---
title: "NER em árabe com LLM: extração de entidades em JSON | BroadRouter"
description: "Extraia nomes, organizações, lugares e datas hégira de textos em árabe para JSON com um LLM: prompt, checagem sem diacríticos, conversão de datas e avaliação."
url: https://broadrouter.com/pt/blog/arabic-named-entity-extraction-llm/
lang: pt-BR
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/blog/arabic-named-entity-extraction-llm/) (atualizado em 2026-11-15).

# Extrair entidades nomeadas em árabe com LLM: JSON, datas e checagens

Pela equipe da BroadNet Inference · 7 min de leitura · Publicado em 2026-11-15

Peça ao modelo que copie cada entidade exatamente como está escrita, com um tipo de uma lista fixa, em JSON. Verifique cada entidade no código: ela precisa aparecer no texto original depois de tirar os diacríticos e unificar as formas de alef. Converta datas hégira com uma biblioteca como a hijridate, não com o modelo. Avalie uma amostra rotulada à mão com precisão, recall e F1 por entidade.

## Pontos principais

-   No LAraBench (EACL 2024), o GPT-4 zero-shot fez 0,355 de macro-F1 na marcação por token do ANERcorp, contra 0,886 de um sistema com fine-tuning; com 10 exemplos subiu para 0,451.
-   Extrair uma lista JSON curta de entidades é uma tarefa diferente de marcar cada token. Teste o formato que você vai colocar em produção, no seu próprio texto.
-   Compare as entidades depois de remover tashkeel e tatweel e unificar as formas de alef, ou um nome que o modelo copiou certo vai parecer uma alucinação.
-   Deixe o modelo ler a data e o código convertê-la. A hijridate cobre datas Umm al-Qura de 1343 a 1500 AH (1924 a 2077 d.C.).
-   Existem conjuntos públicos de NER em árabe para notícias (ANERcorp), Wikipédia (AQMAR), MSA mais dialeto (Wojood) e árabe clássico (CANERCorpus). Os rótulos deles raramente batem com os seus.

**Nesta página**

1.  Os LLMs são bons em NER em árabe?
2.  Quais datasets de NER em árabe existem?
3.  O que o prompt deve pedir?
4.  Como checar as entidades contra o texto original?
5.  Como lidar com datas hégira?
6.  E nomes em Arabizi e texto misturado?
7.  Como avaliar o extrator?
8.  Qual modelo da BroadNet usar?
9.  Onde a BroadNet Inference entra

A extração de entidades nomeadas transforma um parágrafo em registros que seu código pode usar: quem, qual organização, onde e quando. O árabe acrescenta quatro problemas que pipelines em inglês raramente encontram: diacríticos opcionais, várias grafias para a mesma letra, nomes escritos em letras latinas ([Arabizi](https://broadrouter.com/pt/glossary/arabizi/)) e datas em dois calendários. Este post monta uma etapa de extração em um LLM compatível com a OpenAI que trata cada um desses problemas no código, e um script de avaliação que diz se ela funciona no seu texto.

Para classificar mensagens inteiras em vez de extrair trechos delas, veja [classificação de texto em árabe](https://broadrouter.com/pt/blog/arabic-text-classification-llm/). Para as opções de requisição JSON em si, veja [JSON mode vs json\_schema](https://broadrouter.com/pt/blog/structured-output-json-schema/).

## Os LLMs são bons em NER em árabe?

A medição pública mais relevante que encontramos é o LAraBench (Abdelali et al., EACL 2024), que rodou o GPT-3.5 e o GPT-4 em conjuntos de NER em árabe como marcação token a token. Macro-F1, quanto maior, melhor:

| Dataset | GPT-3.5 zero-shot | GPT-4 zero-shot | GPT-4 3-shot | Sistema com fine-tuning citado |
| --- | --- | --- | --- | --- |
| ANERcorp (notícias) | 0,210 | 0,355 | 0,420 | 0,886 |
| AQMAR (Wikipédia) | 0,230 | 0,365 | 0,390 | 0,690 |
| QASR (transcrições) | 0,208 | 0,504 | n/d | 0,698 |

Mais exemplos ajudaram: o GPT-4 no ANERcorp subiu de 0,355 sem exemplos para 0,451 com dez. Os autores também tiveram de remapear as tags que o modelo escrevia no próprio formato, como PER-B em vez de B-PER.

