---
title: "API LLM terbaik untuk bahasa Arab: apa yang perlu diuji"
description: "Cara memilih LLM untuk aplikasi bahasa Arab: kefahaman dialek, kualiti penulisan, terjemahan, dokumen dan imej Arab, kos, serta set ujian yang siap dalam sehari."
url: https://broadrouter.com/ms/blog/choosing-an-llm-for-arabic/
lang: ms
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/blog/choosing-an-llm-for-arabic/) (dikemas kini 2026-11-14).

# Memilih API LLM untuk bahasa Arab: apa yang perlu diuji

Oleh pasukan BroadNet Inference · 7 minit bacaan · Diterbitkan 2026-11-14

Pilih LLM untuk bahasa Arab dengan mengujinya pada tugas anda sendiri: memahami dialek Teluk, Mesir dan Levant, menulis bahasa Arab Standard Moden yang fasih, menterjemah bahasa Arab dan Inggeris, dan membaca dokumen bahasa Arab. Dalam ujian BroadNet, Qwen3.8 27B menulis bahasa Arab dengan fasih dan memahami dialek Teluk dan Mesir. Harganya $0.175 setiap 1M token input.

## Perkara utama

-   Uji kefahaman dialek, penulisan bahasa Arab, terjemahan dan pembacaan dokumen secara berasingan. Model berbeza pada setiap satu.
-   Papan pendahulu bahasa Arab awam membantu anda menyenarai pendek, tetapi ia tidak menguji dialek, nada atau dokumen anda.
-   Dalam ujian BroadNet, Qwen3.8 27B menulis bahasa Arab dengan fasih, memahami dialek Teluk dan Mesir serta menterjemah dengan tepat.
-   Model visi boleh membaca invois dan resit bahasa Arab dan memulangkan JSON berstruktur.
-   Bahasa Arab selalunya menggunakan lebih banyak token setiap perkataan berbanding bahasa Inggeris, jadi bandingkan kos pada teks sebenar anda, bukan setiap perkataan.
-   Gandingkan LLM dengan speech-to-text bahasa Arab untuk nota suara dan panggilan.

**Dalam halaman ini**

1.  Tugas bahasa Arab manakah yang patut anda uji?
2.  Apakah yang diberitahu oleh papan pendahulu bahasa Arab awam?
3.  API LLM manakah yang menyokong bahasa Arab?
4.  Model BroadNet manakah yang boleh mengendalikan bahasa Arab?
5.  Bagaimanakah cara membina set ujian bahasa Arab?
6.  Bagaimanakah output patut diskor?
7.  Adakah prompt sistem mengubah hasil?
8.  Mengapakah bahasa Arab menggunakan lebih banyak token daripada bahasa Inggeris?
9.  Bolehkah LLM membaca invois dan imej bahasa Arab?
10.  Bagaimana pula dengan nota suara dan panggilan bahasa Arab?
11.  Mengapakah sesetengah jawapan bahasa Arab kembali kosong?
12.  Kesilapan apakah yang perlu dielakkan?
13.  Di manakah BroadNet Inference sesuai

Untuk memilih API LLM bagi bahasa Arab, uji setiap calon pada tugas yang dilakukan oleh produk anda: memahami dialek pengguna anda, menulis bahasa Arab Standard Moden yang semula jadi, menterjemah, dan membaca dokumen bahasa Arab. Skor setiap tugas secara berasingan bersama penutur asli. “Supports Arabic” boleh bermaksud apa sahaja, daripada dialek Teluk yang fasih hingga teks kaku yang berbunyi seperti terjemahan.

