---
title: "تحليل المشاعر وتصنيف التذاكر العربية بنموذج LLM | BroadRouter"
description: "صنّف المراجعات والرسائل وتذاكر الدعم العربية عبر API لنموذج LLM: تصميم الفئات، وأمر يراعي اللهجات، ومخرجات JSON، واختبار macro F1، والتكلفة عند الحجم الكبير."
url: https://broadrouter.com/ar/blog/arabic-text-classification-llm/
lang: ar
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

تُرجمت هذه الصفحة من الإنجليزية بمساعدة الذكاء الاصطناعي. [اقرأ الأصل الإنجليزي](https://broadrouter.com/blog/arabic-text-classification-llm/) (حُدّث في 2026-11-16).

# تصنيف النصوص العربية بنموذج LLM: المشاعر والنية وفرز التذاكر

بقلم فريق BroadNet Inference · قراءة في 7 دقائق · تاريخ النشر 2026-11-15 · آخر تحديث 2026-11-16

لتصنيف النص العربي بنموذج LLM، حدّد قائمة فئات قصيرة بتعريف من سطر واحد لكل فئة، وأعطِ أمثلة موسومة قليلة بكل لهجة تصلك، واطلب JSON بفئة واحدة واقتباس قصير دليلًا، واضبط الاستدلال المنطقي على low. ثم قيّم النموذج على 200 رسالة موسومة يدويًا بمقياس macro F1 قبل أن تثق به. وقد تتفوق النماذج العربية المضبوطة ضبطًا دقيقًا على LLM عام.

## أبرز النقاط

-   اكتب الفئات وتعريفاتها أولًا. معظم أخطاء التصنيف تأتي من فئات غامضة، لا من النموذج.
-   ضمّن أمثلة بكل لهجة تصلك. وجدت دراسة عام 2025 أن الأوامر المراعية للهجات حسّنت دقة تحليل المشاعر العربية.
-   اطلب JSON بفئة واحدة واقتباس من النص، وأبقِ المخرجات قصيرة: رموز الإخراج أغلى من رموز الإدخال.
-   قيّم على مجموعتك الموسومة بمقياس macro F1 ومصفوفة الالتباس. فالرسائل المحايدة والمختلطة هي حيث تختلف النماذج مع البشر.
-   ضع رسائل قصيرة كثيرة في طلب واحد لتبقى ضمن حدود المعدل: مفتاح الدفع حسب الاستخدام في BroadNet يسمح بـ30 طلبًا في الدقيقة.

**في هذه الصفحة**

1.  أي مهام التصنيف تناسب نموذج LLM؟
2.  ماذا تقول الأبحاث عن نماذج LLM مع العربية؟
3.  كيف تصمّم الفئات؟
4.  أي أمر ينجح في تصنيف العربية؟
5.  أي نموذج من BroadNet تستخدم؟
6.  كيف تختبر المصنِّف؟
7.  كيف تصنّف بأحجام كبيرة؟
8.  ما الأخطاء التي يجب تجنبها؟
9.  متى يكون نموذج LLM المصنِّفَ الخطأ؟
10.  أين يناسب BroadNet Inference

مهام التصنيف العربية في كل مكان: هل هذه المراجعة إيجابية؟ هل رسالة واتساب هذه شكوى؟ أي فريق يجب أن يستلم هذه التذكرة؟ هل هي عاجلة؟ قبل نماذج LLM، كانت كل مهمة تحتاج إلى مجموعة بيانات موسومة ونموذج مضبوط ضبطًا دقيقًا. أما الآن فيمكنك البدء بأمر. هذا أسرع، لكن من السهل أن تطلق مصنِّفًا يبدو جيدًا على عشرة أمثلة ثم يخفق مع اللهجة الخليجية. يغطي هذا المقال الأمر، وصيغة المخرجات، والاختبار، والتكلفة.

