---
title: "LLMs سے عربی انگریزی ترجمہ: پرامپٹس اور QA | BroadRouter"
description: "LLM API سے عربی سے انگریزی اور واپس ترجمہ کریں: لہجہ برقرار رکھنے والے پرامپٹس، مقررہ اصطلاحات کی فہرست، نمبر اور نام، اور معیار کا جائزہ کیسے لیں۔"
url: https://broadrouter.com/ur/blog/arabic-english-translation-llm/
lang: ur
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/blog/arabic-english-translation-llm/) (اپ ڈیٹ: 2026-11-14).

# LLMs سے عربی–انگریزی ترجمہ: پرامپٹس، اصطلاحات، جائزہ

BroadNet Inference ٹیم · 5 منٹ کی پڑھائی · شائع شدہ 2026-11-14

LLM سے عربی اور انگریزی کے درمیان ترجمے کے لیے ماڈل کو قارئین، لہجہ اور مقررہ اصطلاحات کی فہرست دیں، نمبر اور نام نہ بدلنے کو کہیں، اور پیراگراف جتنے ٹکڑوں میں ترجمہ کریں۔ chrF یا COMET اور اہلِ زبان کے جائزے سے پرکھیں۔ BroadNet کے ٹیسٹوں میں Qwen3.8 27B نے عربی اور انگریزی کے درمیان درست ترجمہ کیا۔

## اہم نکات

-   سمت، قارئین اور لہجہ بتائیں: "Saudi retail customers, polite MSA" (سعودی ریٹیل گاہک، مہذب MSA)، "translate to Arabic" (عربی میں ترجمہ کرو) سے بہتر ہے۔
-   مقررہ اصطلاحات کی فہرست پروڈکٹ، قانونی اور UI اصطلاحات کو ہر ٹکڑے اور ہر کال میں یکساں رکھتی ہے۔
-   نمبر، تاریخیں، نام اور نفی کوڈ سے یا جائزے سے جانچیں؛ یہی غلطیاں مہنگی پڑتی ہیں۔
-   خودکار اسکور کے لیے chrF یا COMET، اور گاہکوں کے سامنے جانے والی یا قانونی چیزوں کے لیے اہلِ زبان جائزہ کار استعمال کریں۔
-   BroadNet اپنے ٹیسٹوں میں Qwen3.8 27B سے درست عربی–انگریزی ترجمہ بتاتا ہے۔

**اس صفحے پر**

1.  LLMs کے لیے عربی–انگریزی ترجمہ مشکل کیوں ہے؟
2.  کون سا پرامپٹ اچھے عربی ترجمے دیتا ہے؟
3.  اصطلاحات کی فہرست اتنی اہم کیوں ہے؟
4.  لمبی دستاویزات کو کیسے تقسیم کریں؟
5.  خطرناک غلطیاں کیسے پکڑیں؟
6.  ترجمے کے معیار کا جائزہ کیسے لیں؟
7.  کون سا ماڈل استعمال کریں، اور لاگت کتنی ہوگی؟
8.  کیا آپ معاہدے اور ٹکٹس API کو بھیج سکتے ہیں؟

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](https://broadrouter.com/ur/glossary/msa/)، 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:

```python
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:

1.  **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۔
2.  **اسے مختصر رکھیں۔** پچاس سے دو سو اصطلاحات زیادہ تر پروڈکٹس کا احاطہ کرتی ہیں۔ صرف وہ اصطلاحات رکھیں جو بدلنی نہیں چاہییں۔
3.  **ترجمہ-نہ-کریں والی چیزیں شامل کریں۔** برانڈ نام، پروڈکٹ نام، پلان نام اور code identifiers۔
4.  **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](https://broadrouter.com/ur/blog/cached-input-tokens-explained/)۔
5.  **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](https://broadrouter.com/ur/models/qwen3.8-27b/) کا کانٹیکسٹ 262,144 ٹوکن ہے؛ [DeepSeek V4.1 Flash](https://broadrouter.com/ur/models/deepseek-v4.1-flash/) اور [GLM 5.3](https://broadrouter.com/ur/models/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۔

