---
title: "LLM سے عربی named entity extraction، JSON میں | BroadRouter"
description: "LLM سے عربی نام، ادارے، مقامات اور ہجری تاریخیں JSON میں نکالیں: ایک پرامپٹ، اعراب نظرانداز کرنے والی span جانچ، تاریخ کی تبدیلی اور اسکورنگ اسکرپٹ۔"
url: https://broadrouter.com/ur/blog/arabic-named-entity-extraction-llm/
lang: ur
updated: 2026-11-15
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-named-entity-extraction-llm/) (اپ ڈیٹ: 2026-11-15).

# LLM سے عربی named entity extraction: JSON، تاریخیں اور جانچ

BroadNet Inference ٹیم · 7 منٹ کی پڑھائی · شائع شدہ 2026-11-15

ماڈل سے کہیں کہ ہر entity کو بالکل ویسے ہی نقل کرے جیسے لکھی ہے، مقررہ فہرست کی ایک قسم کے ساتھ، JSON میں۔ ہر entity کو کوڈ میں جانچیں: اعراب ہٹانے اور الف کی شکلیں یکساں کرنے کے بعد وہ ماخذ میں ہونی چاہیے۔ ہجری تاریخیں ماڈل سے نہیں، hijridate جیسی لائبریری سے بدلیں۔ ہاتھ سے لیبل کیے نمونے کو entity کی سطح پر precision، recall اور F1 سے اسکور کریں۔

## اہم نکات

-   LAraBench (EACL 2024) میں zero-shot GPT-4 نے ANERcorp token tagging پر 0.355 macro-F1 حاصل کیا، جبکہ fine-tuned سسٹم نے 0.886؛ 10-shot سے یہ 0.451 تک پہنچا۔
-   entities کی مختصر JSON فہرست نکالنا ہر ٹوکن کو ٹیگ کرنے سے مختلف کام ہے۔ وہی ڈھانچہ ٹیسٹ کریں جو آپ ship کریں گے، اپنے متن پر۔
-   تشکیل اور تطویل ہٹانے اور الف کی شکلیں یکساں کرنے کے بعد entities ملائیں، ورنہ ماڈل کا درست نقل کیا نام بھی گھڑا ہوا لگے گا۔
-   تاریخ ماڈل کو پڑھنے دیں؛ تبدیلی کوڈ کو کرنے دیں۔ hijridate 1343 سے 1500 ہجری (1924 سے 2077 عیسوی) تک کی ام القریٰ تاریخوں کا احاطہ کرتا ہے۔
-   عوامی عربی NER سیٹ خبروں (ANERcorp)، Wikipedia (AQMAR)، MSA اور لہجے (Wojood) اور کلاسیکی عربی (CANERCorpus) کے لیے موجود ہیں۔ ان کے لیبل شاذ ہی آپ کے لیبلز سے ملتے ہیں۔

**اس صفحے پر**

1.  LLMs عربی NER میں کتنے اچھے ہیں؟
2.  کون سے عربی NER ڈیٹاسیٹس موجود ہیں؟
3.  پرامپٹ میں کیا مانگیں؟
4.  Entities کو ماخذ سے کیسے جانچیں؟
5.  ہجری تاریخیں کیسے سنبھالیں؟
6.  Arabizi اور ملے جلے متن میں ناموں کا کیا؟
7.  Extractor کا اسکور کیسے نکالیں؟
8.  کون سا BroadNet ماڈل استعمال کریں؟
9.  BroadNet Inference کہاں فٹ ہوتا ہے

Named entity extraction ایک پیراگراف کو ایسے ریکارڈز میں بدلتا ہے جنہیں آپ کا کوڈ استعمال کر سکے: کون، کون سا ادارہ، کہاں اور کب۔ عربی چار ایسے مسائل شامل کرتی ہے جو انگریزی پائپ لائنز کو کم ہی ملتے ہیں: اختیاری اعراب، ایک ہی حرف کی کئی املائیں، لاطینی حروف میں لکھے نام ([Arabizi](https://broadrouter.com/ur/glossary/arabizi/))، اور دو کیلنڈروں میں تاریخیں۔ یہ پوسٹ ایک OpenAI-compatible LLM پر extraction کا مرحلہ بناتی ہے جو ان میں سے ہر ایک کو کوڈ میں سنبھالتا ہے، اور ایک اسکورنگ اسکرپٹ جو بتاتی ہے کہ یہ آپ کے متن پر کام کرتا ہے یا نہیں۔