## أي مهام التصنيف تناسب نموذج LLM؟

| المهمة | أمثلة على الفئات | ملاحظات |
| --- | --- | --- |
| المشاعر | positive، negative، neutral، mixed | الفئتان المحايدة والمختلطة هما حيث يختلف البشر والنماذج أكثر |
| النية | complaint، question، order، cancel، other | أبقِ فئة «other»؛ فإجبار النموذج على فئة يولّد أخطاء |
| توجيه التذاكر | billing، delivery، technical، account | ابنِ الفئات على فرقك الحقيقية |
| الاستعجال | urgent، normal | عرّف العاجل في سطر واحد: «العميل لا يستطيع استخدام الخدمة الآن» |
| اللهجة أو طريقة الكتابة | MSA، Gulf، Egyptian، Levantine، Arabizi | مفيد لتوجيه الرسالة إلى قالب الرد المناسب؛ انظر [العربيزي](https://broadrouter.com/ar/blog/arabizi-llm-handling/) |
| وسوم الموضوع | عدة فئات من قائمة ثابتة | اطلب قائمة، وضع حدًا لطولها |

يناسبك نموذج LLM حين تكون أمثلتك الموسومة قليلة، أو تتغير الفئات كثيرًا، أو تريد سببًا مع كل فئة. ويناسبك مصنِّف مضبوط ضبطًا دقيقًا حين تكون الفئات مستقرة، والحجم ضخمًا، ولديك أصلًا آلاف الأمثلة الموسومة.

## ماذا تقول الأبحاث عن نماذج LLM مع العربية؟

نتيجتان تستحقان المعرفة قبل أن تبدأ:

-   **قد تتفوق النماذج العربية المضبوطة ضبطًا دقيقًا.** اختبرت GPTAraEval نموذج ChatGPT على 44 مهمة عربية، ووجدت أنه “consistently surpassed by smaller models that have undergone finetuning on Arabic” (الترجمة: «تتفوق عليه باستمرار نماذج أصغر خضعت لضبط دقيق على العربية»). ووجد المؤلفون أيضًا نتائج أضعف على اللهجات منها على العربية الفصحى الحديثة ([Khondaker وآخرون](https://arxiv.org/abs/2305.14976)).
-   **الأوامر المراعية للهجات تساعد.** تذكر دراسة RANLP 2025 التي اختبرت DeepSeek-R1 وQwen2.5 وLLaMA-3 على تحليل المشاعر بالفصحى واللهجة السعودية والدارجة المغربية أن الأوامر المراعية للهجات حسّنت الدقة، خاصة في الفئتين المحايدة والسلبية ([Alharbi وآخرون](https://aclanthology.org/2025.ranlp-1.8/)).

هذه نماذج أقدم أو مختلفة عن التي ستستخدمها، فتعامل مع النتائج كاتجاهات لا كأرقام. لكن الدرس ثابت: قِس على رسائلك أنت، لكل لهجة.

## كيف تصمّم الفئات؟

ابدأ من هنا، لا من النموذج.

1.  **أبقِ القائمة قصيرة.** من أربع إلى ثماني فئات لكل سؤال. واطرح الأسئلة المنفصلة (المشاعر، والنية، والاستعجال) كحقول منفصلة، لا كقائمة واحدة ضخمة.
2.  **عرّف كل فئة في سطر واحد،** مع ما لا تعنيه: «complaint: يبلّغ العميل عن مشكلة في شيء اشتراه. وليس سؤالًا عن السعر».
3.  **أضف فئة مخرج** مثل `other` أو `unclear`.
4.  **احسم الحالات المختلطة مسبقًا.** «تأخر التوصيل لكن السائق كان لطيفًا» حالة مختلطة، لا محايدة. دوّن هذه القاعدة.

يمكن كتابة تعريفات الفئات بالإنجليزية حتى لو كان النص عربيًا. وأبقِ قيم الفئات بالإنجليزية حتى لا يعتمد كودك على مطابقة نصوص عربية.

