---
title: "LLM से अरबी sentiment और टिकट classification | BroadRouter"
description: "LLM API से अरबी रिव्यू, संदेश और सपोर्ट टिकट classify करें: लेबल डिज़ाइन, बोली-सजग प्रॉम्प्ट, JSON आउटपुट, macro F1 टेस्टिंग और बड़े वॉल्यूम पर लागत।"
url: https://broadrouter.com/hi/blog/arabic-text-classification-llm/
lang: hi
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

यह पेज अंग्रेज़ी से AI की मदद से अनुवाद किया गया है। [अंग्रेज़ी मूल पढ़ें](https://broadrouter.com/blog/arabic-text-classification-llm/) (2026-11-16 को अपडेट किया गया).

# LLM से अरबी टेक्स्ट classification: sentiment, intent, triage

BroadNet Inference टीम · 7 मिनट में पढ़ें · प्रकाशित 2026-11-15 · अपडेट किया गया 2026-11-16

LLM से अरबी टेक्स्ट classify करने के लिए एक-एक लाइन की परिभाषाओं वाला छोटा लेबल सेट बनाएँ, जो भी बोलियाँ आती हैं उनमें कुछ लेबल किए उदाहरण दें, एक लेबल और सबूत के तौर पर छोटे उद्धरण वाला JSON माँगें, और reasoning low रखें। फिर भरोसा करने से पहले 200 हाथ से लेबल किए संदेशों पर macro F1 से मॉडल को स्कोर करें। fine-tuned अरबी मॉडल अब भी आम LLM से आगे निकल सकते हैं।

## मुख्य बातें

-   पहले लेबल और उनकी परिभाषाएँ लिखें। classification की ज़्यादातर ग़लतियाँ अस्पष्ट लेबलों से आती हैं, मॉडल से नहीं।
-   जो भी बोलियाँ आपको मिलती हैं, हर एक के उदाहरण शामिल करें। 2025 के एक अध्ययन में बोली-सजग प्रॉम्प्टिंग से अरबी sentiment की सटीकता बढ़ी।
-   एक लेबल और टेक्स्ट से एक उद्धरण वाला JSON माँगें, और आउटपुट छोटा रखें: आउटपुट टोकन इनपुट से महँगे हैं।
-   अपने लेबल किए सेट पर macro F1 और confusion matrix से स्कोर करें। neutral और mixed संदेशों पर ही मॉडल इंसानों से असहमत होते हैं।
-   rate limits के भीतर रहने के लिए एक अनुरोध में कई छोटे संदेश डालें: BroadNet की उपयोग के अनुसार भुगतान वाली key प्रति मिनट 30 अनुरोध देती है।

**इस पेज पर**

1.  कौन-से classification काम LLM के लिए ठीक हैं?
2.  अरबी पर LLMs के बारे में शोध क्या कहता है?
3.  लेबल कैसे डिज़ाइन करें?
4.  अरबी classification के लिए कौन-सा प्रॉम्प्ट काम करता है?
5.  BroadNet का कौन-सा मॉडल इस्तेमाल करें?
6.  classifier को कैसे टेस्ट करें?
7.  बड़े वॉल्यूम पर classify कैसे करें?
8.  किन ग़लतियों से बचें?
9.  LLM कब ग़लत classifier है?
10.  BroadNet Inference कहाँ फ़िट होता है

अरबी classification के काम हर जगह हैं: यह रिव्यू पॉज़िटिव है या नहीं, यह WhatsApp संदेश शिकायत है या नहीं, यह टिकट किस टीम को जाए, क्या यह urgent है। LLMs से पहले हर काम के लिए लेबल किया डेटासेट और fine-tuned मॉडल चाहिए था। अब आप प्रॉम्प्ट से शुरू कर सकते हैं। यह तेज़ है, लेकिन ऐसा classifier ship कर देना आसान है जो दस उदाहरणों पर अच्छा दिखे और खाड़ी की बोली पर फ़ेल हो। यह पोस्ट प्रॉम्प्ट, आउटपुट फ़ॉर्मैट, टेस्ट और लागत बताती है।