پیغامات سے spans نکالنے کے بجائے پورے پیغام کی درجہ بندی کے لیے [عربی متن کی classification](https://broadrouter.com/ur/blog/arabic-text-classification-llm/) دیکھیں۔ JSON درخواست کے آپشنز کے لیے [JSON mode بمقابلہ json\_schema](https://broadrouter.com/ur/blog/structured-output-json-schema/) دیکھیں۔

## LLMs عربی NER میں کتنے اچھے ہیں؟

ہمیں ملنے والی سب سے متعلقہ عوامی پیمائش LAraBench (Abdelali et al., EACL 2024) ہے، جس نے GPT-3.5 اور GPT-4 کو عربی NER سیٹس پر ٹوکن بہ ٹوکن tagging کے طور پر چلایا۔ Macro-F1، زیادہ بہتر ہے:

| ڈیٹاسیٹ | GPT-3.5 zero-shot | GPT-4 zero-shot | GPT-4 3-shot | حوالہ دیا گیا fine-tuned سسٹم |
| --- | --- | --- | --- | --- |
| ANERcorp (خبریں) | 0.210 | 0.355 | 0.420 | 0.886 |
| AQMAR (Wikipedia) | 0.230 | 0.365 | 0.390 | 0.690 |
| QASR (ٹرانسکرپٹس) | 0.208 | 0.504 | n/a | 0.698 |

زیادہ مثالوں سے مدد ملی: ANERcorp پر GPT-4 بغیر مثالوں کے 0.355 سے دس مثالوں کے ساتھ 0.451 تک پہنچا۔ مصنفین کو ماڈل کے اپنے فارمیٹ میں لکھے ٹیگز بھی دوبارہ میپ کرنے پڑے، جیسے B-PER کی جگہ PER-B۔

اسے احتیاط سے پڑھیں۔ یہ 2023 کے ماڈلز ہیں جو benchmark لیبل سیٹس پر سخت tagging کا کام کر رہے ہیں۔ کسی سپورٹ ٹکٹ میں لوگوں اور کمپنیوں کی مختصر فہرست مانگنے پر موجودہ ماڈل کہیں بہتر کر سکتا ہے، یا نہیں بھی۔ جدول دو باتیں بتاتا ہے جو اب بھی درست ہیں: LLM خود بخود اچھا NER سسٹم نہیں، اور آپ کو اپنی پیمائش چاہیے۔

## کون سے عربی NER ڈیٹاسیٹس موجود ہیں؟

| ڈیٹاسیٹ | متن | سائز اور لیبلز |
| --- | --- | --- |
| [ANERcorp](https://camel.abudhabi.nyu.edu/anercorp/) | خبریں | تقریباً 150,000 ٹوکن؛ person، location، organisation، miscellaneous۔ CAMeL Lab ایک معیاری train/test split شائع کرتی ہے |
| [CLEANANERCorp](https://aclanthology.org/2024.osact-1.2/) | ANERcorp، درست شدہ | اصل میں ملنے والی annotation کی غلطیاں، چھوٹے لیبلز اور بے ربطیاں درست کرتا ہے |
| [AQMAR](https://www.cs.cmu.edu/~ark/ArabicNER/) | عربی Wikipedia | 28 مضامین سے 74,000 ٹوکن |
| [Wojood](https://aclanthology.org/2022.lrec-1.387/) | MSA اور لہجہ | تقریباً 550,000 ٹوکن، 21 entity اقسام، nested؛ WojoodNER 2023 shared task میں استعمال ہوا |
| [CANERCorpus](https://github.com/RamziSalah/Classical-Arabic-Named-Entity-Recognition-Corpus) | کلاسیکی عربی احادیث | 7,000 سے زیادہ احادیث، اسلامی موضوعات پر 20 اقسام |