Leia com cuidado. São modelos de 2023 fazendo uma tarefa rígida de marcação em conjuntos de rótulos de benchmark. Um modelo atual a quem você pede uma lista curta de pessoas e empresas em um ticket de suporte pode se sair muito melhor, ou não. A tabela diz duas coisas que continuam valendo: um LLM não é automaticamente um bom sistema de NER, e você precisa da sua própria medição.

## Quais datasets de NER em árabe existem?

| Dataset | Texto | Tamanho e rótulos |
| --- | --- | --- |
| [ANERcorp](https://camel.abudhabi.nyu.edu/anercorp/) | Notícias | Cerca de 150.000 tokens; pessoa, local, organização, diversos. O CAMeL Lab publica uma divisão treino/teste padrão |
| [CLEANANERCorp](https://aclanthology.org/2024.osact-1.2/) | ANERcorp corrigido | Corrige erros de anotação, rótulos faltantes e inconsistências encontrados no original |
| [AQMAR](https://www.cs.cmu.edu/~ark/ArabicNER/) | Wikipédia em árabe | 74.000 tokens de 28 artigos |
| [Wojood](https://aclanthology.org/2022.lrec-1.387/) | MSA e dialeto | Cerca de 550.000 tokens, 21 tipos de entidade, aninhados; usado na shared task WojoodNER 2023 |
| [CANERCorpus](https://github.com/RamziSalah/Classical-Arabic-Named-Entity-Recognition-Corpus) | Hadiths em árabe clássico | Mais de 7.000 hadiths, 20 tipos sobre temas islâmicos |

Use-os para uma checagem rápida do prompt, não como teste de aceitação. Seus tipos de entidade (cliente, produto, filial, número de contrato) vão ser diferentes dos deles, e as licenças também variam. Confira cada uma antes de uso comercial.

## O que o prompt deve pedir?

Três regras tornam a saída verificável:

1.  **Copie o trecho exatamente.** Sem tradução, sem transliteração, sem “completar” um primeiro nome para o nome completo. Se precisar de uma grafia em inglês, peça em um campo separado e trate como não verificada.
2.  **Uma lista fechada de tipos.** PERSON, ORG, LOCATION, DATE, ou o seu próprio conjunto. Tipos livres não dão para avaliar.
3.  **Datas em partes, não convertidas.** Peça ano, mês e dia como estão escritos, mais o calendário. Um هـ no final indica data hégira; م indica gregoriana.

Escreva as instruções em inglês ou em árabe; [engenharia de prompt em árabe](https://broadrouter.com/pt/blog/arabic-prompt-engineering/) discute os prós e contras. Coloque o formato JSON no system prompt e mantenha-o idêntico entre as requisições, para que possa ir para o [cache](https://broadrouter.com/pt/glossary/cached-input-tokens/).

## Como checar as entidades contra o texto original?

O modelo pode retornar um nome que o texto nunca menciona, ou copiar um nome certo, mas sem os diacríticos. Um simples teste de substring não diferencia os dois casos. Normalize os dois lados antes: remova tashkeel e tatweel, unifique as formas de alef e junte عبد ال para que عبد الله corresponda a عبدالله. As regras são as mesmas da [normalização de texto em árabe para busca](https://broadrouter.com/pt/blog/arabic-text-normalization-search/), aplicadas só à comparação. Guarde o trecho original para exibição.

```python
import json, os, re
from hijridate import Hijri
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

TYPES = {"PERSON", "ORG", "LOCATION", "DATE"}
SYSTEM = """Extract named entities from the Arabic text. Reply with JSON only:
{"entities": [{"text": "...", "type": "PERSON|ORG|LOCATION|DATE"}],
 "dates": [{"text": "...", "calendar": "hijri|gregorian", "year": 0, "month": 0, "day": 0}]}
Rules: copy "text" exactly as it appears in the input, including any diacritics.
Do not translate, transliterate or complete names. A date followed by هـ is Hijri.
If there are no entities, return empty lists."""

DIACRITICS = re.compile(r"[ً-ٰٟـ]")   # tashkeel, dagger alef, tatweel
def norm(s: str) -> str:
    s = DIACRITICS.sub("", s)
    s = re.sub("[إأآٱ]", "ا", s).replace("ى", "ي").replace("عبد ال", "عبدال")
    return " ".join(s.split())

def validate(source: str, data: dict) -> tuple[list, list]:
    """Keep entities that really occur in the source; report everything else."""
    src, kept, problems = norm(source), [], []
    for e in data.get("entities", []):
        if e.get("type") not in TYPES:
            problems.append(f"unknown type: {e}")
        elif norm(e.get("text", "")) not in src:
            problems.append(f"not in source: {e['text']}")
        else:
            kept.append(e)
    for d in data.get("dates", []):
        if d.get("calendar") == "hijri":
            try:
                d["iso"] = Hijri(d["year"], d["month"], d["day"]).to_gregorian().isoformat()
            except (ValueError, OverflowError) as err:
                problems.append(f"bad Hijri date {d['text']}: {err}")
    return kept, problems

def extract(text: str, model="broadnet/qwen3.8-27b") -> dict:
    r = client.chat.completions.create(
        model=model, max_tokens=2000,
        messages=[{"role": "system", "content": SYSTEM}, {"role": "user", "content": text}])
    data = json.loads(r.choices[0].message.content)
    data["entities"], data["problems"] = validate(text, data)
    return data

text = "التقى خالِد بن سَعِيد مديرةَ شركة النخيل للتقنية في جدة يوم ١٥ جمادى الآخرة ١٤٤٥هـ."
print(json.dumps(extract(text), ensure_ascii=False, indent=1))
```