## कौन-से classification काम LLM के लिए ठीक हैं?

| काम | लेबल, उदाहरण के लिए | नोट्स |
| --- | --- | --- |
| Sentiment | positive, negative, neutral, mixed | neutral और mixed पर ही इंसान और मॉडल सबसे ज़्यादा असहमत होते हैं |
| Intent | complaint, question, order, cancel, other | “other” रखें; ज़बरदस्ती लेबल देने से ग़लतियाँ बनती हैं |
| टिकट routing | billing, delivery, technical, account | लेबल अपनी असली टीमों पर आधारित करें |
| Urgency | urgent, normal | urgent की एक लाइन में परिभाषा दें: “ग्राहक अभी सेवा इस्तेमाल नहीं कर पा रहा” |
| बोली या लिपि | MSA, Gulf, Egyptian, Levantine, Arabizi | सही जवाब template तक route करने में काम का; देखें [Arabizi](https://broadrouter.com/hi/blog/arabizi-llm-handling/) |
| Topic tags | तय सूची से कई लेबल | सूची माँगें, उसकी लंबाई सीमित करें |

LLM तब ठीक बैठता है जब आपके पास कम लेबल किए उदाहरण हों, लेबल अक्सर बदलते हों, या आपको हर लेबल के साथ वजह चाहिए। fine-tuned classifier तब ठीक बैठता है जब लेबल स्थिर हों, वॉल्यूम बहुत बड़ा हो और आपके पास पहले से हज़ारों लेबल किए उदाहरण हों।

## अरबी पर LLMs के बारे में शोध क्या कहता है?

शुरू करने से पहले दो नतीजे जानने लायक हैं:

-   **fine-tuned अरबी मॉडल जीत सकते हैं।** GPTAraEval ने ChatGPT को 44 अरबी कामों पर टेस्ट किया और पाया कि यह “consistently surpassed by smaller models that have undergone finetuning on Arabic” (अनुवाद: अरबी पर fine-tune हुए छोटे मॉडलों से लगातार पीछे) रहा। लेखकों ने बोलियों पर मानक आधुनिक अरबी से कमज़ोर नतीजे भी पाए ([Khondaker et al.](https://arxiv.org/abs/2305.14976))।
-   **बोली-सजग प्रॉम्प्ट मदद करते हैं।** MSA, सऊदी बोली और मोरक्कन दारिजा में sentiment पर DeepSeek-R1, Qwen2.5 और LLaMA-3 का RANLP 2025 अध्ययन रिपोर्ट करता है कि बोली-सजग प्रॉम्प्टिंग से सटीकता बढ़ी, ख़ासकर neutral और negative classes में ([Alharbi et al.](https://aclanthology.org/2025.ranlp-1.8/))।

ये आपके इस्तेमाल वाले मॉडलों से पुराने या अलग मॉडल हैं, इसलिए इन्हें दिशा मानें, आँकड़े नहीं। सबक़ क़ायम है: अपने संदेशों पर, हर बोली में अलग से मापें।

## लेबल कैसे डिज़ाइन करें?

यहीं से शुरू करें, मॉडल से नहीं।

1.  **सूची छोटी रखें।** हर सवाल के लिए चार से आठ लेबल। अलग सवाल (sentiment, intent, urgency) अलग फ़ील्ड के रूप में पूछें, एक विशाल सूची में नहीं।
2.  **हर लेबल की एक लाइन में परिभाषा दें,** साथ में यह कि वह क्या नहीं है: “complaint: ग्राहक ख़रीदी हुई किसी चीज़ में समस्या बताता है। कीमत के बारे में सवाल नहीं।”
3.  **एक बचाव वाला लेबल जोड़ें**, जैसे `other` या `unclear`।
4.  **mixed मामले पहले से तय करें।** “डिलीवरी देर से आई लेकिन ड्राइवर भला था” mixed है, neutral नहीं। यह नियम लिख लें।

टेक्स्ट अरबी होने पर भी लेबल की परिभाषाएँ अंग्रेज़ी में हो सकती हैं। लेबल के मान अंग्रेज़ी में रखें ताकि आपका कोड अरबी string matching पर निर्भर न हो।

## अरबी classification के लिए कौन-सा प्रॉम्प्ट काम करता है?

```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
```

हर हिस्सा क्यों है:

