---
title: "LLM سے عربی text summarization کیسے کریں | BroadRouter"
description: "LLM API سے عربی مضامین، رپورٹس اور لہجے والے پیغامات کا خلاصہ: پرامپٹ پیٹرنز، الفاظ کی گنتی، نمبروں کی جانچ، اور ڈیفالٹ ROUGE عربی کو 0 کیوں دیتا ہے۔"
url: https://broadrouter.com/ur/blog/arabic-text-summarization-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-text-summarization-llm/) (اپ ڈیٹ: 2026-11-16).

# LLM سے عربی متن کا خلاصہ: پرامپٹس، لمبائی اور اسکورنگ

BroadNet Inference ٹیم · 7 منٹ کی پڑھائی · شائع شدہ 2026-11-15 · اپ ڈیٹ 2026-11-16

پرامپٹ میں زبان کا انداز (لہجے والے ان پٹ کے لیے بھی عموماً جدید معیاری عربی) اور الفاظ کی حد لکھیں۔ پھر کوڈ میں جانچیں: الفاظ گنیں، یقینی بنائیں کہ خلاصے کا ہر نمبر ماخذ میں موجود ہے، اور مسئلہ بتا کر ایک بار دوبارہ کوشش کریں۔ اسکورنگ عربی سمجھنے والے ROUGE ٹوکنائزر اور انسانی جائزے سے کریں؛ ڈیفالٹ rouge-score عربی کو 0 دیتا ہے۔

## اہم نکات

-   Google کا rouge-score 0.1.2 ڈیفالٹ طور پر غیر لاطینی حروف ہٹا دیتا ہے۔ ہم نے اسے دو عربی جملوں پر چلایا اور F1 صفر آیا، چاہے مماثلت کتنی بھی ہو۔
-   اسی جوڑے کو whitespace والے عربی ٹوکنائزر سے 0.6 اور سادہ سابقے ہٹانے سے 0.8 ملا۔ مختلف ٹوکنائزرز سے بنے ROUGE نمبروں کا کبھی موازنہ نہ کریں۔
-   الفاظ کی حد مانگیں، پھر گنیں۔ پیغام میں ناپی گئی لمبائی لکھ کر ایک بار دوبارہ کوشش کریں؛ پھر بھی چوک ہو تو جائزے کے لیے بھیجیں۔
-   جانچیں کہ خلاصے کا ہر نمبر ماخذ میں ہے۔ یہ گھڑی ہوئی تفصیل کی ایک عام قسم کا سستا ٹیسٹ ہے۔
-   عربی خلاصہ نویسی کا عوامی ڈیٹا زیادہ تر MSA خبریں ہیں: XL-Sum (46,897 عربی جوڑے)، EASC (153 مضامین) اور LANS۔ لہجوں کا ڈیٹا کم ہے، اس لیے اپنا ٹیسٹ سیٹ بنائیں۔

**اس صفحے پر**

1.  عربی خلاصے کے پرامپٹ میں کیا لکھا ہونا چاہیے؟
2.  لہجے والے متن کا خلاصہ کیسے بنائیں؟
3.  خلاصے کی لمبائی کیسے کنٹرول کریں؟
4.  گھڑی ہوئی تفصیلات کیسے پکڑیں؟
5.  لمبی عربی دستاویزات کا خلاصہ کیسے بنائیں؟
6.  عربی خلاصوں کا جائزہ کیسے لیں؟
7.  کون سا BroadNet ماڈل استعمال کریں، اور لاگت کتنی ہے؟
8.  BroadNet Inference کہاں فٹ ہوتا ہے

LLM سے عربی متن کا خلاصہ بنانا ایک درخواست کا کام ہے۔ ایسے خلاصے حاصل کرنا جنہیں آپ ship کر سکیں، تین فیصلے مانگتا ہے جو درخواست آپ کے لیے نہیں کرتی: کس انداز کی زبان میں لکھنا ہے، خلاصہ کتنا لمبا ہو، اور آپ کیسے جانیں گے کہ وہ درست ہے۔ یہ پوسٹ لکھے ہوئے متن کے بارے میں ہے: مضامین، رپورٹس، ٹکٹس اور لمبے پیغام تھریڈز۔ بولی گئی میٹنگز کے لیے [عربی میٹنگ منٹس پائپ لائن](https://broadrouter.com/ur/blog/arabic-meeting-minutes-from-recordings/) ٹرانسکرپشن کا مرحلہ اور حصہ بہ حصہ جوڑنا شامل کرتی ہے۔

## عربی خلاصے کے پرامپٹ میں کیا لکھا ہونا چاہیے؟

نتیجے کا زیادہ تر حصہ پانچ سطریں طے کرتی ہیں:

1.  **زبان اور انداز۔** “جدید معیاری عربی” (الفصحى)، یا کسی لہجے کا نام۔ اس کے بغیر مصری یا خلیجی ان پٹ کا خلاصہ بناتا ماڈل ملی جلی زبان میں جواب دے سکتا ہے۔
2.  **الفاظ کی حد۔** “40 سے 60 الفاظ”۔ عین تعداد کے مقابلے میں حد تک پہنچنا آسان ہے۔
3.  **حقائق جیسے لکھے ہیں۔** نمبر، تاریخیں اور نام متن سے نقل کیے ہوئے، نہ گول کیے ہوئے، نہ بدلے ہوئے۔
4.  **کچھ نیا نہیں۔** کوئی ایسا پس منظر نہیں جو متن میں نہ ہو۔
5.  **شکل۔** ایک پیراگراف، یا تین بلٹ پوائنٹس، یا مقررہ فیلڈز والا JSON۔