```python
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](https://aclanthology.org/W15-3049/) | حروف کے n-grams کی مماثلت | عربی صرف کے ساتھ زیادہ نرم؛ بہتر ڈیفالٹ |
| [COMET](https://arxiv.org/abs/2009.09025) | 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](https://arxiv.org/abs/2207.04672) پراجیکٹ میں استعمال ہونے والا FLORES-200 اپنی [زبانوں کی فہرست](https://github.com/facebookresearch/flores/blob/main/flores200/README.md) 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:

1.  موجودہ پیشہ ورانہ ترجموں والے 100 سے 200 نمائندہ segments لیں۔
2.  ہر ماڈل اور پرامپٹ ورژن سے ان کا ترجمہ کریں۔
3.  تمام سسٹمز کے لیے عربی املا ایک ہی طرح normalize کرنے کے بعد chrF (اور ہو سکے تو COMET) اسکور کریں۔
4.  کسی اہلِ زبان سے ہر سسٹم کے 30 segments کو درستگی اور فطری پن پر ریٹ کروائیں، بتائے بغیر کہ کس سسٹم نے بنائے۔
5.  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](https://broadrouter.com/ur/models/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](https://broadrouter.com/ur/models/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](https://broadrouter.com/compare/deepseek-v4.1-flash-vs-qwen3.8-27b/) 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](https://broadrouter.com/ur/blog/tokens-per-word-arabic-english/)۔ ایک نمونہ مفت [عربی ٹوکن کاؤنٹر](https://broadrouter.com/tools/arabic-token-counter/) میں پیسٹ کریں، کسی اصل درخواست کے `usage` سے تصدیق کریں، پھر [LLM API لاگت کیلکولیٹر](https://broadrouter.com/tools/llm-api-cost-calculator/) 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](https://broadrouter.com/ur/privacy/)۔ جانچیں کہ آپ کی translation memory اور logs بھی انہی اصولوں پر چلتے ہیں۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [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.

[مفت ٹولز (انگریزی میں)](https://broadrouter.com/tools/)

## اس مضمون کی اصطلاحات

[ٹوکن (token)](https://broadrouter.com/ur/glossary/token/)

ٹوکن متن کی وہ اکائی ہے جسے لینگویج ماڈل پڑھتا اور لکھتا ہے: کوئی لفظ، لفظ کا حصہ، رموزِ اوقاف کی کوئی علامت یا بائٹس کا سلسلہ، جو ماڈل کا ٹوکنائزر بناتا ہے۔ LLM API استعمال کو ٹوکنز میں گنتے ہیں، انہی میں حدیں لگاتے ہیں اور عموماً بل بھی بناتے ہیں۔

[جدید معیاری عربی (Modern Standard Arabic، MSA)](https://broadrouter.com/ur/glossary/msa/)

Modern Standard Arabic (MSA) عربی کی معیاری شکل ہے جو پوری عرب دنیا میں تحریر، خبروں، تعلیم اور رسمی گفتگو میں استعمال ہوتی ہے۔ یہ کسی کی روزمرہ مادری زبان نہیں: لوگ مصری یا خلیجی عربی جیسے علاقائی لہجے بولتے ہیں اور رسمی مواقع پر MSA اختیار کرتے ہیں۔

[ان پٹ اور آؤٹ پٹ ٹوکن (input and output tokens)](https://broadrouter.com/ur/glossary/input-and-output-tokens/)

ان پٹ ٹوکن وہ ٹوکن ہیں جو لینگویج ماڈل کسی درخواست میں پڑھتا ہے، جن میں سسٹم پرامپٹ، گفتگو کی تاریخ، ٹول ڈیفینیشنز اور تصاویر شامل ہیں۔ آؤٹ پٹ ٹوکن وہ ہیں جو وہ جواب میں بناتا ہے، ریزننگ سمیت۔ LLM API عموماً دونوں کی قیمت الگ رکھتے ہیں، اور آؤٹ پٹ عموماً مہنگا ہوتا ہے۔

[ٹول کالنگ (tool calling)](https://broadrouter.com/ur/glossary/tool-calling/)

