LLM سے عربی اور انگریزی کے درمیان ترجمے کے لیے ماڈل کو سمت، قارئین اور لہجہ بتائیں، مقررہ اصطلاحات کی فہرست دیں، نمبر اور نام نہ بدلنے دیں، اور پیراگراف جتنے ٹکڑے بھیجیں۔ پھر نمبر اور نفی کوڈ میں جانچیں اور chrF، COMET اور کسی اہلِ زبان جائزہ کار سے اسکور کریں۔
عربی میں یہ کنٹرول اہم ہے، جہاں لفظی ترجمہ درست ہو کر بھی اجنبی لگ سکتا ہے۔
LLMs کے لیے عربی–انگریزی ترجمہ مشکل کیوں ہے؟
- لہجہ۔ رسمی عربی (جدید معیاری عربی، فصحى) اور روزمرہ گفتگو میں بڑا فرق ہے۔ جو مارکیٹنگ لائن انگریزی میں بے تکلف ہے، وہ لفظی MSA میں اکڑی ہوئی یا مضحکہ خیز لگ سکتی ہے۔
- الفاظ کی ترتیب اور لمبائی۔ عربی جملے اکثر فعل سے شروع ہوتے ہیں، اور عربی متن کی لمبائی اکثر انگریزی سے مختلف ہوتی ہے۔ جو UI strings انگریزی میں فِٹ ہوتی ہیں، وہ wrap یا overflow ہو سکتی ہیں۔
- جنس اور عدد۔ عربی افعال، صفات اور ضمائر پر جنس ظاہر کرتی ہے، اور اس میں تثنیہ ہے۔ انگریزی کا “you” أنتَ، أنتِ، أنتما، أنتم یا أنتنّ بننا چاہیے۔ اگر آپ قاری کو نہیں جانتے تو ماڈل کو بتائیں کہ کون سا ڈیفالٹ استعمال کرے۔
- نام اور transliteration۔ “محمد” کی کئی انگریزی املائیں ہیں (Mohammed، Muhammad، Mohamed)۔ ہر شخص کے لیے ایک منتخب کریں اور اسی پر قائم رہیں۔
- نمبر اور تاریخیں۔ مشرقی عربی ہندسے، ہجری تاریخیں اور دائیں سے بائیں فارمیٹنگ، سب کے لیے واضح اصول چاہییں۔
کون سا پرامپٹ اچھے عربی ترجمے دیتا ہے؟
ترجمے کا معیار چالاک الفاظ سے کہیں زیادہ ہدایات پر منحصر ہے۔ ماڈل کو سمت، قارئین، لہجہ، اصطلاحات اور آؤٹ پٹ فارمیٹ بتائیں:
import os
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
GLOSSARY = """Invoice = فاتورة
VAT = ضريبة القيمة المضافة
Refund = استرداد المبلغ
Terms and Conditions = الشروط والأحكام
BroadPay = BroadPay (do not translate)"""
SYSTEM = f"""You translate customer-support articles from English to Arabic.
Audience: retail customers in Saudi Arabia and the UAE.
Register: clear, polite Modern Standard Arabic; short sentences; address the reader
in the masculine singular as a neutral default.
Rules:
- Use the glossary exactly. Never translate product names marked "do not translate".
- Keep every number, date, URL, email address and code snippet unchanged.
- Keep Markdown structure (headings, lists, links) unchanged.
- Output only the translation.
