---
title: "Resumir texto em árabe com LLM: como fazer | BroadRouter"
description: "Resuma artigos, relatórios e mensagens em dialeto árabe com uma API de LLM: prompts, controle de palavras, checagem de números e por que o ROUGE padrão dá 0."
url: https://broadrouter.com/pt/blog/arabic-text-summarization-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-text-summarization-llm/) (atualizado em 2026-11-16).

# Resumo de texto em árabe com LLM: prompts, tamanho e avaliação

Pela equipe da BroadNet Inference · 7 min de leitura · Publicado em 2026-11-15 · Atualizado em 2026-11-16

Diga no prompt o registro (normalmente árabe padrão moderno, mesmo para entrada em dialeto) e uma faixa de palavras. Depois verifique no código: conte as palavras, confirme que cada número do resumo está no texto original e tente de novo uma vez explicando o problema. Avalie com um tokenizador ROUGE adequado ao árabe e revisão humana; o rouge-score padrão dá 0 ao árabe.

## Pontos principais

-   O rouge-score 0.1.2 do Google remove caracteres não latinos por padrão. Rodamos em duas frases em árabe e o F1 deu 0, fosse qual fosse a sobreposição.
-   O mesmo par teve 0,6 com um tokenizador árabe por espaços e 0,8 com uma remoção grosseira de prefixos. Nunca compare valores de ROUGE gerados com tokenizadores diferentes.
-   Peça uma faixa de palavras e depois conte. Tente de novo uma vez com o tamanho medido na mensagem; se ainda errar, mande para revisão.
-   Confira se cada número do resumo está no texto original. É um teste barato para um tipo comum de detalhe inventado.
-   Os dados públicos de resumo em árabe são quase todos notícias em MSA: XL-Sum (46.897 pares em árabe), EASC (153 artigos) e LANS. Dados em dialeto são escassos, então monte seu próprio conjunto de teste.

**Nesta página**

1.  O que um prompt de resumo em árabe deve dizer?
2.  Como resumir texto em dialeto?
3.  Como controlar o tamanho do resumo?
4.  Como pegar detalhes inventados?
5.  Como resumir documentos longos em árabe?
6.  Como avaliar resumos em árabe?
7.  Qual modelo da BroadNet usar e quanto custa?
8.  Onde a BroadNet Inference entra

Resumir texto em árabe com um LLM leva uma requisição. Conseguir resumos que dá para colocar em produção exige três decisões que a requisição não toma por você: em que registro escrever, qual o tamanho do resumo e como você vai saber que está certo. Este post trata de texto escrito: artigos, relatórios, tickets e longas conversas de mensagens. Para reuniões faladas, o [pipeline de atas de reunião em árabe](https://broadrouter.com/pt/blog/arabic-meeting-minutes-from-recordings/) acrescenta a etapa de transcrição e a junção seção por seção.

## O que um prompt de resumo em árabe deve dizer?

Cinco linhas fazem a maior parte do resultado:

1.  **Idioma e registro.** “Árabe padrão moderno” (الفصحى), ou um dialeto específico. Sem isso, um modelo que resume uma entrada egípcia ou do Golfo pode responder misturando.
2.  **Uma faixa de palavras.** “De 40 a 60 palavras”. Faixas são mais fáceis de acertar que números exatos.
3.  **Fatos como estão escritos.** Números, datas e nomes copiados do texto, sem arredondar nem converter.
4.  **Nada novo.** Nenhum contexto que o texto não traga.
5.  **Formato.** Um parágrafo, ou três tópicos, ou JSON com campos fixos.