انہیں پرامپٹ کی ابتدائی جانچ کے لیے استعمال کریں، اپنے acceptance ٹیسٹ کے طور پر نہیں۔ آپ کی entity اقسام (گاہک، پروڈکٹ، برانچ، کنٹریکٹ نمبر) ان سے مختلف ہوں گی، اور ان کے لائسنس بھی مختلف ہیں۔ تجارتی استعمال سے پہلے ہر ایک جانچیں۔

## پرامپٹ میں کیا مانگیں؟

تین اصول آؤٹ پٹ کو جانچنے کے قابل بناتے ہیں:

1.  **span بالکل ویسے ہی نقل کریں۔** نہ ترجمہ، نہ transliteration، نہ پہلے نام کو “مکمل” کر کے پورا نام بنانا۔ اگر انگریزی املا چاہیے تو الگ فیلڈ میں مانگیں اور اسے غیر تصدیق شدہ سمجھیں۔
2.  **اقسام کی بند فہرست۔** PERSON، ORG، LOCATION، DATE، یا آپ کا اپنا سیٹ۔ کھلی اقسام اسکور نہیں کی جا سکتیں۔
3.  **تاریخیں حصوں میں، بدلی ہوئی نہیں۔** سال، مہینہ اور دن جیسے لکھے ہیں ویسے مانگیں، ساتھ میں کیلنڈر۔ آخر میں هـ ہجری تاریخ بتاتا ہے؛ م عیسوی۔

ہدایات انگریزی یا عربی میں لکھیں؛ [عربی پرامپٹ انجینئرنگ](https://broadrouter.com/ur/blog/arabic-prompt-engineering/) اس کا نفع نقصان بتاتی ہے۔ JSON کی شکل system پرامپٹ میں رکھیں اور ہر درخواست میں ایک جیسی رکھیں تاکہ وہ [کیش](https://broadrouter.com/ur/glossary/cached-input-tokens/) ہو سکے۔

## Entities کو ماخذ سے کیسے جانچیں؟

ماڈل ایسا نام لوٹا سکتا ہے جس کا متن میں ذکر ہی نہیں، یا نام درست نقل کرے لیکن اعراب کے بغیر۔ سادہ substring ٹیسٹ ان دونوں میں فرق نہیں کر سکتا۔ پہلے دونوں طرف نارملائز کریں: تشکیل اور تطویل ہٹائیں، الف کی شکلیں یکساں کریں، اور عبد ال کو جوڑیں تاکہ عبد الله اور عبدالله ملیں۔ اصول وہی ہیں جو [سرچ کے لیے عربی متن کی نارملائزیشن](https://broadrouter.com/ur/blog/arabic-text-normalization-search/) میں ہیں، صرف ملان پر لاگو۔ دکھانے کے لیے اصل span رکھیں۔

```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))
```

ہم نے اسے ایک مقامی mock سرور پر چلایا (کوئی live API کال نہیں)، جس کے طے شدہ جواب میں ایک گھڑا ہوا شخص اور ایک ناممکن تاریخ (مہینہ 13) شامل تھی۔ آؤٹ پٹ نے خالد بن سعيد (جواب میں اعراب ہٹ گئے تھے؛ نارملائزڈ ملان نے پھر بھی اسے پا لیا)، شركة النخيل للتقنية اور جدة رکھے۔ اس نے ١٥ جمادى الآخرة ١٤٤٥هـ کو 2023-12-28 میں بدلا، اور دو مسائل بتائے: گھڑا ہوا نام “not in source” (ترجمہ: ماخذ میں نہیں) تھا، اور مہینہ 13 نے “month must be in 1-12” (ترجمہ: مہینہ 1-12 میں ہونا چاہیے) اٹھایا۔ نام اور کمپنی فرضی ہیں۔

کوڈ پر نوٹس:

-   **`max_tokens=2000`** ریزننگ کے لیے جگہ چھوڑتا ہے۔ BroadNet کی دستاویزات کہتی ہیں کہ DeepSeek V4.1 Flash، GLM 5.3 اور Qwen3.8 27B جواب دینے سے پہلے ریزننگ کرتے ہیں، اور وہ ریزننگ `max_tokens` میں گنی جاتی ہے۔ دیکھیں [ریزننگ ماڈلز سے خالی جوابات](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/)۔
-   **`json.loads` ناکام ہو سکتا ہے۔** اسے لپیٹیں، اور ناکامی پر error کے ساتھ ایک بار دوبارہ بھیجیں، جیسا [repair loop](https://broadrouter.com/ur/blog/structured-output-json-schema/) میں ہے۔ GLM 5.3 اور Qwen3.8 27B پر، جنہیں BroadNet structured output کے ساتھ دستاویز کرتا ہے، ایک `response_format` schema بھی شامل کریں۔ validation دونوں صورتوں میں رہتی ہے۔
-   **Substring ملان جان بوجھ کر ڈھیلا ہے۔** یہ تصدیق کرتا ہے کہ span موجود ہے؛ قسم کی تصدیق نہیں کرتا۔ اقسام وہی ہیں جنہیں نیچے کا اسکورنگ مرحلہ ناپتا ہے۔

## ہجری تاریخیں کیسے سنبھالیں؟

عربی متن تاریخیں کئی طرح لکھتا ہے: ١٥/٦/١٤٤٥هـ، ١٥ جمادى الآخرة ١٤٤٥، یا ایسی عیسوی تاریخ جس کے مہینوں کے نام علاقے کے لحاظ سے بدلتے ہیں (مصر اور خلیج میں نوفمبر، شام کے علاقے میں تشرين الثاني)۔ ماڈل عموماً انہیں حصوں میں بانٹ سکتا ہے، اور کوڈ حصوں کو جانچتا ہے۔ کیلنڈروں کے بیچ تبدیلی ایک شائع شدہ جدول پر حساب ہے، اور ماڈل کے پاس اسے درست کرنے کی کوئی وجہ نہیں۔

[hijridate](https://pypi.org/project/hijridate/)، پہلے hijri-converter، ام القریٰ کیلنڈر سے تبدیل کرتا ہے۔ اس کی دستاویزی حد 1343 سے 1500 ہجری (1 اگست 1924 سے 16 نومبر 2077 عیسوی) ہے۔ حد سے باہر یہ OverflowError اٹھاتا ہے؛ غلط مہینہ یا دن ValueError اٹھاتا ہے، اسی لیے کوڈ دونوں پکڑتا ہے۔ اس کی دستاویزات کہتی ہیں کہ یہ ان مذہبی مقاصد کے لیے نہیں جہاں رؤیتِ ہلال کو ترجیح دی جاتی ہے، اس لیے چاند دیکھ کر طے ہوئی تاریخ تبدیل شدہ قدر سے مختلف ہو سکتی ہے۔ تاریخ جیسی لکھی ہے، اسے تبدیل شدہ تاریخ کے ساتھ محفوظ کریں۔

مشرقی عربی ہندسوں کے لیے یہاں کچھ خاص نہیں کرنا: ماڈل integers لوٹاتا ہے۔ اگر آپ تاریخیں خود parse کرتے ہیں تو پہلے ٠١٢٣٤٥٦٧٨٩ (اور فارسی ۰–۹) کو 0–9 میں بدلیں۔

## Arabizi اور ملے جلے متن میں ناموں کا کیا؟

گاہکوں کے پیغامات اکثر نام لاطینی حروف میں لکھتے ہیں: “ana 7a2ool la Mo7ammad bokra”۔ عین span والا اصول پھر بھی کام کرتا ہے: entity کا متن “Mo7ammad” ہے، اور substring جانچ پاس ہوتی ہے۔ جو ناکام ہوتا ہے وہ اس ریکارڈ کو آپ کے CRM کے محمد سے ملانا ہے۔ یہ دوسرے مرحلے میں کریں: span کو عربی رسم الخط میں بدلیں، جیسا [Arabizi سنبھالنے](https://broadrouter.com/ur/blog/arabizi-llm-handling/) میں ہے، پھر اسی نارملائزیشن کے ساتھ اپنے ریکارڈز سے ملائیں۔ تبدیلی سے گزر کر آنے والے ہر ریکارڈ پر confidence فلیگ رکھیں۔