## Tugas bahasa Arab manakah yang patut anda uji?

| Tugas | Contoh | Apa yang perlu disemak |
| --- | --- | --- |
| Memahami dialek | Pelanggan Saudi menaip dalam Khaleeji | Adakah ia menangkap niat, bukan sekadar perkataan? |
| Menulis bahasa Arab | Balasan dalam bahasa Arab Standard Moden yang jelas | Kefasihan, tatabahasa, nada semula jadi, laras yang betul |
| Menterjemah | Kontrak atau tiket sokongan Arab ↔ Inggeris | Ketepatan nama, nombor dan istilah undang-undang |
| Membaca dokumen | Foto invois bahasa Arab | Jumlah, tarikh dan vendor diekstrak dengan betul |
| Mendengar pertuturan | Nota suara, panggilan | Itu model [speech-to-text](https://broadrouter.com/ms/glossary/speech-to-text/), bukan LLM; lihat di bawah |

Sesuatu model boleh kuat pada satu tugas dan lemah pada yang lain. Skor setiap tugas secara berasingan.

## Apakah yang diberitahu oleh papan pendahulu bahasa Arab awam?

Beberapa papan pendahulu awam menyusun model dalam bahasa Arab. [Open Arabic LLM Leaderboard](https://huggingface.co/spaces/OALL/Open-Arabic-LLM-Leaderboard) di Hugging Face ialah salah satunya. [BALSAM](https://arxiv.org/abs/2507.22603) ialah penanda aras komuniti dengan 78 tugas dalam 14 kategori dan platform untuk penilaian buta; pengarangnya menulis bahawa prestasi LLM dalam bahasa Arab ketinggalan berbanding kemajuan yang dilihat dalam bahasa Inggeris.

Gunakan ini untuk membina senarai pendek, bukan untuk membuat pilihan muktamad. Penanda aras kebanyakannya soalan aneka pilihan dan tugas piawai. Ia jarang menguji mesej pelanggan Teluk, nada jenama anda, atau foto resit yang renyuk. Itulah perkara yang disedari oleh pengguna anda.

## API LLM manakah yang menyokong bahasa Arab?

Hampir setiap API chat umum menerima teks bahasa Arab, jadi soalan yang berguna ialah sejauh mana ia mengendalikan dialek anda dan sama ada anda boleh memanggil model yang mengutamakan bahasa Arab langsung. Kami menyemak empat keluarga model yang mengutamakan bahasa Arab yang sering ditanya pada 14 November 2026. Tiada satu pun yang mempunyai harga API setiap token yang diterbitkan oleh pembuatnya:

| Keluarga model | Pembuat | Cara menjalankannya (disemak 14 November 2026) | Harga |
| --- | --- | --- | --- |
| Jais 2 (8B, 70B chat) | MBZUAI, Inception dan Cerebras | Open weights di Hugging Face di bawah Apache 2.0, konteks 8,192 token. Kad model 70B menyatakan tiada Inference Provider yang menggunakannya. Jais-30b-chat yang lebih lama telah dibuang daripada GitHub Models pada 31 Oktober 2025. | Tiada yang diterbitkan; anda membayar GPU anda sendiri |
| Falcon-H1-Arabic (3B, 7B, 34B) | Technology Innovation Institute (TII) | Diumumkan pada 5 Januari 2026 dengan konteks 128K (3B) atau 256K (7B, 34B). Hantaran pelancaran memautkan demo chat web; ia tidak menamakan API yang dihoskan atau muat turun weights. | Tiada yang diterbitkan |
| ALLaM (allam-1-13b-instruct) | Saudi Data and Artificial Intelligence Authority (SDAIA); HUMAIN menerbitkan pratonton 7B | Di IBM watsonx.ai sebagai model deploy-on-demand dengan tetingkap 4,096 token (input dan output). ALLaM-7B-Instruct-preview terbuka di Hugging Face di bawah Apache 2.0. | watsonx.ai membilkan model deploy-on-demand setiap jam, bukan setiap token |
| Fanar | Qatar Computing Research Institute (QCRI) | Fanar menyatakan ia “provides an API for developers” (Terjemahan: menyediakan API untuk pembangun); akses melalui borang permohonan di api.fanar.qa | Tiada yang diterbitkan |

Jadi jika anda mahukan bahasa Arab secara bayar setiap token melalui [API serasi OpenAI](https://broadrouter.com/ms/glossary/openai-compatible-api/), anda biasanya akan menggunakan model berbilang bahasa yang kuat, seperti di bawah, dan mengujinya pada dialek anda. Jika anda memerlukan model khusus yang mengutamakan bahasa Arab, rancang untuk menghosnya sendiri, menyewa penggunaan khusus, atau memohon akses API Fanar; artikel [kos hos sendiri vs API](https://broadrouter.com/ms/blog/self-hosting-llm-vs-api-cost/) menunjukkan pengiraan titik pulang modal.