As instruções podem estar em árabe ou em inglês; em qualquer caso, diga de forma explícita o idioma e o registro da saída. [Engenharia de prompt em árabe](https://broadrouter.com/pt/blog/arabic-prompt-engineering/) aprofunda registro, numerais e texto com alfabetos misturados. Este é o prompt usado no código abaixo:

```text
لخّص النص التالي بالعربية الفصحى في {lo} إلى {hi} كلمة.
- اذكر الأرقام والتواريخ والأسماء كما وردت في النص فقط.
- لا تضف معلومات غير موجودة في النص.
- اكتب فقرة واحدة دون عناوين أو نقاط.
```

## Como resumir texto em dialeto?

A maior parte do texto corporativo em árabe não é MSA: avaliações de clientes, conversas de WhatsApp e posts em redes sociais estão em dialeto, muitas vezes misturado com inglês ou [Arabizi](https://broadrouter.com/pt/blog/arabizi-llm-handling/). Três escolhas ajudam:

-   **Resuma em MSA por padrão.** É neutro entre regiões e mais fácil de pesquisar. Se o resumo volta para o mesmo cliente, use o dialeto dele.
-   **Mantenha as citações-chave ao pé da letra.** Quando o tom importa, como em uma reclamação, peça uma citação curta com as palavras originais. Parafrasear dialeto em MSA pode suavizá-lo.
-   **Teste nos seus dialetos.** A compreensão de dialetos varia entre modelos; veja [como os LLMs lidam com o árabe do Golfo e o egípcio](https://broadrouter.com/pt/blog/arabic-llm-gulf-egyptian-dialects/).

Os dados públicos não vão fazer esse teste por você. Os grandes conjuntos de resumo em árabe são notícias em MSA, e não encontramos um benchmark público de resumo em árabe do Golfo ou egípcio para indicar.

## Como controlar o tamanho do resumo?

Peça em palavras e meça em palavras. Não confie na contagem do próprio modelo e não use um orçamento de tokens como unidade: o número de tokens por palavra em árabe varia de modelo para modelo. Com o tokenizador oficial do Qwen3.8 27B, medimos um parágrafo de notícia em árabe de 96 palavras em 166 tokens, e seu resumo de 58 palavras em 114 tokens. Nos tokenizadores dos quatro modelos de chat da BroadNet, contados com os arquivos de tokenizador do [contador de tokens para árabe](https://broadrouter.com/tools/arabic-token-counter/), o mesmo parágrafo foi de 166 a 224 tokens. [Tokens por palavra em árabe](https://broadrouter.com/pt/blog/tokens-per-word-arabic-english/) traz a medição maior.

Dividir por espaços é a contagem certa para a maioria dos usos, porque é o que o leitor vê. O árabe cola و, ب, ل e ال à palavra, então um resumo de 50 palavras em árabe carrega mais que 50 palavras em inglês de conteúdo. Defina a faixa a partir de exemplos em árabe de que você gosta, não de uma meta pensada para o inglês.

Mais duas regras sobre tamanho:

-   **`max_tokens` não controla o tamanho.** Ele corta a resposta no meio da frase. Defina bem acima do tamanho do resumo, principalmente em modelos de 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/).
-   **Tente de novo uma vez, com o número.** “Seu resumo tem 17 palavras; pedi de 40 a 60” resolve mais do que repetir a instrução.

## Como pegar detalhes inventados?

Sistemas de resumo abstrativo inventam coisas. Maynez et al. (ACL 2020) encontraram “substantial amounts of hallucinated content” (tradução: quantidades consideráveis de conteúdo alucinado) em todos os resumos de modelos que seus anotadores revisaram; isso foi antes dos LLMs atuais, mas nenhum modelo está imune. Não dá para checar significado de forma barata no código, mas dá para checar números: cada número do resumo deve aparecer no texto original. Antes, converta os dígitos arábicos orientais (٠–٩) e persas (۰–۹) para 0–9, ou ١٢ e 12 vão parecer diferentes.

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

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

PROMPT = """لخّص النص التالي بالعربية الفصحى في {lo} إلى {hi} كلمة.
- اذكر الأرقام والتواريخ والأسماء كما وردت في النص فقط.
- لا تضف معلومات غير موجودة في النص.
- اكتب فقرة واحدة دون عناوين أو نقاط.

