثيرًا ما تحوي العقود والخطابات الطبية وتذاكر الدعم بيانات شخصية. ولا تحتفظ BroadNet Inference بالأوامر أو المخرجات بعد الطلب؛ انظر عدم الاحتفاظ بالبيانات. وتأكد أن ذاكرة الترجمة والسجلات لديك تتبع القواعد نفسها.