-   **बोली वाली लाइन** मॉडल को बताती है कि क्या उम्मीद करे; यही वह बोली-सजग प्रॉम्प्टिंग है जिसे RANLP अध्ययन ने मददगार पाया।
-   **एक से ज़्यादा बोली में उदाहरण।** ऊपर के उदाहरण खाड़ी और मिस्री बोली मिलाते हैं। अपने ट्रैफ़िक से असली (गुमनाम किए) संदेश इस्तेमाल करें।
-   **उद्धरण के रूप में सबूत** समीक्षक को एक सेकंड में लेबल जाँचने देता है, और अनुमान पकड़ना आसान बनाता है।
-   **`reasoning_effort="low"`।** Qwen3.8 27B, GLM 5.3 और DeepSeek V4.1 Flash जवाब से पहले reasoning करते हैं, और reasoning `max_tokens` में गिनी जाती है। BroadNet के डॉक्स `reasoning_effort` को `low` रखने या 1,000 या ज़्यादा टोकन छोड़ने का सुझाव देते हैं। [वरना जवाब ख़ाली क्यों लौटते हैं](https://broadrouter.com/hi/guides/reasoning-tokens-empty-response/)।
-   **अनजान लेबल कोड में अस्वीकार करें।** मॉडल के सूची में रहने पर कभी भरोसा न करें।

ज़्यादा सख़्त आउटपुट अनुबंध के लिए [JSON mode बनाम json\_schema](https://broadrouter.com/hi/blog/structured-output-json-schema/) देखें। BroadNet GLM 5.3 और Qwen3.8 27B के लिए structured output सूचीबद्ध करता है।

## BroadNet का कौन-सा मॉडल इस्तेमाल करें?

| मॉडल | क्यों चुनें | इनपुट / आउटपुट प्रति 1M टोकन |
| --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/hi/models/qwen3.8-27b/) | BroadNet ने अरबी में टेस्ट किया: खाड़ी और मिस्री बोलियाँ समझी गईं; structured output सूचीबद्ध | $0.175 / $2.17 |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/hi/models/gemma-4-vl-26b/) | BroadNet पर सबसे कम प्रति-टोकन कीमत; $5 के शुरुआती क्रेडिट पर चलता है; structured output सूचीबद्ध नहीं, इसलिए आउटपुट सख़्ती से validate करें | $0.10 / $0.22 |
| [DeepSeek V4.1 Flash](https://broadrouter.com/hi/models/deepseek-v4.1-flash/) | flat प्लान पर भी, $60 प्रति माह प्रति सेशन, एक समय में एक अनुरोध | $0.175 / $0.52 |
| [GLM 5.3](https://broadrouter.com/hi/models/glm-5.3/) | structured output सूचीबद्ध; चारों में सबसे ऊँची कीमत | $0.78 / $3.46 |

अपना टेस्ट सेट पहले Qwen3.8 27B और Gemma 4 VL 26B पर चलाएँ। अगर Gemma के स्कोर काफ़ी क़रीब हैं, तो छोटे लेबलों के लिए वह सस्ता विकल्प है। चुनाव अपने आँकड़ों पर करें, इस टेबल पर नहीं।

## classifier को कैसे टेस्ट करें?

1.  **200 असली संदेशों को हाथ से लेबल करें,** किसी मूल वक्ता के साथ, ऊपर की लेबल परिभाषाओं से। जो भी बोलियाँ आती हैं सब शामिल करें, हर एक के कम से कम 30।
2.  **मॉडल को सभी 200 पर चलाएँ।**
3.  **macro F1 निकालें,** यानी हर लेबल के F1 स्कोर का औसत, ताकि दुर्लभ लेबल भी आम लेबलों जितने गिने जाएँ। सिर्फ़ accuracy ऐसे मॉडल को छिपा देती है जो कभी `cancel` नहीं कहता।
4.  **confusion matrix पढ़ें।** अगर `question` और `complaint` अक्सर आपस में बदलते हैं, तो परिभाषाएँ एक-दूसरे पर चढ़ती हैं: मॉडल बदलने से पहले परिभाषाएँ ठीक करें।
5.  **नतीजे बोली के हिसाब से बाँटें।** मॉडल MSA में मज़बूत और खाड़ी में कमज़ोर हो सकता है।

```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))
```

हर बार प्रॉम्प्ट या मॉडल बदलने पर वही सेट दोबारा चलाएँ। [बदलने से पहले LLM का मूल्यांकन कैसे करें](https://broadrouter.com/hi/blog/evaluate-llm-before-switching/) एक तय टेस्ट सेट रखना बताती है।