النص:
{text}"""

DIGITS = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "01234567890123456789")
def numbers(s: str) -> set[str]:
    return set(re.findall(r"\d+(?:[.,٫]\d+)?", s.translate(DIGITS)))

def words(s: str) -> int:
    return len(s.split())          # clitics (و، ال، ب) stay attached: count what readers see

def check(source: str, summary: str, lo: int, hi: int) -> list[str]:
    issues = []
    n = words(summary)
    if not lo <= n <= hi:
        issues.append(f"الطول {n} كلمة، والمطلوب من {lo} إلى {hi}.")
    extra = numbers(summary) - numbers(source)
    if extra:
        issues.append("أرقام غير موجودة في النص: " + "، ".join(sorted(extra)))
    return issues

def summarize(text: str, lo=40, hi=60, model="broadnet/qwen3.8-27b", attempts=2) -> dict:
    messages = [{"role": "user", "content": PROMPT.format(lo=lo, hi=hi, text=text)}]
    for i in range(attempts):
        r = client.chat.completions.create(model=model, messages=messages, max_tokens=2000)
        summary = (r.choices[0].message.content or "").strip()
        issues = check(text, summary, lo, hi)
        if not issues:
            return {"summary": summary, "attempts": i + 1, "issues": []}
        messages += [{"role": "assistant", "content": summary},
                     {"role": "user", "content": "صحّح الملخص: " + " ".join(issues)}]
    return {"summary": summary, "attempts": attempts, "issues": issues}   # send to review
```

Testamos isso com um servidor mock local (sem chamada à API real) e um artigo sintético de 96 palavras sobre um plano de ônibus da cidade. A primeira resposta do mock tinha 17 palavras e falava em ٣٠٠ ônibus onde o artigo dizia ٢٤٠. O `check` retornou os dois problemas: o tamanho medido e “números que não estão no texto: 300”. A segunda resposta, corrigida, passou com 58 palavras, então a função a retornou com `attempts: 2`.

A checagem de números deixa coisas passarem: um nome errado, uma decisão invertida, uma afirmação sem número. É um filtro, não um veredito. Para nomes, reaproveite a checagem de trechos da [extração de entidades nomeadas em árabe](https://broadrouter.com/pt/blog/arabic-named-entity-extraction-llm/): extraia as entidades do resumo e confirme que cada uma aparece no texto original.

## Como resumir documentos longos em árabe?

Se o texto cabe na janela de contexto com folga, envie inteiro. O [Qwen3.8 27B](https://broadrouter.com/pt/models/qwen3.8-27b/) aceita 262.144 tokens por requisição e o [GLM 5.3](https://broadrouter.com/pt/models/glm-5.3/) 1.048.576, somando prompt e resposta; o [Gemma 4 VL 26B](https://broadrouter.com/pt/models/gemma-4-vl-26b/) aceita 32.768. Entradas longas têm um ponto fraco conhecido: os modelos usam com menos confiabilidade os fatos que estão no meio de um contexto longo ([lost in the middle](https://broadrouter.com/pt/glossary/lost-in-the-middle/)). Para um relatório longo, resuma cada seção, depois resuma os resumos e mantenha os títulos das seções no prompt final. O post sobre reuniões mostra a [etapa de junção](https://broadrouter.com/pt/blog/arabic-meeting-minutes-from-recordings/) em código; [contexto longo vs RAG](https://broadrouter.com/pt/blog/long-context-vs-rag/) explica quando é melhor recuperar trechos.

## Como avaliar resumos em árabe?

Use três camadas: uma pontuação automática de sobreposição para pegar regressões, uma pontuação semântica como segunda opinião e pessoas para a decisão.

**ROUGE, com o tokenizador certo.** O pacote rouge-score do Google (versão 0.1.2, ainda a release atual no PyPI em 16 de novembro de 2026) converte o texto para minúsculas e troca por espaço todo caractere fora de a–z e 0–9. O árabe some. Nós verificamos:

```python
import re
from rouge_score import rouge_scorer

ref = "أعلنت البلدية خطة لتوسعة النقل العام تضيف ١٢ خطاً للحافلات"
hyp = "البلدية تعلن خطة توسعة للنقل العام بإضافة ١٢ خطا للحافلات"

print(rouge_scorer.RougeScorer(["rouge1"]).score(ref, hyp)["rouge1"].fmeasure)   # 0.0