یہی بات عربی جملوں کے اندر انگریزی کمپنی ناموں پر، اور عربی ناموں کی لاطینی املاؤں (Mohammed، Muhammad، Mohamed) پر لاگو ہوتی ہے۔ extraction کے مرحلے سے ایک املا چننے کو نہ کہیں۔

## Extractor کا اسکور کیسے نکالیں؟

100 سے 200 اصل نمونے ہاتھ سے لیبل کریں، اسی اقسام کی فہرست کے ساتھ۔ پھر نارملائزڈ متن اور قسم پر entity کی سطح کے exact match سے predictions کا موازنہ کریں، اور ہر قسم کے لیے precision، recall اور F1 رپورٹ کریں:

```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
```

دو جملوں کے ایک چھوٹے سیٹ پر (تین gold entities؛ prediction نے جدة کو LOCATION کی جگہ ORG بتایا اور ایک اضافی جگہ شامل کی)، اس نے micro precision 0.5، recall 0.667 اور F1 0.571 پرنٹ کیا، اور LOCATION F1 صفر۔ ہر قسم کا الگ منظر دکھاتا ہے کہ محنت کہاں لگانی ہے: کمزور ORG اسکور کا مطلب عموماً یہ ہے کہ آپ کی اقسام کی تعریفوں کو مثالیں چاہییں، بڑا ماڈل نہیں۔

پہلے سے طے کریں کہ ملان کسے گنیں گے۔ exact match سخت ہے: gold “شركة النخيل للتقنية” کے مقابلے میں “شركة النخيل” ایک false positive اور ایک false negative گنا جاتا ہے۔ اگر آپ کے کام کے لیے جزوی spans قابلِ قبول ہیں تو overlap پر مبنی دوسرا اسکور رپورٹ کریں، لیکن مرکزی عدد سخت والا ہی رکھیں۔

## کون سا BroadNet ماڈل استعمال کریں؟

تمام قیمتیں فی دس لاکھ ٹوکن ہیں، BroadNet کے قیمتوں کے صفحے سے۔

| ماڈل | کیوں | ان پٹ / آؤٹ پٹ |
| --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/ur/models/qwen3.8-27b/) | structured output دستاویزی؛ BroadNet رپورٹ کرتا ہے کہ اسے عربی میں ٹیسٹ کیا گیا، خلیجی اور مصری لہجے کی سمجھ سمیت؛ تصاویر پڑھتا ہے | $0.175 / $2.17 |
| [GLM 5.3](https://broadrouter.com/ur/models/glm-5.3/) | structured output دستاویزی؛ بہت لمبی دستاویزات کے لیے 1,048,576 ٹوکن کا کانٹیکسٹ | $0.78 / $3.46 |
| [Gemma 4 VL 26B](https://broadrouter.com/ur/models/gemma-4-vl-26b/) | $5 کے ابتدائی کریڈٹ پر چلتا ہے؛ structured output دستاویزی نہیں، اس لیے صرف پرامپٹ سے بنے JSON کو validate کریں؛ 32,768 ٹوکن کا کانٹیکسٹ | $0.10 / $0.22 |

ہر امیدوار کے ساتھ اپنے نمونے پر اسکورنگ اسکرپٹ چلائیں اور ہر قسم کے F1 اور لاگت کی بنیاد پر چنیں، وینڈر کی تفصیل کی بنیاد پر نہیں۔ ایک جیسے مواد کے لیے عربی عموماً انگریزی سے زیادہ ٹوکن لیتی ہے؛ ناپے گئے تناسب [عربی میں فی لفظ ٹوکن](https://broadrouter.com/ur/blog/tokens-per-word-arabic-english/) میں ہیں۔ اسکین شدہ فارمز یا تصاویر کے اندر کی entities کے لیے براہِ راست تصویر سے نکالیں، جیسا [vision سے عربی انوائسز پڑھنے](https://broadrouter.com/ur/guides/read-arabic-invoices-with-vision/) میں ہے۔