## बड़े वॉल्यूम पर classify कैसे करें?

classification में इनपुट भारी होता है: लंबा system प्रॉम्प्ट, छोटा संदेश और एक शब्द का जवाब। तीन लीवर मायने रखते हैं।

**प्रति अनुरोध संदेशों को समूह में भेजें।** BroadNet की उपयोग के अनुसार भुगतान वाली key प्रति मिनट 30 अनुरोध और एक साथ 4 चलने देती है। प्रति अनुरोध एक संदेश आपको प्रति key प्रति मिनट 30 संदेशों पर रोक देता है, यानी रोज़ उसका 1,440 गुना। 20 छोटे संदेश क्रमांकित सूची के रूप में भेजें और 20 नतीजों की JSON array माँगें: तब वही rate limit बीस गुना ज़्यादा संदेश कवर करती है। जाँचें कि array की लंबाई मेल खाती है और हर आइटम के साथ उसका नंबर है।

**प्रॉम्प्ट का prefix एक जैसा रखें।** system प्रॉम्प्ट और उदाहरण हर कॉल में वही हैं। उन्हें पहले और संदेश को आख़िर में रखें, ताकि वे cached-इनपुट कीमत पर cache से पढ़े जा सकें, जैसे Qwen3.8 27B पर प्रति 1M $0.175 की जगह $0.0435। [प्रॉम्प्ट कैसे बनाएँ ताकि prefix cache हो](https://broadrouter.com/hi/blog/prompt-structure-for-caching/)।

**आउटपुट छोटा रखें।** आउटपुट टोकन इनपुट से महँगे हैं। एक लेबल और छोटा उद्धरण काफ़ी है; मॉडल पर भरोसा हो जाए तो evidence फ़ील्ड हटा दें।

अरबी में आमतौर पर अंग्रेज़ी से प्रति शब्द ज़्यादा टोकन लगते हैं, इसलिए अपने संदेशों का नमूना [अरबी टोकन काउंटर](https://broadrouter.com/tools/arabic-token-counter/) में गिनें, फिर [LLM API लागत कैलकुलेटर](https://broadrouter.com/tools/llm-api-cost-calculator/) में महीने की कीमत निकालें।

## किन ग़लतियों से बचें?

-   **अंग्रेज़ी अनुवादों पर टेस्ट करना।** अनूदित टेक्स्ट वैसा नहीं जैसा आपके ग्राहक लिखते हैं।
-   **सभी बोलियों का एक स्कोर।** हर बोली अलग रिपोर्ट करें।
-   **कोई बचाव वाला लेबल नहीं।** हर संदेश को ज़बरदस्ती असली लेबल में डालने से ग़लतियाँ बढ़ती हैं।
-   **खुले टेक्स्ट वाले जवाब।** “यह negative लगता है” parse नहीं हो सकता। JSON माँगें और validate करें।
-   **व्यंग्य को नज़रअंदाज़ करना।** “ما شاء الله، ثالث مرة يتأخر الطلب” (माशाअल्लाह, तीसरी बार ऑर्डर देर से आया) शब्द-दर-शब्द पॉज़िटिव लगता है और है शिकायत। ऐसा एक उदाहरण प्रॉम्प्ट में रखें।

## LLM कब ग़लत classifier है?

जब लेबल स्थिर हों, आपके पास पहले से हज़ारों लेबल किए उदाहरण हों और वॉल्यूम लाखों में हो, तो fine-tuned अरबी encoder मॉडल आमतौर पर प्रति संदेश सस्ता होता है और, GPTAraEval के अनुसार, ज़्यादा सटीक हो सकता है। इंतज़ार कर सकने वाले बड़े offline कामों के लिए batch API वाला प्रोवाइडर भी सस्ता पड़ सकता है: OpenAI 24 घंटे के भीतर पूरे होने वाले batch कामों पर 50% छूट का विज्ञापन करता है। BroadNet में कोई batch API नहीं है। एक आम पैटर्न है: पहले कुछ हज़ार संदेशों को LLM से लेबल कराना, उन्हें हाथ से जाँचना, और नतीजे पर एक छोटा मॉडल ट्रेन करना।