## Model BroadNet manakah yang boleh mengendalikan bahasa Arab?

BroadNet menerbitkan semakan bahasa Arabnya sendiri di [halaman harga](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-choosing-an-llm-for-arabic&utm_content=body)nya. Bagi [Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/), ia melaporkan penulisan bahasa Arab yang fasih, dialek Teluk dan Mesir difahami, dan terjemahan Arab–Inggeris yang tepat. Model ini menerima teks dan imej, menyokong [panggilan tool](https://broadrouter.com/ms/glossary/tool-calling/) dan [output berstruktur](https://broadrouter.com/ms/glossary/structured-output/), dan mempunyai konteks 262,144 token.

Pilihan lain pada API yang sama:

| Model | Input / output setiap 1M token | Konteks | Imej |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/) | $0.175 / $2.17 | 262,144 | Ya |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ms/models/deepseek-v4.1-flash/) | $0.175 / $0.52 | 1,048,576 | Ya |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/ms/models/gemma-4-vl-26b/) | $0.10 / $0.22 | 32,768 | Ya |

DeepSeek V4.1 Flash juga tersedia tanpa had pada pelan kadar tetap ($60 sebulan setiap sesi), yang sesuai untuk chat dan agen bahasa Arab bervolum tinggi. [Perbandingan DeepSeek V4.1 Flash vs Qwen3.8 27B](https://broadrouter.com/compare/deepseek-v4.1-flash-vs-qwen3.8-27b/) meletakkan dua calon utama bersebelahan. Gemma 4 VL 26B ialah model BroadNet paling murah setiap token dan boleh digunakan dengan kredit permulaan percuma.

## Bagaimanakah cara membina set ujian bahasa Arab?

1.  **Kumpul 50 input sebenar** daripada produk anda: chat, tiket, dokumen. Sertakan sekurang-kurangnya 10 dalam setiap dialek yang ditulis oleh pengguna anda. Untuk ujian dialek sahaja, dengan kaedah pelabelan niat, lihat [cara LLM mengendalikan bahasa Arab Teluk, Mesir dan Levant](https://broadrouter.com/ms/blog/arabic-llm-gulf-egyptian-dialects/).
2.  **Tulis jawapan ideal** untuk 20 daripadanya, atau minta penutur asli melakukannya.
3.  **Jalankan setiap model calon** pada kesemua 50 dengan prompt sistem yang sama. Nyatakan dialek dan laras yang anda mahukan dalam prompt: “Reply in clear Modern Standard Arabic, friendly, short.” (Terjemahan: Balas dalam bahasa Arab Standard Moden yang jelas, mesra, ringkas.)
4.  **Nilai output secara buta** dari 1 hingga 5 untuk ketepatan dan keaslian. Minta penutur asli membuat penilaian.
5.  **Semak kos pada teks sebenar.** Baca `prompt_tokens` dan `completion_tokens` daripada blok usage dan bukannya menganggar daripada bilangan perkataan.

Oleh kerana API ini serasi OpenAI, menukar model hanya perubahan satu baris pada medan `model`. Lihat [senarai semak migrasi serasi OpenAI](https://broadrouter.com/ms/blog/openai-compatible-api-migration-checklist/).