## أي أمر ينجح في تصنيف العربية؟

```python
import json, os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
LABELS = ["complaint", "question", "order", "cancel", "other"]

SYSTEM = """You classify customer messages written in Arabic.
Messages may be Modern Standard Arabic, Gulf or Egyptian dialect, Arabizi, or mixed with English.
Labels:
- complaint: reports a problem with a product, delivery or service.
- question: asks for information; no problem reported.
- order: wants to buy or change an order.
- cancel: wants to cancel an order or subscription.
- other: none of the above.
Return JSON only: {"label": one of the labels, "evidence": the shortest Arabic phrase from the message that decided it}.

Examples:
"الطلب وصل ناقص قطعتين" -> {"label": "complaint", "evidence": "وصل ناقص"}
"بكم التوصيل للرياض؟" -> {"label": "question", "evidence": "بكم التوصيل"}
"عايز ألغي الاشتراك" -> {"label": "cancel", "evidence": "ألغي الاشتراك"}"""

def classify(text):
    r = client.chat.completions.create(
        model="broadnet/qwen3.8-27b",
        temperature=0,
        reasoning_effort="low",
        max_tokens=1000,
        messages=[{"role": "system", "content": SYSTEM},
                  {"role": "user", "content": text}])
    out = json.loads(r.choices[0].message.content)
    if out.get("label") not in LABELS:
        raise ValueError(f"bad label: {out}")
    return out
```

لماذا وُضع كل جزء:

-   **سطر اللهجات** يخبر النموذج بما يتوقعه، وهذه هي الأوامر المراعية للهجات التي وجدتها دراسة RANLP مفيدة.
-   **أمثلة بأكثر من لهجة.** تمزج الأمثلة أعلاه بين اللهجتين الخليجية والمصرية. استخدم رسائل حقيقية (مجهولة الهوية) من حركتك أنت.
-   **الدليل كاقتباس** يتيح للمراجع التحقق من الفئة في ثانية، ويسهّل كشف التخمينات.
-   **`reasoning_effort="low"`.** يفكّر Qwen3.8 27B وGLM 5.3 وDeepSeek V4.1 Flash قبل الإجابة، ويُحتسب الاستدلال المنطقي ضمن `max_tokens`. ويقترح توثيق BroadNet ضبط `reasoning_effort` على `low` أو ترك 1,000 رمز أو أكثر. [لماذا تعود الإجابات فارغة إن لم تفعل](https://broadrouter.com/ar/guides/reasoning-tokens-empty-response/).
-   **ارفض الفئات غير المعروفة في الكود.** لا تثق أبدًا بأن النموذج سيلتزم بالقائمة.

ولعقد مخرجات أكثر صرامة، انظر [JSON mode مقابل json\_schema](https://broadrouter.com/ar/blog/structured-output-json-schema/). تُدرج BroadNet المخرجات المنظَّمة لنموذجي GLM 5.3 وQwen3.8 27B.

## أي نموذج من BroadNet تستخدم؟

| النموذج | لماذا تختاره | الإدخال / الإخراج لكل مليون رمز |
| --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/ar/models/qwen3.8-27b/) | اختبرته BroadNet بالعربية: يفهم اللهجتين الخليجية والمصرية؛ المخرجات المنظَّمة مدرجة | $0.175 / $2.17 |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/ar/models/gemma-4-vl-26b/) | أدنى سعر لكل رمز على BroadNet؛ يعمل بالرصيد المبدئي البالغ $5؛ المخرجات المنظَّمة غير مدرجة، فتحقق من المخرجات بصرامة | $0.10 / $0.22 |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ar/models/deepseek-v4.1-flash/) | متاح أيضًا بخطة ثابتة بسعر $60 شهريًا لكل جلسة، بطلب واحد في كل مرة | $0.175 / $0.52 |
| [GLM 5.3](https://broadrouter.com/ar/models/glm-5.3/) | المخرجات المنظَّمة مدرجة؛ الأعلى سعرًا بين الأربعة | $0.78 / $3.46 |

شغّل مجموعة اختبارك على Qwen3.8 27B وGemma 4 VL 26B أولًا. فإن كانت نتائج Gemma قريبة بما يكفي، فهو الخيار الأرخص للفئات القصيرة. اختر بناءً على أرقامك، لا على هذا الجدول.