## BroadNet Inference कहाँ फ़िट होता है

BroadNet एक ही OpenAI-compatible API key के पीछे अरबी में टेस्ट किया गया मॉडल (Qwen3.8 27B), शुरुआती क्रेडिट पर चलने वाला सस्ता मॉडल (Gemma 4 VL 26B) और flat-rate विकल्प (DeepSeek V4.1 Flash) देता है, और अनुरोध के बाद संदेश का कोई कंटेंट नहीं रखता। यह उन सपोर्ट टीमों के लिए ठीक है जो ट्रेनिंग पाइपलाइन बनाए बिना अरबी संदेश classify करना चाहती हैं। यह बहुत बड़े offline कामों के लिए ठीक नहीं, जहाँ batch छूट या fine-tuned मॉडल सस्ता पड़ेगा। ऊपर के प्रॉम्प्ट, 200 संदेशों वाले टेस्ट, और टेस्ट सेट बनाने के लिए [खाड़ी, मिस्री और लेवेंटाइन बोली](https://broadrouter.com/hi/blog/arabic-llm-gulf-egyptian-dialects/) वाली पोस्ट से शुरू करें।

इस विषय के मुफ़्त टूल (अंग्रेज़ी में)

-   [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.

[मुफ़्त टूल (अंग्रेज़ी में)](https://broadrouter.com/tools/)

## इस लेख के शब्द

[स्ट्रक्चर्ड आउटपुट (structured output)](https://broadrouter.com/hi/glossary/structured-output/)

स्ट्रक्चर्ड आउटपुट LLM API का एक फ़ीचर है जो मॉडल के जवाब को डेवलपर के तय फ़ॉर्मैट, आम तौर पर JSON Schema, तक सीमित करता है, ताकि कोड उसे भरोसे से पार्स कर सके। यह JSON mode से सख़्त है, जो मान्य JSON की गारंटी देता है, लेकिन किसी ख़ास ढाँचे की नहीं।

[टोकन (token)](https://broadrouter.com/hi/glossary/token/)

टोकन टेक्स्ट की वह इकाई है जिसे लैंग्वेज मॉडल पढ़ता और लिखता है: कोई शब्द, शब्द का हिस्सा, विराम चिह्न या बाइट का क्रम, जो मॉडल का टोकनाइज़र बनाता है। LLM API इस्तेमाल को टोकन में गिनते हैं, उसी में लिमिट लगाते हैं और आम तौर पर बिल भी बनाते हैं।

[उपयोग के अनुसार भुगतान (pay-as-you-go)](https://broadrouter.com/hi/glossary/pay-as-you-go/)

उपयोग के अनुसार भुगतान (pay-as-you-go) एक प्राइसिंग मॉडल है जिसमें आप सिर्फ़ उतना देते हैं जितना इस्तेमाल करते हैं, जिसे टोकन, अनुरोध या ऑडियो मिनट जैसी इकाइयों में मापा जाता है, बिना सब्सक्रिप्शन या न्यूनतम प्रतिबद्धता के। ज़्यादातर LLM API इसी तरह बिल बनाते हैं, प्रीपेड बैलेंस या समय-समय पर बनने वाले इनवॉइस से।

[रेट लिमिट (rate limit)](https://broadrouter.com/hi/glossary/rate-limit/)

रेट लिमिट वह सीमा है जो कोई API तय करता है कि एक क्लाइंट किसी समय-अवधि में उसका कितना इस्तेमाल कर सकता है, जैसे प्रति मिनट अनुरोध या प्रति मिनट टोकन। सीमा से ऊपर के अनुरोध ठुकरा दिए जाते हैं, आम तौर पर HTTP 429 Too Many Requests के साथ, जब तक इस्तेमाल फिर सीमा के नीचे न आ जाए।

[मानक आधुनिक अरबी (Modern Standard Arabic, MSA)](https://broadrouter.com/hi/glossary/msa/)

Modern Standard Arabic (MSA) अरबी का मानक रूप है, जो पूरी अरब दुनिया में लेखन, समाचार, शिक्षा और औपचारिक भाषण में इस्तेमाल होता है। यह किसी की रोज़मर्रा की मातृभाषा नहीं है: लोग मिस्री या खाड़ी अरबी जैसी क्षेत्रीय बोलियाँ बोलते हैं और औपचारिक मौक़ों पर MSA अपनाते हैं।