## Bagaimanakah output patut diskor?

| Kriteria | Skor 1 | Skor 5 |
| --- | --- | --- |
| Niat difahami | Salah membaca dialek | Betul, termasuk slanga |
| Tatabahasa dan kefasihan | Ada ralat atau persetujuan yang rosak | Dibaca seperti penulis asli |
| Laras | Dialek salah atau terlalu formal | Tepat seperti yang diminta prompt |
| Fakta, nama, nombor | Diubah atau direka | Tepat |
| Tulisan | Transliterasi Rumi atau bercampur | Tulisan Arab sepenuhnya |

Kira purata bagi setiap tugas, bukan keseluruhan. Model yang mendapat 4.5 untuk penulisan dan 2 untuk dialek ialah pilihan yang berbeza daripada model yang mendapat 3.5 untuk kedua-duanya.

## Adakah prompt sistem mengubah hasil?

Ya, cukup untuk mengubah kedudukan. Gunakan prompt sistem yang sama untuk setiap calon, dan nyatakan dialek yang anda jangkakan, laras yang anda mahukan dalam balasan, dan cara menangani nombor serta nama Inggeris. [Kejuruteraan prompt bahasa Arab](https://broadrouter.com/ms/blog/arabic-prompt-engineering/) mempunyai templat lengkap. Kekalkan prompt itu sama dalam setiap panggilan supaya ia boleh dibaca daripada cache pada model yang mempunyai harga [input cache](https://broadrouter.com/ms/blog/cached-input-tokens-explained/).

## Mengapakah bahasa Arab menggunakan lebih banyak token daripada bahasa Inggeris?

Teks bahasa Arab selalunya dipecahkan kepada lebih banyak [token](https://broadrouter.com/ms/glossary/token/) setiap perkataan berbanding bahasa Inggeris, dan nisbahnya berbeza antara model. Dua model dengan harga setiap token yang sama boleh mempunyai kos berbeza bagi setiap mesej bahasa Arab. Tampal sampel teks sebenar anda ke dalam [pengira token bahasa Arab](https://broadrouter.com/tools/arabic-token-counter/), kemudian sahkan dengan `prompt_tokens` daripada permintaan sebenar pada setiap calon dan unjurkan bil bulanan dengan [kalkulator kos API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/). Cara mengukur nisbah anda sendiri ada dalam [token setiap perkataan dalam bahasa Arab vs Inggeris](https://broadrouter.com/ms/blog/tokens-per-word-arabic-english/). Untuk kesannya pada bil bagi setiap model dan penyedia, lihat [set data kos sebenar mengikut bahasa](https://broadrouter.com/data/real-cost-by-language/) kami, yang mengira harga 1M aksara bahasa Arab, dialeknya dan bahasa lain dengan tokenizer setiap model sendiri.

## Bolehkah LLM membaca invois dan imej bahasa Arab?

Untuk invois, resit dan borang, hantar foto kepada [model bahasa-visi](https://broadrouter.com/ms/glossary/vision-language-model/) dan minta JSON. [Panduan invois bahasa Arab](https://broadrouter.com/ms/guides/read-arabic-invoices-with-vision/) mempunyai kod yang berfungsi, dan [OCR bahasa Arab vs LLM visi](https://broadrouter.com/ms/blog/arabic-ocr-vision-llm/) menerangkan bila OCR klasik masih alat yang lebih baik. Semak nombor dengan teliti: angka Arab Timur (٠١٢٣) dan angka Barat (0123) kedua-duanya muncul pada resit di Teluk.

## Bagaimana pula dengan nota suara dan panggilan bahasa Arab?

Untuk nota suara dan panggilan, transkripsikan dahulu dengan model speech-to-text bahasa Arab, kemudian hantar teksnya kepada LLM. BroadNet Transcribe Arabic berharga $0.0042 setiap minit audio. [Cara memilih API speech-to-text bahasa Arab](https://broadrouter.com/ms/blog/arabic-speech-to-text-api-buyers-guide/).

## Mengapakah sesetengah jawapan bahasa Arab kembali kosong?

DeepSeek V4.1 Flash dan Qwen3.8 27B menaakul sebelum menjawab, dan [token penaakulan](https://broadrouter.com/ms/glossary/reasoning-tokens/) itu dikira dalam `max_tokens`. Jawapan bahasa Arab boleh panjang, jadi sediakan ruang, atau jawapan yang kelihatan akan kembali kosong. [Mengapa ini berlaku dan cara membetulkannya](https://broadrouter.com/ms/guides/reasoning-tokens-empty-response/).