## كيف تختبر المصنِّف؟

1.  **سِم 200 رسالة حقيقية يدويًا،** بمساعدة متحدث أصلي، وفق تعريفات الفئات أعلاه. وضمّن كل لهجة تصلك، 30 رسالة على الأقل من كل منها.
2.  **شغّل النموذج على الرسائل الـ200 كلها.**
3.  **احسب macro F1،** أي متوسط درجات F1 لكل فئة، حتى تُحتسب الفئات النادرة بقدر الشائعة. فالدقة وحدها تخفي نموذجًا لا يقول `cancel` أبدًا.
4.  **اقرأ مصفوفة الالتباس.** إن تبادلت `question` و`complaint` كثيرًا، فالتعريفات متداخلة: أصلح التعريفات قبل أن تغيّر النموذج.
5.  **قسّم النتائج حسب اللهجة.** قد يكون النموذج قويًا في الفصحى وضعيفًا في الخليجية.

```python
# pip install scikit-learn
from sklearn.metrics import classification_report, confusion_matrix
pred = [classify(t)["label"] for t in texts]
print(classification_report(gold, pred, labels=LABELS, digits=3))
print(confusion_matrix(gold, pred, labels=LABELS))
```

أعد تشغيل المجموعة نفسها في كل مرة تغيّر فيها الأمر أو النموذج. ويشرح مقال [كيف تقيّم نموذج LLM قبل التبديل](https://broadrouter.com/ar/blog/evaluate-llm-before-switching/) كيف تحافظ على مجموعة اختبار ثابتة.

## كيف تصنّف بأحجام كبيرة؟

التصنيف ثقيل في الإدخال: أمر نظام طويل، ورسالة قصيرة، وإجابة من كلمة واحدة. ثلاث روافع تهم هنا.

**اجمع الرسائل في كل طلب.** يسمح مفتاح الدفع حسب الاستخدام في BroadNet بـ30 طلبًا في الدقيقة و4 طلبات قيد التنفيذ. ورسالة واحدة في كل طلب تحدّك بـ30 رسالة في الدقيقة لكل مفتاح، أي 1,440 ضعف ذلك يوميًا. أرسل 20 رسالة قصيرة كقائمة مرقّمة واطلب مصفوفة JSON من 20 نتيجة: عندها يغطي حد المعدل نفسه رسائل أكثر بعشرين مرة. تحقق من تطابق طول المصفوفة ومن أن كل عنصر يحمل رقمه.

**أبقِ بادئة الأمر متطابقة.** أمر النظام والأمثلة هي نفسها في كل استدعاء. ضعها أولًا والرسالة أخيرًا، لتُقرأ من الذاكرة المؤقتة بسعر الإدخال المخزّن مؤقتًا، مثل $0.0435 بدل $0.175 لكل مليون على Qwen3.8 27B. [كيف تبني الأوامر لتُخزَّن البادئة مؤقتًا](https://broadrouter.com/ar/blog/prompt-structure-for-caching/).

**أبقِ المخرجات قصيرة.** رموز الإخراج أغلى من رموز الإدخال. تكفي فئة واقتباس قصير؛ واحذف حقل الدليل حين تثق بالنموذج.

تستهلك العربية عادة رموزًا لكل كلمة أكثر من الإنجليزية، فاحسب عينة من رسائلك في [عدّاد الرموز العربية](https://broadrouter.com/tools/arabic-token-counter/)، ثم قدّر تكلفة الشهر في [حاسبة تكلفة API نماذج LLM](https://broadrouter.com/tools/llm-api-cost-calculator/).

## ما الأخطاء التي يجب تجنبها؟

-   **الاختبار على ترجمات إنجليزية.** النص المترجم ليس الطريقة التي يكتب بها عملاؤك.
-   **نتيجة واحدة لكل اللهجات.** أبلغ عن كل لهجة على حدة.
-   **لا فئة مخرج.** إجبار كل رسالة على فئة حقيقية يضخّم الأخطاء.
-   **إجابات نصية حرة.** «يبدو أنها سلبية» لا يمكن تحليلها برمجيًا. اطلب JSON وتحقق منه.
-   **تجاهل السخرية.** «ما شاء الله، ثالث مرة يتأخر الطلب» تبدو إيجابية كلمةً كلمة وهي شكوى. ضع مثالًا مشابهًا في الأمر.