[कॉन्करेंसी (concurrency)](https://broadrouter.com/hi/glossary/concurrency/)

कॉन्करेंसी, किसी क्लाइंट के एक ही समय पर चल रहे (in-flight) अनुरोधों की संख्या है। LLM API अक्सर इसकी सीमा हर key या प्लान पर, प्रति मिनट अनुरोधों से अलग रखते हैं, क्योंकि हर खुला अनुरोध जवाब पूरा होने तक GPU क्षमता घेरे रहता है।

[टूल कॉलिंग (tool calling)](https://broadrouter.com/hi/glossary/tool-calling/)

टूल कॉलिंग, जिसे function calling भी कहते हैं, LLM API की वह सुविधा है जिसमें मॉडल डेवलपर के तय किए किसी फ़ंक्शन को चलाने का एक स्ट्रक्चर्ड अनुरोध, JSON आर्ग्युमेंट के साथ, लौटाता है। ऐप्लिकेशन फ़ंक्शन चलाकर नतीजा वापस भेजता है; मॉडल ख़ुद कभी कोड नहीं चलाता।

[Arabizi (अरबीज़ी)](https://broadrouter.com/hi/glossary/arabizi/)

Arabizi लैटिन अक्षरों में अनौपचारिक रूप से लिखी गई अरबी है, जिसमें उन अरबी ध्वनियों के लिए अंक लगते हैं जिनका लैटिन में कोई बराबर अक्षर नहीं, जैसे ع के लिए 3। यह चैट और सोशल मीडिया में आम है, ज़्यादातर बोलचाल की होती है, इसकी तय वर्तनी नहीं, और यह अक्सर अंग्रेज़ी या फ़्रेंच से मिली होती है।

## अक्सर पूछे जाने वाले सवाल

### क्या LLM अरबी sentiment analysis कर सकता है?

हाँ, बिना ट्रेनिंग के, लेबल और उदाहरणों वाले प्रॉम्प्ट से। गुणवत्ता बोली और class के हिसाब से बदलती है: प्रकाशित टेस्ट में मॉडल कई कामों में fine-tuned अरबी मॉडलों से पीछे रहते हैं, और बोलियाँ मानक आधुनिक अरबी से कम स्कोर करती हैं। इसे अपने डेटा पर मापें।

### classification के लिए LLM बेहतर है या fine-tuned अरबी BERT मॉडल?

हमेशा LLM नहीं। GPTAraEval ने पाया कि 44 कामों में ChatGPT "consistently surpassed by smaller models that have undergone finetuning on Arabic" (अनुवाद: अरबी पर fine-tune हुए छोटे मॉडलों से लगातार पीछे) रहा। LLM तब जीतता है जब आपके पास कम लेबल किए उदाहरण हों, लेबल अक्सर बदलते हों, या हर लेबल के साथ वजह चाहिए।

### खाड़ी और मिस्री अरबी संदेश कैसे classify करूँ?

मॉडल को हर बोली में लेबल किए उदाहरण दें, बताएँ कि कौन-सी बोलियाँ आएँगी, और हर बोली को अलग स्कोर करें। मिस्री रिव्यू पर अच्छा करने वाला मॉडल भी खाड़ी का व्यंग्य चूक सकता है।

### हर बार एक जैसा लेबल कैसे पाऊँ?

तय लेबल सूची इस्तेमाल करें, सिर्फ़ उन्हीं मानों वाला JSON माँगें, temperature 0 रखें, और सूची से बाहर का हर जवाब अस्वीकार करें। एक ही उदाहरण एक ही क्रम में भेजें ताकि नतीजे दोहराए जा सकें।

### BroadNet पर रोज़ कितने संदेश classify कर सकता हूँ?

उपयोग के अनुसार भुगतान वाली key प्रति मिनट 30 अनुरोध और एक साथ 4 देती है। प्रति अनुरोध एक संदेश पर यह प्रति key प्रति मिनट अधिकतम 30 संदेश है, यानी रोज़ उसका 1,440 गुना। हर अनुरोध में 20 छोटे संदेश डालने से यह बीस गुना बढ़ जाता है, कॉन्टेक्स्ट सीमा के भीतर।