## Kesilapan apakah yang perlu dielakkan?

-   **Penilaian oleh bukan penutur asli.** Masalah kefasihan tidak kelihatan kepada pelajar bahasa.
-   **Mencampurkan dialek dalam satu skor.** Asingkan hasil Teluk, Mesir dan Levant.
-   **Mempercayai set ujian yang diterjemah.** Teks yang diterjemah daripada bahasa Inggeris tidak berbunyi seperti pengguna Arab sebenar.
-   **Melupakan paparan kanan-ke-kiri.** Baris bahasa Arab dan Inggeris yang bercampur boleh dipaparkan dalam susunan yang salah dalam UI anda. Uji paparan, bukan teks sahaja.

## Di manakah BroadNet Inference sesuai

BroadNet menawarkan model chat yang diuji dalam bahasa Arab, dua alternatif yang lebih murah atau tanpa had, dan speech-to-text bahasa Arab pada satu kunci serasi OpenAI, tanpa kandungan disimpan. Ia tidak menerbitkan skor penanda aras bahasa Arab untuk model chatnya selain ujiannya sendiri, jadi jalankan set ujian di atas sebelum anda membuat komitmen. Jika model di tempat lain menang pada dialek anda, hasil itu lebih penting daripada mana-mana katalog.

Alat percuma untuk topik ini (Bahasa Inggeris)

-   [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.

[Alatan percuma (Bahasa Inggeris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

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

Token ialah unit teks yang dibaca dan ditulis oleh model bahasa: satu perkataan, sebahagian perkataan, tanda baca atau jujukan bait yang dihasilkan oleh tokenizer model itu. API LLM mengira, mengehadkan dan biasanya mengebil penggunaan dalam token.

[Bahasa Arab Standard Moden (MSA)](https://broadrouter.com/ms/glossary/msa/)

Bahasa Arab Standard Moden (MSA) ialah bentuk bahasa Arab yang diseragamkan untuk penulisan, berita, pendidikan dan pertuturan rasmi di seluruh dunia Arab. Ia bukan bahasa harian asli sesiapa: orang bertutur dalam dialek serantau seperti bahasa Arab Mesir atau Teluk dan beralih kepada MSA dalam situasi rasmi.

[Speech-to-text (pertuturan kepada teks)](https://broadrouter.com/ms/glossary/speech-to-text/)

Speech-to-text, juga dipanggil pengecaman pertuturan automatik (ASR), ialah teknologi yang menukar audio pertuturan kepada teks bertulis. API speech-to-text menerima fail atau strim audio dan memulangkan transkrip, biasanya berharga setiap minit audio. Ketepatan diukur dengan kadar ralat perkataan dan berbeza mengikut loghat, dialek dan kualiti rakaman.

[Tetingkap konteks (context window)](https://broadrouter.com/ms/glossary/context-window/)

Tetingkap konteks ialah bilangan maksimum token yang boleh dikendalikan oleh model bahasa dalam satu permintaan. Ia meliputi prompt, sejarah perbualan, definisi alatan, imej dan output yang dijana, termasuk token penaakulan. Apa-apa yang tidak muat mesti dipotong, diringkaskan atau dipecahkan kepada beberapa permintaan.

[Baris Arab (tashkeel, Arabic diacritics)](https://broadrouter.com/ms/glossary/arabic-diacritics/)

Baris Arab, atau tashkeel, ialah tanda kecil yang ditulis di atas atau di bawah huruf untuk menunjukkan vokal pendek, konsonan berganda dan ketiadaan vokal. Ia pilihan: kebanyakan teks Arab, termasuk berita, meninggalkannya, jadi pembaca dan perisian meneka vokal daripada konteks.