class ArabicTokenizer:
    """Whitespace tokens, no diacritics, unified alef, optional light prefix stripping."""
    def __init__(self, strip_prefixes=False):
        self.strip = strip_prefixes
    def tokenize(self, text):
        text = re.sub(r"[ً-ٰٟـ]", "", text)
        text = re.sub("[إأآ]", "ا", text).replace("ى", "ي").replace("ة", "ه")
        toks = re.findall(r"\w+", text)
        if self.strip:   # crude: drop و/ب/ل/ال prefixes on longer words
            toks = [re.sub(r"^(وال|بال|لل|ال|و|ب|ل)(?=\w{3,})", "", t) for t in toks]
        return toks

for strip in (False, True):
    s = rouge_scorer.RougeScorer(["rouge1"], tokenizer=ArabicTokenizer(strip))
    print(strip, round(s.score(ref, hyp)["rouge1"].fmeasure, 3))   # False 0.6, True 0.8
```

As mesmas duas frases ficam com 0, 0,6 ou 0,8 dependendo só da tokenização. Essa é a lição de verdade: a morfologia do árabe (للنقل contra النقل, بإضافة contra تضيف) mexe muito no ROUGE, então uma pontuação não significa nada sem o seu tokenizador. Os autores do XL-Sum publicam um fork multilíngue do ROUGE com stemming por idioma, incluindo árabe; use esse, ou seu próprio tokenizador, e mantenha-o fixo em todas as execuções que você comparar.

**BERTScore** compara significado por meio de embeddings, então tolera paráfrases. Para idiomas além de inglês e chinês, o modelo padrão é o bert-base-multilingual-cased. Trate como um segundo sinal, não como substituto da leitura.

**Pessoas, com uma rubrica.** Peça a um leitor de árabe que avalie de 50 a 100 resumos com três perguntas: falta algo importante, há algo afirmado que o original não diz, o registro está certo. Um [LLM como juiz](https://broadrouter.com/pt/glossary/llm-as-judge/) pode fazer uma triagem em volume depois que as notas dele concordarem com as dos seus leitores em uma amostra. [Avaliar um LLM antes de trocar](https://broadrouter.com/pt/blog/evaluate-llm-before-switching/) explica como montar esse conjunto.

Como dados públicos de referência:

| Dataset | O que contém | Observações |
| --- | --- | --- |
| [XL-Sum](https://huggingface.co/datasets/csebuetnlp/xlsum) árabe | 46.897 pares de artigo e resumo da BBC Arabic (37.519 / 4.689 / 4.689) | CC BY-NC-SA 4.0: só pesquisa não comercial |
| [EASC](https://huggingface.co/datasets/drelhaj/EASC) | 153 artigos, cinco resumos extrativos humanos cada | Pequeno; Wikipédia e dois jornais |
| [LANS](https://arxiv.org/abs/2210.13600) | 8,4 milhões de artigos com resumos de 22 jornais árabes, de 1999 a 2019 | Os resumos vêm dos metadados dos sites |

Os três são notícias em MSA. Seus tickets de suporte e relatórios não são, então o teste que vale é uma amostra dos seus próprios textos, resumida por uma pessoa.

## Qual modelo da BroadNet usar e quanto custa?

Para um piloto, o [Gemma 4 VL 26B](https://broadrouter.com/pt/models/gemma-4-vl-26b/) roda com o crédito inicial de $5 a $0.10 de input e $0.22 de output por 1M de tokens; sua janela de 32.768 tokens comporta a maioria dos artigos individuais. O [Qwen3.8 27B](https://broadrouter.com/pt/models/qwen3.8-27b/), que a BroadNet informa ter testado para escrita fluente em árabe e compreensão dos dialetos do Golfo e egípcio, custa $0.175 de input e $2.17 de output depois de uma recarga. Use o GLM 5.3 quando um único documento for maior que a janela do Qwen.

A conta para 10.000 artigos de 1.000 tokens cada, com resumos de 150 tokens: 10 milhões de tokens de input e 1,5 milhão de tokens de output, então no Qwen3.8 27B dá 10 × $0.175 mais 1,5 × $2.17. Some os tokens de raciocínio, cobrados como output, e eventuais novas tentativas; meça os dois em uma amostra a partir do bloco usage. Se o prompt é o mesmo para todos os artigos, coloque-o no início, para que possa ser cobrado pelo preço de [input em cache](https://broadrouter.com/pt/glossary/cached-input-tokens/).