## BroadNet Inference کہاں فٹ ہوتا ہے

BroadRouter، BroadNet کی اپنی سائٹ ہے۔ BroadNet Inference اوپر کے ماڈلز تک ایک کلید سے OpenAI-compatible رسائی دیتا ہے، اس لیے base URL بدلنے کے بعد کوڈ [OpenAI Python SDK](https://broadrouter.com/ur/guides/openai-python-sdk/) کے ساتھ چلتا ہے۔ اس کی دستاویزات کہتی ہیں کہ درخواست کے بعد پرامپٹس اور جوابات محفوظ نہیں رکھے جاتے، جو تب اہم ہے جب متن لوگوں کے ناموں سے بھرا ہو۔ اس میں کوئی مخصوص NER اینڈپوائنٹ نہیں اور یہ اپنا کوئی عربی NER benchmark شائع نہیں کرتا، اس لیے اپنے ڈیٹا پر ناپیں۔ اگر بڑی مقدار کے لیے self-hosted tagger چاہیے تو Wojood یا آپ کے اپنے لیبلز پر ٹرین ہوا fine-tuned ماڈل کسی بھی LLM سے سستا اور زیادہ یکساں ہو سکتا ہے؛ اوپر کا شائع شدہ فرق اسے جانچنے کی وجہ ہے۔

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۔

[اسٹرکچرڈ آؤٹ پٹ (structured output)](https://broadrouter.com/ur/glossary/structured-output/)

اسٹرکچرڈ آؤٹ پٹ LLM API کا ایک فیچر ہے جو ماڈل کے جواب کو ڈویلپر کے طے کردہ فارمیٹ، عموماً JSON Schema، تک محدود کرتا ہے، تاکہ کوڈ اسے قابلِ اعتماد طریقے سے پارس کر سکے۔ یہ JSON mode سے زیادہ سخت ہے، جو درست JSON کی ضمانت دیتا ہے، لیکن کسی خاص ساخت کی نہیں۔

[نیمڈ اینٹیٹی ریکگنیشن (NER)](https://broadrouter.com/ur/glossary/named-entity-recognition/)

Named entity recognition (NER) متن میں نام تلاش کرنے اور ہر نام کو شخص، ادارہ یا مقام جیسی کسی قسم کا لیبل دینے کا کام ہے۔ روایتی سسٹم ہر ٹوکن کو ٹیگ کرتے ہیں؛ LLMs سے اکثر entities کی فہرست JSON میں مانگی جاتی ہے، جسے پھر ماخذ متن سے ملا کر جانچا جاتا ہے۔

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

Arabizi لاطینی حروف میں غیر رسمی طور پر لکھی گئی عربی ہے، جس میں لاطینی متبادل سے محروم عربی آوازوں کے لیے ہندسے آتے ہیں، جیسے ع کے لیے 3۔ یہ چیٹ اور سوشل میڈیا میں عام ہے، زیادہ تر بول چال کی ہے، اس کی طے شدہ املا نہیں، اور اکثر انگریزی یا فرانسیسی سے ملی ہوتی ہے۔

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

base URL کسی API کا مقررہ بنیادی پتہ ہے، جیسے https://api.example.com/v1، جسے کلائنٹ /chat/completions جیسے ہر اینڈپوائنٹ پاتھ کے آگے لگاتا ہے۔ OpenAI-compatible SDK میں base URL کو API کلید اور ماڈل ID کے ساتھ بدلنے سے وہی کوڈ کسی دوسرے فراہم کنندہ سے جڑ جاتا ہے۔

[پرامپٹ انجینئرنگ (prompt engineering)](https://broadrouter.com/ur/glossary/prompt-engineering/)