Glossary:
{GLOSSARY}"""
def translate(text: str) -> str:
r = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
max_tokens=4000, # the model reasons before answering
messages=[{"role": "system", "content": SYSTEM},
{"role": "user", "content": text}],
)
return r.choices[0].message.content
عربی → انگریزی کے لیے سمت الٹ دیں اور وہ شامل کریں جو انگریزی قاری کو چاہیے: “American English, plain style, keep Arabic personal names in the spelling given in the glossary” (امریکی انگریزی، سادہ انداز، عربی ذاتی نام اصطلاحات کی فہرست میں دی گئی املا میں رکھیں)۔ اگر source لہجے میں ہو سکتا ہے تو بتائیں: “The source may be Gulf or Egyptian Arabic; translate the meaning, not word for word.” (source خلیجی یا مصری عربی ہو سکتا ہے؛ مفہوم کا ترجمہ کریں، لفظ بہ لفظ نہیں۔)
اصطلاحات کی فہرست اتنی اہم کیوں ہے؟
فہرست کے بغیر ماڈل “refund” کو ایک پیراگراف میں استرجاع اور اگلے میں استرداد لکھ سکتا ہے۔ دونوں ٹھیک عربی ہیں؛ ساتھ میں یہ لاپرواہ لگتے ہیں اور سرچ توڑتے ہیں۔ فہرست اسے ٹھیک کرتی ہے:
- اپنے موجودہ ترجموں سے شروع کریں۔ Help centre، معاہدوں اور UI strings سے اصطلاحات نکالیں جو آپ کے پاس دونوں زبانوں میں پہلے سے ہیں۔
- اسے مختصر رکھیں۔ پچاس سے دو سو اصطلاحات زیادہ تر پروڈکٹس کا احاطہ کرتی ہیں۔ صرف وہ اصطلاحات رکھیں جو بدلنی نہیں چاہییں۔
- ترجمہ-نہ-کریں والی چیزیں شامل کریں۔ برانڈ نام، پروڈکٹ نام، پلان نام اور code identifiers۔
- اسے system prompt میں، متن سے پہلے رکھیں۔ اس سے یہ cache ہونے کے قابل prefix میں بھی رہتی ہے، جو بار بار کی کالز پر ان پٹ لاگت کم کرتا ہے؛ دیکھیں cached ان پٹ ٹوکن۔
- اسے کوڈ میں جانچیں۔ ترجمے کے بعد، source میں آنے والی ہر اصطلاح کا target میں مقررہ شکل میں ہونا جانچیں۔
لمبی دستاویزات کو کیسے تقسیم کریں؟
پیراگراف یا سیکشن کے ٹکڑوں میں ترجمہ کریں، جملہ بہ جملہ نہیں۔ جملے کی سطح کی کالز سیاق کھو دیتی ہیں (“وہ” کون ہے، “یہ” کس پروڈکٹ کی بات ہے)۔ پوری دستاویز کی کالز لمبے کانٹیکسٹ والے ماڈلز پر چلتی ہیں، مگر ایک غلطی ڈھونڈنا اور دوبارہ چلانا مشکل ہوتا ہے۔ چند سو الفاظ کا ایک سیکشن اچھا توازن ہے۔ اگر یکسانیت اہم ہے تو پچھلے سیکشن کا ترجمہ سیاق کے طور پر بھیجیں۔
Qwen3.8 27B کا کانٹیکسٹ 262,144 ٹوکن ہے؛ DeepSeek V4.1 Flash اور GLM 5.3 1,048,576 ٹوکن تک لیتے ہیں، جو ترجمے والے متن کے ساتھ ایک لمبی reference دستاویز شامل کرنے کے لیے کافی ہے۔
خطرناک غلطیاں کیسے پکڑیں؟
رواں آؤٹ پٹ غلطیاں چھپا لیتا ہے۔ انہیں خودکار طور پر جانچیں:
- نمبر: source اور target سے ہر عدد نکالیں (مشرقی عربی ہندسے بدلنے کے بعد) اور دونوں sets ملائیں۔
- نفی: چھوٹا ہوا “نہیں” (لا، لم، لن، ليس، ما) مفہوم الٹ دیتا ہے۔ ایسے جملے نشان زد کریں جہاں source میں نفی ہے اور target میں نہیں۔
- نام اور فہرست کی اصطلاحات: جانچیں کہ وہ بغیر تبدیلی کے بچ گئیں۔
- لمبائی کا تناسب: توقع سے بہت چھوٹا target عموماً بتاتا ہے کہ کچھ چھوٹ گیا۔
import re
EASTERN = str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")
def numbers(s: str) -> list[str]:
return sorted(re.findall(r"\d+(?:[.,]\d+)?", s.translate(EASTERN)))
def check(src: str, tgt: str) -> list[str]:
issues = []
if numbers(src) != numbers(tgt):
issues.append(f"numbers differ: {numbers(src)} vs {numbers(tgt)}")
return issues
اعشاری علامت locales کے درمیان مختلف ہو سکتی ہے (عربی متن کبھی کبھی ٫ استعمال کرتا ہے)، اس لیے اگر آپ کی دستاویزات انہیں استعمال کرتی ہیں تو انہیں بھی normalize کریں۔
ترجمے کے معیار کا جائزہ کیسے لیں؟
خودکار metrics بتاتے ہیں کہ پرامپٹ یا ماڈل کی کسی تبدیلی نے اوسطاً چیزیں بہتر کیں یا بدتر:
| Metric | کیا ناپتا ہے | عربی کے لیے نوٹس |
|---|---|---|
| BLEU | reference سے الفاظ کے n-grams کی مماثلت | عربی پر سخت، جہاں clitics اور املا کی شکلیں الفاظ کی ساخت بدلتی ہیں |
| chrF | حروف کے n-grams کی مماثلت | عربی صرف کے ساتھ زیادہ نرم؛ بہتر ڈیفالٹ |
| COMET | ایک neural ماڈل کا معیار کا اندازہ | انسانی ریٹنگز سے بہتر مطابقت؛ GPU یا hosted scorer چاہیے |
عوامی benchmark کے لیے، No Language Left Behind پراجیکٹ میں استعمال ہونے والا FLORES-200 اپنی زبانوں کی فہرست کے مطابق انگریزی کے ساتھ جدید معیاری عربی اور مصری، نجدی، شمالی اور جنوبی شامی، عراقی (میسوپوٹیمیائی)، مراکشی، تیونسی اور تعزی-عدنی عربی رکھتا ہے۔ مگر اصل ٹیسٹ آپ کا اپنا مواد ہے:
- موجودہ پیشہ ورانہ ترجموں والے 100 سے 200 نمائندہ segments لیں۔
- ہر ماڈل اور پرامپٹ ورژن سے ان کا ترجمہ کریں۔
- تمام سسٹمز کے لیے عربی املا ایک ہی طرح normalize کرنے کے بعد chrF (اور ہو سکے تو COMET) اسکور کریں۔
- کسی اہلِ زبان سے ہر سسٹم کے 30 segments کو درستگی اور فطری پن پر ریٹ کروائیں، بتائے بغیر کہ کس سسٹم نے بنائے۔
- اوپر والی خطرناک غلطیوں کی جانچ کو الگ گنتی کے طور پر ٹریک کریں۔
کون سا ماڈل استعمال کریں، اور لاگت کتنی ہوگی؟
BroadNet بتاتا ہے کہ اس کے ٹیسٹوں میں Qwen3.8 27B نے عربی اور انگریزی کے درمیان درست ترجمہ کیا، رواں عربی لکھی اور خلیجی اور مصری لہجے سمجھے۔ اس سے یہ BroadNet Inference پر پہلا فطری امیدوار بنتا ہے۔ DeepSeek V4.1 Flash بھی ٹیسٹ کرنے کے لائق ہے: اس کے آؤٹ پٹ ٹوکن سستے ہیں، اور لامحدود مقررہ قیمت والے پلانز پر یہی ماڈل ہے۔ DeepSeek V4.1 Flash بمقابلہ Qwen3.8 27B موازنہ دونوں کو آمنے سامنے رکھتا ہے۔
فی دس لاکھ ٹوکن:
| ماڈل | ان پٹ | آؤٹ پٹ |
|---|---|---|
| Qwen3.8 27B | $0.175 | $2.17 |
| DeepSeek V4.1 Flash | $0.175 | $0.52 |
| GLM 5.3 | $0.78 | $3.46 |
ترجمے کا آؤٹ پٹ تقریباً ان پٹ جتنا لمبا ہوتا ہے، اور تینوں ماڈلز جواب سے پہلے ریزننگ کرتے ہیں، اس لیے بل میں عموماً آؤٹ پٹ ٹوکن حاوی رہتے ہیں۔ عربی کو انگریزی سے فی لفظ زیادہ ٹوکن بھی چاہییں؛ دیکھیں عربی اور انگریزی میں فی لفظ ٹوکن۔ ایک نمونہ مفت عربی ٹوکن کاؤنٹر میں پیسٹ کریں، کسی اصل درخواست کے usage سے تصدیق کریں، پھر LLM API لاگت کیلکولیٹر سے ماہانہ خرچ کا اندازہ لگائیں۔ DeepSeek V4.1 Flash پر کسی بڑے ایک بار کے localization پراجیکٹ کے لیے، $15 والا ہفتہ وار پلان ٹوکن میٹر مکمل طور پر ہٹا دیتا ہے۔
کیا آپ معاہدے اور ٹکٹس API کو بھیج سکتے ہیں؟
معاہدوں، طبی خطوط اور سپورٹ ٹکٹس میں اکثر ذاتی ڈیٹا ہوتا ہے۔ BroadNet Inference درخواست کے بعد پرامپٹس یا آؤٹ پٹ محفوظ نہیں رکھتا؛ دیکھیں zero data retention۔ جانچیں کہ آپ کی translation memory اور logs بھی انہی اصولوں پر چلتے ہیں۔