### क्या BroadNet में bulk classification के लिए batch API है?

नहीं। BroadNet सिर्फ़ chat completions और ट्रांसक्रिप्शन दस्तावेज़ित करता है। बड़े offline कामों के लिए प्रति अनुरोध संदेशों को समूह में भेजें, या batch API वाले प्रोवाइडर से तुलना करें; OpenAI का Batch API 24 घंटे की खिड़की के साथ 50% छूट का विज्ञापन करता है।

## आगे पढ़ें

-   [खाड़ी, मिस्री और लेवेंटाइन अरबी: LLM बोलियों को कैसे संभालते हैं](https://broadrouter.com/hi/blog/arabic-llm-gulf-egyptian-dialects/)
-   [Arabizi और LLM: 3 और 7 जैसे अंकों वाली Franco-Arabic को संभालना](https://broadrouter.com/hi/blog/arabizi-llm-handling/)
-   [JSON mode बनाम json\_schema: भरोसेमंद स्ट्रक्चर्ड आउटपुट](https://broadrouter.com/hi/blog/structured-output-json-schema/)
-   [अरबी प्रॉम्प्ट इंजीनियरिंग: register, RTL, अंक और मिला-जुला टेक्स्ट](https://broadrouter.com/hi/blog/arabic-prompt-engineering/)
-   [प्रोवाइडर बदलने से पहले LLM का मूल्यांकन कैसे करें](https://broadrouter.com/hi/blog/evaluate-llm-before-switching/)
-   [प्रॉम्प्ट को कैसे बनाएँ ताकि प्रीफ़िक्स कैश हो](https://broadrouter.com/hi/blog/prompt-structure-for-caching/)
-   [LLM से अरबी named entity extraction: JSON, तारीख़ें और जाँच](https://broadrouter.com/hi/blog/arabic-named-entity-extraction-llm/)
-   [Batch API के बिना LLM बैच प्रोसेसिंग: दोबारा शुरू होने वाला runner](https://broadrouter.com/hi/blog/llm-batch-processing-without-batch-api/)
-   [LLM से अरबी टेक्स्ट में हरकतें (तश्कील) लगाना: प्रॉम्प्ट, जाँच, DER](https://broadrouter.com/hi/blog/arabic-diacritization-llm/)
-   [LLM से अरबी व्याकरण और वर्तनी सुधार: एक how-to](https://broadrouter.com/hi/blog/arabic-grammar-spelling-correction-llm/)
-   [गाइड: रीज़निंग मॉडल ख़ाली जवाब क्यों लौटाता है](https://broadrouter.com/hi/guides/reasoning-tokens-empty-response/)
-   [गाइड: BroadNet Inference के एरर कोड और रीट्राई कब करें](https://broadrouter.com/hi/guides/errors-and-retries/)

इसे अपने असली वर्कलोड पर आज़माएँ। नए अकाउंट Gemma और ट्रांसक्रिप्शन के लिए US$5 के क्रेडिट से शुरू होते हैं। DeepSeek, GLM, और Qwen3.8 के लिए टॉप-अप ज़रूरी है।

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

**स्रोत**

-   [BroadNet Inference API रेफ़रंस: मॉडल, structured output, reasoning\_effort, उपयोग के अनुसार भुगतान की सीमाएँ, घंटे वाली key की सीमाएँ (2026-11-15 को जाँचा गया) (अंग्रेज़ी में)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-blog-arabic-text-classification-llm&utm_content=sources)
-   [BroadNet Inference कीमतों का पेज: Qwen3.8 27B का "Tested in Arabic" नोट और प्रति-टोकन कीमतें (2026-11-15 को जाँचा गया) (अंग्रेज़ी में)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-blog-arabic-text-classification-llm&utm_content=sources)
-   [Alharbi et al., Evaluating Large Language Models on Sentiment Analysis in Arabic Dialects, RANLP 2025 (2026-11-15 को जाँचा गया)](https://aclanthology.org/2025.ranlp-1.8/)
-   [Khondaker et al., GPTAraEval: A Comprehensive Evaluation of ChatGPT on Arabic NLP (arXiv 2305.14976; 2026-11-15 को जाँचा गया)](https://arxiv.org/abs/2305.14976)
-   [OpenAI Batch API गाइड: 50% छूट, 24 घंटे की खिड़की (2026-11-15 को जाँचा गया)](https://developers.openai.com/api/docs/guides/batch)