Rodamos isso contra um servidor mock local (sem chamada à API real) cuja resposta pronta acrescentava uma pessoa inventada e uma data impossível (mês 13). A saída manteve خالد بن سعيد (a resposta tinha perdido os diacríticos; a comparação normalizada achou mesmo assim), شركة النخيل للتقنية e جدة. Converteu ١٥ جمادى الآخرة ١٤٤٥هـ em 2023-12-28 e listou dois problemas: o nome inventado estava “not in source” e o mês 13 gerou “month must be in 1-12”. Os nomes e a empresa são fictícios.

Observações sobre o código:

-   **`max_tokens=2000`** deixa espaço para o raciocínio. A documentação da BroadNet diz que DeepSeek V4.1 Flash, GLM 5.3 e Qwen3.8 27B raciocinam antes de responder e que esse raciocínio conta para `max_tokens`. Veja [respostas vazias de modelos de raciocínio](https://broadrouter.com/pt/guides/reasoning-tokens-empty-response/).
-   **`json.loads` pode falhar.** Envolva em um try e, em caso de falha, reenvie uma vez com o erro, como no [loop de correção](https://broadrouter.com/pt/blog/structured-output-json-schema/). No GLM 5.3 e no Qwen3.8 27B, que a BroadNet documenta com saída estruturada, acrescente também um schema em `response_format`. A validação continua de qualquer forma.
-   **A comparação por substring é propositalmente frouxa.** Ela confirma que o trecho existe; não confirma o tipo. Os tipos são o que a etapa de avaliação abaixo mede.

## Como lidar com datas hégira?

O texto em árabe escreve datas de muitas formas: ١٥/٦/١٤٤٥هـ, ١٥ جمادى الآخرة ١٤٤٥, ou uma data gregoriana com nomes de meses que mudam por região (نوفمبر no Egito e no Golfo, تشرين الثاني no Levante). Um modelo normalmente consegue separá-las em partes, e o código confere as partes. Converter entre calendários é aritmética sobre uma tabela publicada, e não há motivo para um modelo acertar isso.

A [hijridate](https://pypi.org/project/hijridate/), antes hijri-converter, converte usando o calendário Umm al-Qura. O intervalo documentado vai de 1343 a 1500 AH (1º de agosto de 1924 a 16 de novembro de 2077 d.C.). Fora do intervalo ela lança OverflowError; um mês ou dia inválido lança ValueError, por isso o código captura os dois. A documentação diz que ela não se destina a fins religiosos em que se prefere a observação da lua crescente, então uma data definida por observação pode diferir do valor convertido. Guarde a data como está escrita ao lado da convertida.

Os dígitos arábicos orientais não precisam de tratamento especial aqui: o modelo retorna inteiros. Se você mesmo fizer o parsing das datas, converta antes ٠١٢٣٤٥٦٧٨٩ (e os persas ۰–۹) para 0–9.

## E nomes em Arabizi e texto misturado?

Mensagens de clientes muitas vezes escrevem nomes em letras latinas: “ana 7a2ool la Mo7ammad bokra”. A regra do trecho exato continua funcionando: o texto da entidade é “Mo7ammad”, e a checagem de substring passa. O que falha é associar esse registro a محمد no seu CRM. Faça isso em uma segunda etapa: converta o trecho para o alfabeto árabe, como em [lidar com Arabizi](https://broadrouter.com/pt/blog/arabizi-llm-handling/), e compare com seus registros usando a mesma normalização. Mantenha um indicador de confiança em todo registro que passou por uma conversão.