## متى يكون نموذج LLM المصنِّفَ الخطأ؟

حين تكون الفئات مستقرة، ولديك أصلًا آلاف الأمثلة الموسومة، والحجم بالملايين، يكون نموذج ترميز عربي مضبوط ضبطًا دقيقًا عادة أرخص لكل رسالة، وقد يكون أدق وفق GPTAraEval. وللمهام الكبيرة غير المتصلة التي تحتمل الانتظار، قد يكلّف مزود لديه Batch API أقل أيضًا: تعلن OpenAI عن خصم 50% للمهام الدفعية المنجزة خلال 24 ساعة. ليس لدى BroadNet واجهة Batch API. ومن الأنماط الشائعة استخدام LLM لوسم أول بضعة آلاف من الرسائل، ومراجعتها يدويًا، ثم تدريب نموذج صغير على النتيجة.

## أين يناسب BroadNet Inference

تمنحك BroadNet نموذجًا مختبَرًا بالعربية (Qwen3.8 27B)، ونموذجًا رخيصًا يعمل بالرصيد المبدئي (Gemma 4 VL 26B)، وخيارًا بسعر ثابت (DeepSeek V4.1 Flash) خلف مفتاح واحد متوافق مع OpenAI، دون الاحتفاظ بمحتوى الرسائل بعد الطلب. يناسب ذلك فرق الدعم التي تريد تصنيف الرسائل العربية دون بناء خط تدريب. ولا يناسب المهام الضخمة غير المتصلة التي يكلّف فيها خصم الدفعات أو نموذج مضبوط ضبطًا دقيقًا أقل. ابدأ بالأمر أعلاه، واختبار الرسائل الـ200، ومقال [اللهجات الخليجية والمصرية والشامية](https://broadrouter.com/ar/blog/arabic-llm-gulf-egyptian-dialects/) لبناء مجموعة الاختبار.

أدوات مجانية لهذا الموضوع (بالإنجليزية)

-   [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.

[أدوات مجانية (بالإنجليزية)](https://broadrouter.com/tools/)

## مصطلحات في هذا المقال

[الرمز (التوكن، Token)](https://broadrouter.com/ar/glossary/token/)

الرمز (التوكن) هو وحدة النص التي يقرؤها نموذج اللغة ويكتبها: كلمة، أو جزء من كلمة، أو علامة ترقيم، أو تسلسل بايتات ينتجه مجزّئ النموذج (tokenizer). وتَعُدّ واجهات LLM API الاستهلاك بالرموز، وتضع حدودها بها، وتحتسب تكلفتها بها عادةً.

[الدفع حسب الاستخدام (Pay-as-you-go)](https://broadrouter.com/ar/glossary/pay-as-you-go/)

الدفع حسب الاستخدام هو نموذج تسعير تدفع فيه مقابل ما تستخدمه فقط، مقيسًا بوحدات مثل الرموز (التوكنات) أو الطلبات أو دقائق الصوت، دون اشتراك أو حد أدنى للالتزام. وتحتسب معظم واجهات LLM API تكلفتها بهذه الطريقة، من رصيد مدفوع مسبقًا أو بفاتورة دورية.

[العربية الفصحى الحديثة (Modern Standard Arabic، MSA)](https://broadrouter.com/ar/glossary/msa/)

العربية الفصحى الحديثة (MSA) هي الصيغة المعيارية من العربية المستخدمة في الكتابة والأخبار والتعليم والخطاب الرسمي في أنحاء العالم العربي. وليست لغة الحياة اليومية الأم لأحد: يتحدث الناس لهجات إقليمية، كالمصرية أو الخليجية، وينتقلون إلى الفصحى في المواقف الرسمية.

[حد المعدل (Rate limit)](https://broadrouter.com/ar/glossary/rate-limit/)

حد المعدل هو سقف تفرضه واجهة API على مقدار استخدام العميل لها خلال فترة زمنية، مثل عدد الطلبات في الدقيقة أو الرموز في الدقيقة. وتُرفض الطلبات التي تتجاوزه، غالبًا بالخطأ HTTP 429 Too Many Requests، إلى أن يعود الاستخدام تحت الحد.

[استدعاء الأدوات (Tool calling)](https://broadrouter.com/ar/glossary/tool-calling/)

استدعاء الأدوات، ويُسمّى أيضًا استدعاء الدوال (function calling)، ميزة في واجهات LLM API يُرجع فيها النموذج طلبًا منظَّمًا لتشغيل دالة عرّفها المطوّر، مع معاملات بصيغة JSON. ويشغّل التطبيق الدالة ويعيد النتيجة؛ فالنموذج لا يشغّل الشيفرة بنفسه أبدًا.