پرامپٹ انجینئرنگ، لینگویج ماڈل کو دی جانے والی ہدایات کو لکھنے، ترتیب دینے اور ٹیسٹ کرنے کا عمل ہے، تاکہ ماڈل مسلسل آپ کی ضروریات کے مطابق آؤٹ پٹ دے۔ اس میں رول پیغامات، واضح ہدایات، مثالیں، فارمیٹنگ اور ٹیسٹ کیسز پر نتائج کی پیمائش شامل ہے۔

[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۔

[عربی اعراب (tashkeel)](https://broadrouter.com/ur/glossary/arabic-diacritics/)

عربی اعراب، یا tashkeel، حروف کے اوپر یا نیچے لگنے والے چھوٹے نشانات ہیں جو مختصر حرکات، مشدّد حروف اور حرکت کی عدم موجودگی دکھاتے ہیں۔ یہ اختیاری ہیں: خبروں سمیت زیادہ تر عربی متن انہیں چھوڑ دیتا ہے، اس لیے قاری اور سافٹ ویئر سیاق و سباق سے حرکات کا اندازہ لگاتے ہیں۔

## عام سوالات

### کیا LLM عربی named entity recognition کر سکتا ہے؟

ہاں، جانچ کے ساتھ۔ ٹوکن کی سطح کے عربی NER پر شائع شدہ zero-shot نتائج fine-tuned ماڈلز سے کافی پیچھے ہیں، اس لیے بھروسہ کرنے سے پہلے ہر entity کو ماخذ متن سے ملائیں اور اپنے ڈیٹا کے لیبل شدہ نمونے پر ماڈل کا اسکور نکالیں۔

### اعراب کے ساتھ اور بغیر لکھے عربی نام کیسے ملاؤں؟

موازنے سے پہلے دونوں طرف نارملائز کریں: تشکیل (U+064B سے U+065F)، کھڑا الف اور تطویل ہٹائیں، إ أ آ ٱ کو ا اور ى کو ي میں بدلیں، اور spaces سمیٹیں۔ دکھانے کے لیے اصل متن رکھیں؛ نارملائزڈ شکل صرف ملان کے لیے استعمال کریں۔

### Python میں ہجری تاریخ کو عیسوی میں کیسے بدلوں؟

hijridate (پہلے hijri-converter) استعمال کریں: Hijri(1445, 6, 15).to\_gregorian() 2023-12-28 لوٹاتا ہے۔ یہ ام القریٰ کیلنڈر پر چلتا ہے، 1343 سے 1500 ہجری سپورٹ کرتا ہے، اور چاند دیکھ کر طے ہونے والی مذہبی تاریخوں کے لیے نہیں بنا۔

### کن عربی NER ڈیٹاسیٹس پر ٹیسٹ کر سکتا ہوں؟

ANERcorp (خبریں، تقریباً 150,000 ٹوکن، چار اقسام)، AQMAR (Wikipedia کے 74,000 ٹوکن)، Wojood (MSA اور لہجے کے تقریباً 550,000 ٹوکن، 21 nested اقسام) اور CANERCorpus (کلاسیکی عربی احادیث، 20 اقسام)۔ ہر ایک کا لائسنس جانچیں، اور ان کے لیبلز اپنے لیبلز سے میپ کریں۔

### کیا ماڈل ناموں کا ترجمہ یا transliteration کرے؟

extraction کے مرحلے میں نہیں۔ ماخذ کا بالکل درست span مانگیں، تاکہ آپ اسے جانچ سکیں۔ اگر لاطینی املا چاہیے تو الگ فیلڈ شامل کریں، اور اسے غیر تصدیق شدہ سمجھیں۔