O mesmo vale para nomes de empresas em inglês dentro de frases em árabe e para grafias latinas de nomes árabes (Mohammed, Muhammad, Mohamed). Não peça à etapa de extração que escolha uma grafia.

## Como avaliar o extrator?

Rotule à mão de 100 a 200 amostras reais, com a mesma lista de tipos. Depois compare as previsões com correspondência exata por entidade sobre o texto normalizado e o tipo, e informe precisão, recall e F1 por tipo:

```python
from collections import Counter

def score(gold: list[list[dict]], pred: list[list[dict]]) -> dict:
    """Entity-level exact match on (normalised text, type), micro-averaged, plus per type."""
    tp, fp, fn = Counter(), Counter(), Counter()
    for g, p in zip(gold, pred):
        G = Counter((norm(e["text"]), e["type"]) for e in g)
        P = Counter((norm(e["text"]), e["type"]) for e in p)
        for (t, ty), n in (G | P).items():
            hit = min(G[(t, ty)], P[(t, ty)])
            tp[ty] += hit; fp[ty] += P[(t, ty)] - hit; fn[ty] += G[(t, ty)] - hit
    def prf(a, b, c):
        p = a / (a + b) if a + b else 0.0
        r = a / (a + c) if a + c else 0.0
        return {"p": round(p, 3), "r": round(r, 3), "f1": round(2 * p * r / (p + r), 3) if p + r else 0.0}
    out = {ty: prf(tp[ty], fp[ty], fn[ty]) for ty in sorted(tp | fp | fn)}
    out["micro"] = prf(sum(tp.values()), sum(fp.values()), sum(fn.values()))
    return out
```

Em um conjunto de brinquedo de duas frases (três entidades de referência; a previsão classificou جدة como ORG em vez de LOCATION e acrescentou um lugar a mais), ele imprimiu precisão micro 0,5, recall 0,667 e F1 0,571, e F1 de LOCATION igual a 0. A visão por tipo mostra onde investir esforço: uma pontuação fraca em ORG normalmente significa que as definições dos tipos precisam de exemplos, não de um modelo maior.

Decida antes o que conta como acerto. A correspondência exata é rígida: “شركة النخيل” contra uma referência “شركة النخيل للتقنية” conta como um falso positivo e um falso negativo. Se trechos parciais forem aceitáveis no seu uso, informe uma segunda pontuação baseada em sobreposição, mas mantenha a rígida como número principal.

## Qual modelo da BroadNet usar?

Todos os preços são por 1M de tokens, da página de preços da BroadNet.

| Modelo | Por quê | Input / output |
| --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/pt/models/qwen3.8-27b/) | Saída estruturada documentada; a BroadNet informa que foi testado em árabe, incluindo compreensão dos dialetos do Golfo e egípcio; lê imagens | $0.175 / $2.17 |
| [GLM 5.3](https://broadrouter.com/pt/models/glm-5.3/) | Saída estruturada documentada; contexto de 1.048.576 tokens para documentos muito longos | $0.78 / $3.46 |
| [Gemma 4 VL 26B](https://broadrouter.com/pt/models/gemma-4-vl-26b/) | Roda com o crédito inicial de $5; sem saída estruturada documentada, então valide o JSON obtido só pelo prompt; contexto de 32.768 tokens | $0.10 / $0.22 |

Rode o script de avaliação na sua amostra com cada candidato e escolha pelo F1 por tipo e pelo custo, não pela descrição do fornecedor. Para o mesmo conteúdo, o árabe costuma usar mais tokens que o inglês; [tokens por palavra em árabe](https://broadrouter.com/pt/blog/tokens-per-word-arabic-english/) traz as proporções medidas. Para entidades dentro de formulários digitalizados ou fotos, extraia direto da imagem, como em [ler notas fiscais em árabe com visão](https://broadrouter.com/pt/guides/read-arabic-invoices-with-vision/).

## Onde a BroadNet Inference entra

O BroadRouter é o site da própria BroadNet. A BroadNet Inference dá acesso compatível com a OpenAI aos modelos acima com uma única chave, então o código roda com o [SDK Python da OpenAI](https://broadrouter.com/pt/guides/openai-python-sdk/) depois de trocar a base URL. A documentação dela diz que prompts e respostas não são retidos após a requisição, o que importa quando o texto está cheio de nomes de pessoas. Ela não tem um endpoint dedicado a NER e não publica um benchmark próprio de NER em árabe, então meça nos seus dados. Se você precisa de um marcador self-hosted para grande volume, um modelo com fine-tuning treinado no Wojood ou nos seus próprios rótulos pode sair mais barato e ser mais consistente que qualquer LLM; a diferença publicada acima é o motivo para verificar.