ٹول کالنگ، جسے function calling بھی کہتے ہیں، LLM API کی وہ سہولت ہے جس میں ماڈل ڈویلپر کے طے کردہ کسی فنکشن کو چلانے کی ایک منظم درخواست، JSON آرگیومنٹس کے ساتھ، لوٹاتا ہے۔ ایپلیکیشن فنکشن چلا کر نتیجہ واپس بھیجتی ہے؛ ماڈل خود کبھی کوڈ نہیں چلاتا۔

[زیرو ڈیٹا ریٹینشن (zero data retention، ZDR)](https://broadrouter.com/ur/glossary/zero-data-retention/)

زیرو ڈیٹا ریٹینشن (ZDR) ڈیٹا سنبھالنے کی ایک پالیسی ہے، جس میں AI فراہم کنندہ پرامپٹس اور آؤٹ پٹ صرف درخواست پوری کرنے کے لیے پروسیس کرتا ہے اور بعد میں وہ مواد لاگز، کیش یا تربیتی ڈیٹا میں محفوظ نہیں کرتا۔ ٹوکن گنتی اور اوقات جیسے بغیر مواد کے ریکارڈ عموماً پھر بھی رکھے جاتے ہیں۔

[سسٹم پرامپٹ (system prompt)](https://broadrouter.com/ur/glossary/system-prompt/)

سسٹم پرامپٹ وہ ہدایتی متن ہے جو کوئی ایپلیکیشن گفتگو سے پہلے لینگویج ماڈل کو بھیجتی ہے، عموماً system یا developer رول والے پیغام کے طور پر۔ یہ ماڈل کا کردار، قواعد، لہجہ اور آؤٹ پٹ فارمیٹ طے کرتا ہے، اور ٹکراؤ کی صورت میں ماڈل کو صارف کے پیغامات کے بجائے اسی پر عمل کرنا ہوتا ہے۔

[عربی لہجے (dialectal Arabic)](https://broadrouter.com/ur/glossary/dialectal-arabic/)

عربی لہجے کسی خطے یا شہر میں روزمرہ بولی جانے والی عربی ہیں، جیسے مصری، خلیجی، شامی (لیونٹائن) یا مغربی عربی۔ یہ جدید معیاری عربی سے آوازوں، الفاظ اور گرامر میں مختلف ہیں، ان کا کوئی معیاری املا نہیں، اور آن لائن یہ بڑھتی تعداد میں لکھے جا رہے ہیں، جس سے لینگویج ماڈلز کے لیے یہ مشکل ہیں۔

## عام سوالات

### کیا عربی کے لیے LLM کسی مخصوص ترجمہ API سے بہتر ہے؟

مختصر، عام متن کے لیے فرق کم ہو سکتا ہے۔ LLMs تب آگے نکلتے ہیں جب آپ کو لہجے، اصطلاحات، فارمیٹنگ یا لہجے والے ان پٹ پر کنٹرول چاہیے، کیونکہ آپ پرامپٹ میں ٹھیک ٹھیک بتا سکتے ہیں کہ کیا چاہیے۔

### کیا ماڈل بول چال والی عربی کا انگریزی میں ترجمہ کر سکتا ہے؟

اکثر ہاں، کیونکہ ترجمہ سمجھ پر منحصر ہے، اور ماڈلز لہجے لکھنے سے بہتر سمجھتے ہیں۔ BroadNet بتاتا ہے کہ اس کے ٹیسٹوں میں Qwen3.8 27B نے خلیجی اور مصری لہجے سمجھے۔ اہلِ زبان سے ایک نمونہ جانچوائیں۔

### کیا قانونی دستاویزات کا مشینی ترجمہ ہونا چاہیے؟

پہلے مسودے اور سمجھنے کے لیے LLM استعمال کریں، مگر قانونی اثر والی ہر چیز کا جائزہ کسی اہل مترجم سے کروائیں۔ بہت سے دائرہ اختیار سرکاری دستاویزات کے لیے مصدقہ انسانی ترجمہ بھی لازمی کرتے ہیں۔