## مزید پڑھیں

-   [JSON mode بمقابلہ json\_schema: قابل اعتماد اسٹرکچرڈ آؤٹ پٹ](https://broadrouter.com/ur/blog/structured-output-json-schema/)
-   [سرچ اور RAG کے لیے عربی متن کی normalization: کیا بدلیں، کیا نہیں](https://broadrouter.com/ur/blog/arabic-text-normalization-search/)
-   [Arabizi اور LLMs: 3 اور 7 جیسے ہندسوں والی Franco-Arabic سنبھالنا](https://broadrouter.com/ur/blog/arabizi-llm-handling/)
-   [LLM سے عربی متن کی classification: sentiment، intent، triage](https://broadrouter.com/ur/blog/arabic-text-classification-llm/)
-   [عربی پرامپٹ انجینئرنگ: register، RTL، ہندسے اور ملا جلا متن](https://broadrouter.com/ur/blog/arabic-prompt-engineering/)
-   [عربی کے لیے LLM API کیسے چنیں: کیا کیا ٹیسٹ کریں](https://broadrouter.com/ur/blog/choosing-an-llm-for-arabic/)
-   [LLM سے عربی گرامر اور املا کی تصحیح: ایک عملی رہنما](https://broadrouter.com/ur/blog/arabic-grammar-spelling-correction-llm/)
-   [LLM سے عربی متن پر اعراب (تشکیل) لگانا: پرامپٹ، جانچ، DER](https://broadrouter.com/ur/blog/arabic-diacritization-llm/)
-   [عربی ریکارڈنگز سے میٹنگ منٹس: ایک API پائپ لائن](https://broadrouter.com/ur/blog/arabic-meeting-minutes-from-recordings/)
-   [گائیڈ: وژن ماڈل سے عربی انوائسز اور رسیدیں پڑھیں](https://broadrouter.com/ur/guides/read-arabic-invoices-with-vision/)
-   [گائیڈ: BroadNet Inference کے ساتھ OpenAI Python SDK استعمال کریں](https://broadrouter.com/ur/guides/openai-python-sdk/)

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-named-entity-extraction-llm&utm_content=page-cta) ·

**ذرائع**

-   [Abdelali et al., LAraBench: Benchmarking Arabic AI with Large Language Models، EACL 2024، جدول 1 اور 5 (2026-11-15 کو جانچا گیا)](https://aclanthology.org/2024.eacl-long.30/)
-   [Jarrar، Khalilia اور Ghanem، Wojood: Nested Arabic Named Entity Corpus and Recognition using BERT، LREC 2022 (2026-11-15 کو جانچا گیا)](https://aclanthology.org/2022.lrec-1.387/)
-   [Jarrar et al., WojoodNER 2023: The First Arabic Named Entity Recognition Shared Task، ArabicNLP 2023 (2026-11-15 کو جانچا گیا)](https://aclanthology.org/2023.arabicnlp-1.83/)
-   [CAMeL Lab، ANERcorp ڈاؤن لوڈ صفحہ اور train/test split (2026-11-15 کو جانچا گیا)](https://camel.abudhabi.nyu.edu/anercorp/)
-   [AlDuwais، Al-Khalifa اور AlSalman، CLEANANERCorp: Identifying and Correcting Incorrect Labels in the ANERcorp Dataset، OSACT 2024 (2026-11-15 کو جانچا گیا)](https://aclanthology.org/2024.osact-1.2/)
-   [CMU ARK، AQMAR Arabic Wikipedia Named Entity Corpus: 74,000 ٹوکن، 28 مضامین (2026-11-15 کو جانچا گیا)](https://www.cs.cmu.edu/~ark/ArabicNER/)
-   [Salah اور Zakaria، Classical Arabic Named Entity Recognition Corpus (CANERCorpus) ریپوزیٹری (2026-11-15 کو جانچا گیا)](https://github.com/RamziSalah/Classical-Arabic-Named-Entity-Recognition-Corpus)
-   [PyPI پر hijridate: ام القریٰ کنورٹر، پہلے hijri-converter، 1343 سے 1500 ہجری (2026-11-15 کو جانچا گیا)](https://pypi.org/project/hijridate/)
-   [BroadNet Inference API ریفرنس: structured output والے ماڈلز، ریزننگ اور max\_tokens (2026-11-15 کو جانچا گیا) (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-arabic-named-entity-extraction-llm&utm_content=sources)