## Onde a BroadNet Inference entra

O BroadRouter é o site da própria BroadNet. A BroadNet Inference atende a etapa de resumo por meio de uma API compatível com a OpenAI, então o código acima roda com o [SDK Python da OpenAI](https://broadrouter.com/pt/guides/openai-python-sdk/). A documentação dela diz que prompts e respostas não são retidos após a requisição. Ela não publica um benchmark próprio de resumo em árabe, e nada aqui mede a qualidade dos resumos nos modelos dela; rode as checagens acima nos seus textos. Para entrada falada, combine com o BroadNet Transcribe Arabic como no [post sobre atas de reunião](https://broadrouter.com/pt/blog/arabic-meeting-minutes-from-recordings/).

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.

[Tokenizer (tokenizador)](https://broadrouter.com/pt/glossary/tokenizer/)

Tokenizer (tokenizador) é o componente que converte texto na sequência de IDs inteiros de tokens que um modelo de linguagem lê, e converte os IDs gerados de volta em texto. Cada modelo vem com o próprio tokenizer, então o mesmo texto pode gerar um número diferente de tokens em modelos diferentes.

[Árabe dialetal (dialectal Arabic)](https://broadrouter.com/pt/glossary/dialectal-arabic/)

Árabe dialetal é o árabe falado no dia a dia de uma região ou cidade, como o árabe egípcio, do Golfo, levantino ou magrebino. Os dialetos diferem do árabe padrão moderno em sons, palavras e gramática, não têm ortografia padrão e são cada vez mais escritos na internet, o que os torna mais difíceis para modelos de linguagem.

[Árabe padrão moderno (MSA)](https://broadrouter.com/pt/glossary/msa/)

O árabe padrão moderno (MSA) é a forma padronizada do árabe usada na escrita, no noticiário, na educação e na fala formal em todo o mundo árabe. Ele não é a língua materna do dia a dia de ninguém: as pessoas falam dialetos regionais, como o egípcio ou o árabe do Golfo, e passam para o MSA em contextos formais.

[Embeddings](https://broadrouter.com/pt/glossary/embeddings/)

Embeddings são listas de números de ponto flutuante (vetores) que um modelo produz para representar um texto, uma imagem ou outra entrada. Entradas com significado parecido recebem vetores próximos, então a distância entre vetores serve para ordenar resultados de busca, agrupar documentos ou encontrar itens relacionados.

[Lost in the middle (perdido no meio)](https://broadrouter.com/pt/glossary/lost-in-the-middle/)

Lost in the middle é a tendência observada de modelos de linguagem usarem melhor as informações relevantes quando elas aparecem perto do início ou do fim de uma entrada longa, e pior quando ficam no meio. O nome vem de um estudo de 2023 de Liu et al.

[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.

[API compatível com a OpenAI](https://broadrouter.com/pt/glossary/openai-compatible-api/)

Uma API compatível com a OpenAI é uma API HTTP que aceita os mesmos formatos de requisição e de resposta da API da OpenAI, como POST /v1/chat/completions, de modo que SDKs e ferramentas da OpenAI podem usá-la trocando só a base URL, a chave de API e o nome do modelo.

## Perguntas frequentes

### Um LLM consegue resumir bem um texto em árabe?

Sim, mas fluente não é o mesmo que correto. Verifique tamanhos e números no código e peça a um leitor de árabe que avalie uma amostra, procurando pontos que faltam e detalhes inventados, antes de confiar.

### O resumo de um texto em dialeto deve sair em dialeto ou em MSA?

Normalmente em MSA, porque soa neutro e é pesquisável em todas as regiões. Mantenha citações curtas no dialeto original quando as palavras importam, como em uma reclamação. Diga no prompt o que você quer; senão os modelos oscilam entre os dois.

### Por que o ROUGE dá 0 para os meus resumos em árabe?

O pacote Python rouge-score, muito usado, troca por espaços os caracteres fora de a-z e 0-9 por padrão, então o texto em árabe não gera nenhum token. Passe seu próprio tokenizador ou use o fork multilíngue do ROUGE dos autores do XL-Sum.