### میرا عربی ترجمہ ٹوکنز میں انگریزی سے لمبا کیوں ہے؟

Tokenizers اکثر عربی کو انگریزی سے فی لفظ زیادہ ٹوکنز میں توڑتے ہیں۔ ایک نمونہ ٹوکن کاؤنٹر میں پیسٹ کریں، پھر کسی اصل درخواست کے usage.prompt\_tokens اور usage.completion\_tokens سے تصدیق کریں۔

### عربی مشینی ترجمے کے جائزے کے لیے کون سا metric استعمال کروں؟

ڈیفالٹ خودکار اسکور کے لیے chrF استعمال کریں، کیونکہ character n-grams عربی clitics اور املا کی مختلف شکلوں کو BLEU سے بہتر سنبھالتے ہیں۔ چلا سکیں تو COMET شامل کریں، اور اہلِ زبان سے ہر سسٹم کے 30 یا زیادہ segments نام بتائے بغیر ریٹ کروائیں۔

## مزید پڑھیں

-   [عربی کے لیے LLM API کیسے چنیں: کیا کیا ٹیسٹ کریں](https://broadrouter.com/ur/blog/choosing-an-llm-for-arabic/)
-   [عربی پرامپٹ انجینئرنگ: register، RTL، ہندسے اور ملا جلا متن](https://broadrouter.com/ur/blog/arabic-prompt-engineering/)
-   [عربی بمقابلہ انگریزی میں فی لفظ ٹوکن: عربی مہنگی کیوں پڑتی ہے](https://broadrouter.com/ur/blog/tokens-per-word-arabic-english/)
-   [JSON mode بمقابلہ json\_schema: قابل اعتماد اسٹرکچرڈ آؤٹ پٹ](https://broadrouter.com/ur/blog/structured-output-json-schema/)
-   [LLM سے ایپ strings کا عربی ترجمہ: placeholders اور plurals](https://broadrouter.com/ur/blog/translate-app-strings-to-arabic-llm/)
-   [API سے عربی آڈیو کا انگریزی متن میں ترجمہ: ٹیسٹ شدہ پائپ لائن](https://broadrouter.com/ur/blog/translate-arabic-audio-to-english/)
-   [LLM سے عربی متن پر اعراب (تشکیل) لگانا: پرامپٹ، جانچ، DER](https://broadrouter.com/ur/blog/arabic-diacritization-llm/)
-   [LLM سے عربی گرامر اور املا کی تصحیح: ایک عملی رہنما](https://broadrouter.com/ur/blog/arabic-grammar-spelling-correction-llm/)
-   [گائیڈ: BroadNet Inference کے ساتھ OpenAI Python SDK استعمال کریں](https://broadrouter.com/ur/guides/openai-python-sdk/)
-   [گائیڈ: وژن ماڈل سے عربی انوائسز اور رسیدیں پڑھیں](https://broadrouter.com/ur/guides/read-arabic-invoices-with-vision/)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

[شروع کریں](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-arabic-english-translation-llm&utm_content=page-cta) ·

**ذرائع**

-   [BroadNet Inference قیمتوں کا صفحہ، Qwen3.8 27B کا "Tested in Arabic" نوٹ (2026-11-14 کو دیکھا گیا) (انگریزی میں)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-arabic-english-translation-llm&utm_content=sources)
-   [Popović، chrF: character n-gram F-score for automatic MT evaluation (WMT 2015؛ 2026-11-14 کو دیکھا گیا)](https://aclanthology.org/W15-3049/)
-   [Rei et al.، COMET: A Neural Framework for MT Evaluation (arXiv 2009.09025؛ 2026-11-14 کو دیکھا گیا)](https://arxiv.org/abs/2009.09025)
-   [NLLB Team، No Language Left Behind (FLORES-200 پر جائزہ؛ arXiv 2207.04672؛ 2026-11-14 کو دیکھا گیا)](https://arxiv.org/abs/2207.04672)
-   [FLORES-200 زبانوں کی فہرست (MSA کے ساتھ مصری، نجدی، شامی، عراقی (میسوپوٹیمیائی)، مراکشی، تیونسی اور تعزی-عدنی عربی؛ 2026-11-14 کو دیکھا گیا)](https://github.com/facebookresearch/flores/blob/main/flores200/README.md)