Ferramentas gratuitas sobre o tema (em inglês)

-   [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.

[Ferramentas gratuitas (em inglês)](https://broadrouter.com/tools/)

## Termos neste artigo

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

Um token é a unidade de texto que um modelo de linguagem lê e escreve: uma palavra, parte de uma palavra, um sinal de pontuação ou uma sequência de bytes gerada pelo tokenizador do modelo. As APIs de LLM contam, limitam e normalmente cobram o uso em tokens.

[Reconhecimento de entidades nomeadas (NER)](https://broadrouter.com/pt/glossary/named-entity-recognition/)

Reconhecimento de entidades nomeadas (NER) é a tarefa de encontrar nomes em um texto e rotular cada um com um tipo, como pessoa, organização ou local. Sistemas clássicos rotulam cada token; já aos LLMs costuma-se pedir uma lista de entidades em JSON, que depois é conferida contra o texto original.

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

Arabizi é árabe escrito de modo informal com letras latinas, usando dígitos para sons árabes sem equivalente latino, como 3 para ع. É comum em chats e redes sociais, é quase sempre dialetal, não tem grafia padrão e muitas vezes vem misturado com inglês ou francês.

[Saída estruturada (structured output)](https://broadrouter.com/pt/glossary/structured-output/)

Saída estruturada é um recurso de APIs de LLM que restringe a resposta de um modelo a um formato definido pelo desenvolvedor, normalmente um JSON Schema, para que o código consiga interpretá-la de forma confiável. É mais rigorosa que o JSON mode, que garante um JSON válido, mas não uma estrutura específica.

[Base URL (URL base)](https://broadrouter.com/pt/glossary/base-url/)

A base URL é o endereço raiz fixo de uma API, como https://api.example.com/v1, que um cliente coloca antes de cada caminho de endpoint, como /chat/completions. Nos SDKs compatíveis com a OpenAI, trocar a base URL, junto com a chave de API e o ID do modelo, aponta o mesmo código para outro provedor.

[Fine-tuning (ajuste fino de LLM)](https://broadrouter.com/pt/glossary/fine-tuning/)

Fine-tuning é o processo de continuar treinando um modelo de linguagem pré-treinado com um conjunto de dados menor e específico, como conversas de exemplo, para que seus pesos mudem e ele execute aquela tarefa ou estilo de forma mais confiável, sem instruções longas ou exemplos em todo prompt.

[Diacríticos árabes (tashkeel)](https://broadrouter.com/pt/glossary/arabic-diacritics/)

Diacríticos árabes, ou tashkeel, são pequenas marcas escritas acima ou abaixo das letras para indicar vogais curtas, consoantes dobradas e a ausência de vogal. São opcionais: a maior parte do texto árabe, incluindo notícias, não as usa, então leitores e software deduzem as vogais pelo contexto.

[Engenharia de prompt (prompt engineering)](https://broadrouter.com/pt/glossary/prompt-engineering/)

Engenharia de prompt é o processo de escrever, estruturar e testar as instruções dadas a um modelo de linguagem para que ele produza, de forma consistente, uma saída que atenda aos seus requisitos. Inclui mensagens de papel, instruções claras, exemplos, formatação e a medição dos resultados com casos de teste.

## Perguntas frequentes

### Um LLM consegue fazer reconhecimento de entidades nomeadas em árabe?

Sim, com checagens. Os resultados zero-shot publicados para NER em árabe por token ficam bem atrás de modelos com fine-tuning, então valide cada entidade contra o texto original e avalie o modelo em uma amostra rotulada dos seus próprios dados antes de confiar.

### Como comparo nomes árabes com e sem diacríticos?

Normalize os dois lados antes de comparar: remova o tashkeel (U+064B a U+065F), o alef sobrescrito e o tatweel, converta إ أ آ ٱ em ا e ى em ي, e junte os espaços repetidos. Guarde o texto original para exibição; use a forma normalizada só para comparar.

### Como converto uma data hégira para gregoriana em Python?

Use a hijridate (antes hijri-converter): Hijri(1445, 6, 15).to\_gregorian() retorna 2023-12-28. Ela segue o calendário Umm al-Qura, aceita de 1343 a 1500 AH e não se destina a datas religiosas definidas pela observação da lua.