### Como controlo o tamanho de um resumo em árabe?

Peça uma faixa de palavras, não uma contagem de tokens, e meça a resposta dividindo por espaços. Se errar, reenvie uma vez com o tamanho medido. Lembre que as palavras em árabe costumam levar prefixos colados, então um resumo de 50 palavras em árabe carrega mais que 50 palavras em inglês de significado.

### Que dataset posso usar para testar resumo em árabe?

O XL-Sum tem 46.897 pares de artigo e resumo em árabe da BBC (licença não comercial). O EASC tem 153 artigos com cinco resumos extrativos humanos cada. Os dois são notícias em MSA, então acrescente uma amostra dos seus próprios textos, principalmente em dialeto.

## Continue lendo

-   [Atas de reuniões em árabe a partir de gravações: um pipeline de API](https://broadrouter.com/pt/blog/arabic-meeting-minutes-from-recordings/)
-   [Engenharia de prompt em árabe: registro, RTL, números e texto misto](https://broadrouter.com/pt/blog/arabic-prompt-engineering/)
-   [Árabe do Golfo, egípcio e levantino: como os LLMs lidam com dialetos](https://broadrouter.com/pt/blog/arabic-llm-gulf-egyptian-dialects/)
-   [Como escolher uma API de LLM para árabe: o que testar](https://broadrouter.com/pt/blog/choosing-an-llm-for-arabic/)
-   [Tokens por palavra em árabe vs inglês: por que o árabe custa mais](https://broadrouter.com/pt/blog/tokens-per-word-arabic-english/)
-   [Contexto longo vs RAG: quando 1M de tokens substitui um banco vetorial](https://broadrouter.com/pt/blog/long-context-vs-rag/)
-   [Diacríticos no árabe com um LLM: prompt, checagens e DER](https://broadrouter.com/pt/blog/arabic-diacritization-llm/)
-   [Correção gramatical e ortográfica do árabe com um LLM: passo a passo](https://broadrouter.com/pt/blog/arabic-grammar-spelling-correction-llm/)
-   [Guia: Como usar o SDK Python da OpenAI com a BroadNet Inference](https://broadrouter.com/pt/guides/openai-python-sdk/)
-   [Guia: Por que um modelo de raciocínio devolve uma resposta vazia](https://broadrouter.com/pt/guides/reasoning-tokens-empty-response/)

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-text-summarization-llm&utm_content=page-cta) ·

**Fontes**

-   [Hasan et al., XL-Sum: Large-Scale Multilingual Abstractive Summarization for 44 Languages, Findings of ACL 2021 (consultado em 2026-11-15)](https://aclanthology.org/2021.findings-acl.413/)
-   [Ficha do dataset XL-Sum no Hugging Face: divisão em árabe 37.519 / 4.689 / 4.689, CC BY-NC-SA 4.0 (consultado em 2026-11-15)](https://huggingface.co/datasets/csebuetnlp/xlsum)
-   [Repositório do XL-Sum, pontuação ROUGE multilíngue com stemming por idioma (consultado em 2026-11-15)](https://github.com/csebuetnlp/xl-sum)
-   [Código do tokenizador do rouge-score do Google Research: converte para minúsculas e substitui caracteres não alfanuméricos (consultado em 2026-11-15)](https://github.com/google-research/google-research/blob/master/rouge/tokenize.py)
-   [El-Haj, Kruschwitz e Fox, Essex Arabic Summaries Corpus (EASC), espelho no Hugging Face (consultado em 2026-11-15)](https://huggingface.co/datasets/drelhaj/EASC)
-   [Alhamadani et al., LANS: Large-scale Arabic News Summarization Corpus, arXiv 2210.13600 (consultado em 2026-11-15)](https://arxiv.org/abs/2210.13600)
-   [Maynez et al., On Faithfulness and Factuality in Abstractive Summarization, ACL 2020 (consultado em 2026-11-15)](https://aclanthology.org/2020.acl-main.173/)
-   [Repositório do BERTScore: modelo multilíngue padrão para idiomas além de inglês e chinês (consultado em 2026-11-15)](https://github.com/Tiiiger/bert_score)
-   [Referência da API e preços da BroadNet Inference: modelos, tamanhos de contexto, 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-text-summarization-llm&utm_content=sources)