[Dialek Arab (dialectal Arabic)](https://broadrouter.com/ms/glossary/dialectal-arabic/)

Dialek Arab ialah bahasa Arab pertuturan harian di sesuatu rantau atau bandar, seperti bahasa Arab Mesir, Teluk, Levant atau Maghribi. Dialek berbeza daripada Bahasa Arab Standard Moden dari segi bunyi, perkataan dan tatabahasa, tiada ejaan standard, dan semakin banyak ditulis dalam talian, menjadikannya lebih sukar bagi model bahasa.

[Lesen model (model license)](https://broadrouter.com/ms/glossary/model-license/)

Lesen model ialah terma undang-undang yang menentukan cara pemberat, kod dan output sesuatu model boleh digunakan, diubah dan dikongsi. Model open-weight menggunakan lesen perisian standard seperti Apache 2.0 atau MIT, atau lesen model khusus yang boleh menambah syarat, seperti had ke atas perkhidmatan komersial yang besar.

[Pengecaman aksara optik (OCR)](https://broadrouter.com/ms/glossary/ocr/)

Pengecaman aksara optik (OCR) ialah teknologi yang mengesan dan menukar teks bercetak atau tulisan tangan dalam imej, imbasan atau PDF kepada aksara yang boleh dibaca mesin. OCR klasik mengeluarkan teks dan kedudukannya pada halaman; model bahasa-penglihatan pula boleh membaca teks dan menjawab soalan tentangnya secara terus.

## Soalan lazim

### Model BroadNet manakah yang terbaik untuk bahasa Arab?

BroadNet menguji Qwen3.8 27B dalam bahasa Arab dan melaporkan penulisan yang fasih, dialek Teluk dan Mesir difahami, dan terjemahan Arab–Inggeris yang tepat. Uji model ini, dan juga DeepSeek V4.1 Flash, pada prompt anda sendiri.

### Apakah LLM terbaik untuk bahasa Arab?

Ia bergantung pada tugas dan dialek. Gunakan papan pendahulu awam seperti Open Arabic LLM Leaderboard atau BALSAM untuk menyenarai pendek, kemudian nilai senarai pendek itu pada 50 input anda sendiri bersama penutur asli. Model yang mendahului penanda aras masih boleh berbunyi kaku dalam dialek anda.

### Bolehkah LLM membaca dokumen dan imej bahasa Arab?

Model visi seperti Qwen3.8 27B, DeepSeek V4.1 Flash dan BroadNet Gemma 4 VL 26B menerima imej, jadi ia boleh membaca foto invois, resit dan borang bahasa Arab serta memulangkan JSON.

### API LLM manakah yang menyokong bahasa Arab?

Kebanyakan API chat umum menerima bahasa Arab, tetapi kualiti berbeza mengikut dialek. Model yang mengutamakan bahasa Arab seperti Jais 2, Falcon-H1-Arabic, ALLaM dan Fanar tiada harga API setiap token yang diterbitkan oleh pembuatnya pada 14 November 2026. Jais 2 ialah open weights untuk dihoskan sendiri, ALLaM berjalan di IBM watsonx.ai sebagai penggunaan khusus berbayar setiap jam, dan Fanar memberi akses API atas permintaan.

### Mengapakah teks bahasa Arab menggunakan lebih banyak token daripada bahasa Inggeris?

Tokenizer selalunya dilatih dengan lebih banyak bahasa Inggeris daripada bahasa Arab, jadi perkataan Arab cenderung dipecahkan kepada lebih banyak token. Kesannya berbeza mengikut model, jadi bandingkan prompt\_tokens pada teks Arab yang sama bagi setiap calon.

### Bolehkah LLM membalas dalam dialek Teluk atau Mesir?

Banyak yang boleh, tetapi kualitinya lebih berbeza-beza berbanding bahasa Arab Standard Moden. Minta dialek itu secara jelas dalam prompt sistem dan minta penutur asli menilai balasannya.