[التزامن (Concurrency)](https://broadrouter.com/ar/glossary/concurrency/)

التزامن (concurrency) هو عدد الطلبات التي تكون لدى العميل قيد التنفيذ في الوقت نفسه. وكثيرًا ما تضع واجهات LLM API سقفًا له لكل مفتاح أو خطة، بمعزل عن عدد الطلبات في الدقيقة، لأن كل طلب مفتوح يشغل قدرة من وحدة GPU حتى تكتمل استجابته.

[العربيزي (الفرانكو آراب، Arabizi)](https://broadrouter.com/ar/glossary/arabizi/)

العربيزي هي العربية المكتوبة بشكل غير رسمي بحروف لاتينية، مع أرقام للأصوات العربية التي لا مقابل لها في اللاتينية، مثل 3 بدل ع. وهي شائعة في المحادثات ووسائل التواصل، وغالبًا ما تكون باللهجات، ولا إملاء معياريًا لها، وكثيرًا ما تُمزج بالإنجليزية أو الفرنسية.

[رموز الإدخال والإخراج (Input and output tokens)](https://broadrouter.com/ar/glossary/input-and-output-tokens/)

رموز الإدخال هي الرموز (التوكنات) التي يقرؤها نموذج اللغة في الطلب، ومنها أمر النظام وسجل المحادثة وتعريفات الأدوات والصور. ورموز الإخراج هي الرموز التي يولّدها في الرد، بما فيها الاستدلال المنطقي. وتسعّر واجهات LLM API كلًّا منهما على حدة عادةً، والإخراج أغلى في الغالب.

## أسئلة شائعة

### هل يستطيع نموذج LLM تحليل المشاعر في النصوص العربية؟

نعم، ومن دون تدريب، بإعطائه الفئات والأمثلة في الأمر. وتتفاوت الجودة بحسب اللهجة والفئة: ففي الاختبارات المنشورة تتأخر النماذج عن النماذج العربية المضبوطة ضبطًا دقيقًا في مهام كثيرة، وتسجّل اللهجات نتائج أدنى من العربية الفصحى الحديثة. قِسها على بياناتك أنت.

### هل نموذج LLM أفضل من نموذج BERT عربي مضبوط ضبطًا دقيقًا في التصنيف؟

ليس دائمًا. وجدت GPTAraEval أن ChatGPT "consistently surpassed by smaller models that have undergone finetuning on Arabic" (الترجمة: «تتفوق عليه باستمرار نماذج أصغر خضعت لضبط دقيق على العربية») عبر 44 مهمة. ويتفوق LLM حين تكون أمثلتك الموسومة قليلة، أو تتغير الفئات كثيرًا، أو تحتاج إلى سبب مع كل فئة.

### كيف أصنّف رسائل باللهجتين الخليجية والمصرية؟

أعطِ النموذج أمثلة موسومة بكل لهجة، وأخبره باللهجات المتوقعة، وقيّم كل لهجة على حدة. فالنموذج الذي يُحسن مع المراجعات المصرية قد تفوته السخرية الخليجية.

### كيف أحصل على الفئة نفسها في كل مرة؟

استخدم قائمة فئات ثابتة، واطلب JSON لا يحتوي إلا تلك القيم، واضبط temperature على 0، وارفض أي رد ليس في القائمة. وأرسل الأمثلة نفسها بالترتيب نفسه لتكون النتائج قابلة للتكرار.

### كم رسالة يمكنني تصنيفها يوميًا على BroadNet؟

يسمح مفتاح الدفع حسب الاستخدام بـ30 طلبًا في الدقيقة و4 طلبات متزامنة. وبرسالة واحدة في كل طلب، يصل ذلك إلى 30 رسالة في الدقيقة لكل مفتاح على الأكثر، أي 1,440 ضعف ذلك يوميًا. ووضع 20 رسالة قصيرة في كل طلب يضاعف ذلك عشرين مرة، ضمن حد السياق.