### Em quais datasets de NER em árabe posso testar?

ANERcorp (notícias, cerca de 150.000 tokens, quatro tipos), AQMAR (74.000 tokens da Wikipédia), Wojood (cerca de 550.000 tokens de MSA e dialeto com 21 tipos aninhados) e CANERCorpus (hadiths em árabe clássico, 20 tipos). Confira cada licença e mapeie os rótulos deles para os seus.

### O modelo deve traduzir ou transliterar os nomes?

Não na etapa de extração. Peça o trecho exato do texto, para poder verificá-lo. Se precisar de uma grafia latina, acrescente um campo separado e trate-o como não verificado.

## Continue lendo

-   [JSON mode vs json\_schema: saída estruturada que não quebra](https://broadrouter.com/pt/blog/structured-output-json-schema/)
-   [Normalizar texto em árabe para busca e RAG: o que mudar e o que não](https://broadrouter.com/pt/blog/arabic-text-normalization-search/)
-   [Arabizi e LLMs: como lidar com o franco-árabe e números como 3 e 7](https://broadrouter.com/pt/blog/arabizi-llm-handling/)
-   [Classificação de texto em árabe com LLM: sentimento, intenção, triagem](https://broadrouter.com/pt/blog/arabic-text-classification-llm/)
-   [Engenharia de prompt em árabe: registro, RTL, números e texto misto](https://broadrouter.com/pt/blog/arabic-prompt-engineering/)
-   [Como escolher uma API de LLM para árabe: o que testar](https://broadrouter.com/pt/blog/choosing-an-llm-for-arabic/)
-   [Correção gramatical e ortográfica do árabe com um LLM: passo a passo](https://broadrouter.com/pt/blog/arabic-grammar-spelling-correction-llm/)
-   [Diacríticos no árabe com um LLM: prompt, checagens e DER](https://broadrouter.com/pt/blog/arabic-diacritization-llm/)
-   [Atas de reuniões em árabe a partir de gravações: um pipeline de API](https://broadrouter.com/pt/blog/arabic-meeting-minutes-from-recordings/)
-   [Guia: Ler notas fiscais e recibos em árabe com um modelo de visão](https://broadrouter.com/pt/guides/read-arabic-invoices-with-vision/)
-   [Guia: Como usar o SDK Python da OpenAI com a BroadNet Inference](https://broadrouter.com/pt/guides/openai-python-sdk/)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

[Começar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-arabic-named-entity-extraction-llm&utm_content=page-cta) ·

**Fontes**

-   [Abdelali et al., LAraBench: Benchmarking Arabic AI with Large Language Models, EACL 2024, tabelas 1 e 5 (consultado em 2026-11-15)](https://aclanthology.org/2024.eacl-long.30/)
-   [Jarrar, Khalilia e Ghanem, Wojood: Nested Arabic Named Entity Corpus and Recognition using BERT, LREC 2022 (consultado em 2026-11-15)](https://aclanthology.org/2022.lrec-1.387/)
-   [Jarrar et al., WojoodNER 2023: The First Arabic Named Entity Recognition Shared Task, ArabicNLP 2023 (consultado em 2026-11-15)](https://aclanthology.org/2023.arabicnlp-1.83/)
-   [CAMeL Lab, página de download do ANERcorp e divisão treino/teste (consultado em 2026-11-15)](https://camel.abudhabi.nyu.edu/anercorp/)
-   [AlDuwais, Al-Khalifa e AlSalman, CLEANANERCorp: Identifying and Correcting Incorrect Labels in the ANERcorp Dataset, OSACT 2024 (consultado em 2026-11-15)](https://aclanthology.org/2024.osact-1.2/)
-   [CMU ARK, AQMAR Arabic Wikipedia Named Entity Corpus: 74.000 tokens, 28 artigos (consultado em 2026-11-15)](https://www.cs.cmu.edu/~ark/ArabicNER/)
-   [Salah e Zakaria, repositório do Classical Arabic Named Entity Recognition Corpus (CANERCorpus) (consultado em 2026-11-15)](https://github.com/RamziSalah/Classical-Arabic-Named-Entity-Recognition-Corpus)
-   [hijridate no PyPI: conversor Umm al-Qura, antes hijri-converter, de 1343 a 1500 AH (consultado em 2026-11-15)](https://pypi.org/project/hijridate/)
-   [Referência da API da BroadNet Inference: modelos com saída estruturada, raciocínio e max\_tokens (consultado em 2026-11-15) (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-arabic-named-entity-extraction-llm&utm_content=sources)