## Teruskan membaca

-   [PDPL Arab Saudi dan UAE serta API LLM: senarai semak rentas sempadan](https://broadrouter.com/ms/blog/saudi-uae-pdpl-llm-api-checklist/)
-   [API speech-to-text bahasa Arab: cara memilih pada 2026](https://broadrouter.com/ms/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Beralih ke API serasi OpenAI: senarai semak migrasi](https://broadrouter.com/ms/blog/openai-compatible-api-migration-checklist/)
-   [Token input cache: cara mengurangkan bil API LLM](https://broadrouter.com/ms/blog/cached-input-tokens-explained/)
-   [Tambah baris pada teks Arab dengan LLM: prompt, semakan dan DER](https://broadrouter.com/ms/blog/arabic-diacritization-llm/)
-   [Pembetulan tatabahasa dan ejaan bahasa Arab dengan LLM: panduan](https://broadrouter.com/ms/blog/arabic-grammar-spelling-correction-llm/)
-   [Panduan: Baca invois dan resit Arab dengan model vision](https://broadrouter.com/ms/guides/read-arabic-invoices-with-vision/)
-   [Panduan: API speech-to-text bahasa Arab, langkah demi langkah](https://broadrouter.com/ms/guides/arabic-speech-to-text-api/)
-   [Panduan: Mengapa model penaakulan memulangkan jawapan kosong](https://broadrouter.com/ms/guides/reasoning-tokens-empty-response/)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

[Mulakan](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-choosing-an-llm-for-arabic&utm_content=page-cta) ·

**Sumber**

-   [Halaman harga BroadNet Inference, nota "Tested in Arabic" bagi Qwen3.8 27B (disemak 2026-11-14) (Bahasa Inggeris)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-choosing-an-llm-for-arabic&utm_content=sources)
-   [Harga BroadNet Inference yang boleh dibaca mesin, pricing.json (disemak 2026-11-14) (Bahasa Inggeris)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-choosing-an-llm-for-arabic&utm_content=sources)
-   [Rujukan API BroadNet Inference (disemak 2026-11-14) (Bahasa Inggeris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-choosing-an-llm-for-arabic&utm_content=sources)
-   [Open Arabic LLM Leaderboard (OALL) di Hugging Face (disemak 2026-11-14)](https://huggingface.co/spaces/OALL/Open-Arabic-LLM-Leaderboard)
-   [BALSAM: A Platform for Benchmarking Arabic Large Language Models (arXiv 2507.22603; disemak 2026-11-14)](https://arxiv.org/abs/2507.22603)
-   [Hugging Face, kad model inceptionai/Jais-2-70B-Chat: Apache 2.0, konteks 8,192, tiada Inference Provider (disemak 2026-11-14)](https://huggingface.co/inceptionai/Jais-2-70B-Chat)
-   [Changelog GitHub, model yang ditamatkan dalam GitHub Models: Jais-30b-chat dibuang (31 Oktober 2025; disemak 2026-11-14)](https://github.blog/changelog/2025-10-31-deprecated-models-in-github-models)
-   [Blog Hugging Face, Introducing Falcon-H1-Arabic (5 Januari 2026; disemak 2026-11-14)](https://huggingface.co/blog/tiiuae/falcon-h1-arabic)
-   [IBM watsonx.ai, model asas yang disokong: allam-1-13b-instruct secara deploy on demand (disemak 2026-11-14)](https://www.ibm.com/docs/en/SSYOK8/wsj/analyze-data/fm-models.html)
-   [IBM watsonx.ai, butiran bil untuk aset AI generatif: deploy-on-demand dibilkan setiap jam (disemak 2026-11-14)](https://www.ibm.com/docs/en/SSYOK8/wsj/getting-started/wxai-runtime-plans-genai.html)
-   [Hugging Face, kad model humain-ai/ALLaM-7B-Instruct-preview: Apache 2.0 (disemak 2026-11-14)](https://huggingface.co/humain-ai/ALLaM-7B-Instruct-preview)
-   [Fanar, platform AI bahasa Arab oleh QCRI: akses API atas permintaan (disemak 2026-11-14)](https://fanar.qa/en)