### هل لدى BroadNet واجهة Batch API للتصنيف بالجملة؟

لا. لا توثّق BroadNet إلا إكمالات المحادثة والتفريغ الصوتي. وللمهام الكبيرة غير المتصلة، اجمع الرسائل في كل طلب، أو قارن بمزود لديه Batch API؛ إذ تعلن OpenAI عن خصم 50% لواجهة Batch API مع نافذة 24 ساعة.

## تابع القراءة

-   [اللهجات الخليجية والمصرية والشامية: كيف تتعامل معها نماذج LLM](https://broadrouter.com/ar/blog/arabic-llm-gulf-egyptian-dialects/)
-   [العربيزي ونماذج LLM: التعامل مع الفرانكو والأرقام مثل 3 و7](https://broadrouter.com/ar/blog/arabizi-llm-handling/)
-   [وضع JSON أم json\_schema: مخرجات منظَّمة يمكن الاعتماد عليها](https://broadrouter.com/ar/blog/structured-output-json-schema/)
-   [هندسة الأوامر بالعربية: المستوى اللغوي والاتجاه والأرقام والنص المختلط](https://broadrouter.com/ar/blog/arabic-prompt-engineering/)
-   [كيف تقيّم نموذج LLM قبل الانتقال إلى مزوّد آخر](https://broadrouter.com/ar/blog/evaluate-llm-before-switching/)
-   [كيف تبني الأوامر لتُخزَّن بادئتها مؤقتًا؟](https://broadrouter.com/ar/blog/prompt-structure-for-caching/)
-   [استخراج الكيانات المسماة من النص العربي بنموذج LLM: JSON والتواريخ](https://broadrouter.com/ar/blog/arabic-named-entity-extraction-llm/)
-   [معالجة دفعات LLM دون Batch API: مشغّل قابل للاستئناف](https://broadrouter.com/ar/blog/llm-batch-processing-without-batch-api/)
-   [تشكيل النص العربي بنموذج LLM: الأمر والتحقق ومعدل DER](https://broadrouter.com/ar/blog/arabic-diacritization-llm/)
-   [التدقيق الإملائي والنحوي للنص العربي بنموذج LLM: دليل عملي](https://broadrouter.com/ar/blog/arabic-grammar-spelling-correction-llm/)
-   [دليل: لماذا يعيد نموذج الاستدلال إجابة فارغة؟](https://broadrouter.com/ar/guides/reasoning-tokens-empty-response/)
-   [دليل: رموز أخطاء BroadNet Inference ومتى تعيد المحاولة](https://broadrouter.com/ar/guides/errors-and-retries/)

جرّبه على مهامك الفعلية. تبدأ الحسابات الجديدة برصيد قدره $5 لاستخدام Gemma والتفريغ الصوتي. أما DeepSeek وGLM وQwen3.8 فتتطلب شحن الرصيد.

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

**المصادر**

-   [المرجع التقني لواجهة BroadNet Inference: النماذج، والمخرجات المنظَّمة، وreasoning\_effort، وحدود الدفع حسب الاستخدام، وحدود المفاتيح بالساعة (رُوجع في 2026-11-15) (بالإنجليزية)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-arabic-text-classification-llm&utm_content=sources)
-   [صفحة أسعار BroadNet Inference: ملاحظة «Tested in Arabic» لنموذج Qwen3.8 27B والأسعار لكل رمز (رُوجعت في 2026-11-15)](https://inference.broadnet.ai/ar/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-arabic-text-classification-llm&utm_content=sources)
-   [Alharbi وآخرون، Evaluating Large Language Models on Sentiment Analysis in Arabic Dialects، RANLP 2025 (رُوجع في 2026-11-15)](https://aclanthology.org/2025.ranlp-1.8/)
-   [Khondaker وآخرون، GPTAraEval: A Comprehensive Evaluation of ChatGPT on Arabic NLP (arXiv 2305.14976؛ رُوجع في 2026-11-15)](https://arxiv.org/abs/2305.14976)
-   [دليل OpenAI لواجهة Batch API: خصم 50%، ونافذة 24 ساعة (رُوجع في 2026-11-15)](https://developers.openai.com/api/docs/guides/batch)