ہدایات عربی یا انگریزی میں ہو سکتی ہیں؛ دونوں صورتوں میں آؤٹ پٹ کی زبان اور انداز صاف لکھیں۔ [عربی پرامپٹ انجینئرنگ](https://broadrouter.com/ur/blog/arabic-prompt-engineering/) زبان کے انداز، اعداد اور ملے جلے رسم الخط والے متن کو زیادہ گہرائی سے دیکھتی ہے۔ نیچے کے کوڈ میں یہی پرامپٹ استعمال ہوا ہے:

```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.
```

## لہجے والے متن کا خلاصہ کیسے بنائیں؟

عربی کا زیادہ تر کاروباری متن MSA نہیں ہوتا: گاہکوں کے ریویوز، WhatsApp تھریڈز اور سوشل پوسٹس لہجے میں ہوتی ہیں، اکثر انگریزی یا [Arabizi](https://broadrouter.com/ur/blog/arabizi-llm-handling/) کے ساتھ ملی ہوئی۔ تین فیصلے مدد کرتے ہیں:

-   **ڈیفالٹ طور پر MSA میں خلاصہ بنائیں۔** یہ ہر علاقے کے لیے غیر جانبدار ہے اور تلاش کرنا آسان ہے۔ اگر خلاصہ اسی گاہک کو واپس جاتا ہے، تو اس کے لہجے سے مطابقت رکھیں۔
-   **اہم اقتباسات لفظ بہ لفظ رکھیں۔** جہاں لہجہ اہم ہو، جیسے شکایت میں، وہاں اصل الفاظ میں ایک مختصر اقتباس مانگیں۔ لہجے کو MSA میں بدلنے سے بات نرم پڑ سکتی ہے۔
-   **اپنے لہجوں پر ٹیسٹ کریں۔** لہجے کی سمجھ ماڈل در ماڈل بدلتی ہے؛ دیکھیں [LLMs خلیجی اور مصری عربی کو کیسے سنبھالتے ہیں](https://broadrouter.com/ur/blog/arabic-llm-gulf-egyptian-dialects/)۔

عوامی ڈیٹا یہ ٹیسٹنگ آپ کے لیے نہیں کرے گا۔ بڑے عربی خلاصہ سیٹ MSA خبریں ہیں، اور ہمیں خلیجی یا مصری خلاصہ نویسی کا کوئی عوامی benchmark نہیں ملا جس کی طرف ہم اشارہ کر سکیں۔

## خلاصے کی لمبائی کیسے کنٹرول کریں؟

الفاظ میں مانگیں، پھر الفاظ میں ناپیں۔ ماڈل کی اپنی گنتی پر بھروسہ نہ کریں، اور اکائی کے طور پر ٹوکن بجٹ استعمال نہ کریں: ایک عربی لفظ میں کتنے ٹوکن ہوتے ہیں، یہ ماڈل پر منحصر ہے۔ ہم نے آفیشل Qwen3.8 27B ٹوکنائزر سے 96 الفاظ کے ایک عربی خبری پیراگراف کو 166 ٹوکن اور اس کے 58 الفاظ کے خلاصے کو 114 ٹوکن ناپا۔ BroadNet کے چار چیٹ ماڈلز کے ٹوکنائزرز پر، [عربی ٹوکن کاؤنٹر](https://broadrouter.com/tools/arabic-token-counter/) کی ٹوکنائزر فائلوں سے گننے پر، وہی پیراگراف 166 سے 224 ٹوکن کے درمیان رہا۔ بڑی پیمائش [عربی میں فی لفظ ٹوکن](https://broadrouter.com/ur/blog/tokens-per-word-arabic-english/) میں ہے۔

زیادہ تر کاموں کے لیے whitespace پر تقسیم کرنا درست گنتی ہے، کیونکہ قاری یہی دیکھتے ہیں۔ عربی و، ب، ل اور ال کو لفظ سے جوڑ دیتی ہے، اس لیے 50 الفاظ کا عربی خلاصہ 50 انگریزی الفاظ سے زیادہ مواد رکھتا ہے۔ اپنی حد پسندیدہ عربی مثالوں سے طے کریں، انگریزی ہدف سے نہیں۔

لمبائی کے دو اور اصول:

-   **`max_tokens` لمبائی کا کنٹرول نہیں ہے۔** یہ جواب کو جملے کے بیچ میں کاٹ دیتا ہے۔ اسے خلاصے کے سائز سے کافی اوپر رکھیں، خاص طور پر ریزننگ ماڈلز پر: 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/)۔
-   **نمبر کے ساتھ ایک بار دوبارہ کوشش کریں۔** “آپ کا خلاصہ 17 الفاظ کا ہے؛ میں نے 40 سے 60 مانگے تھے” ہدایت دہرانے سے زیادہ ٹھیک کرتا ہے۔

## گھڑی ہوئی تفصیلات کیسے پکڑیں؟

abstractive خلاصہ ساز چیزیں گھڑ لیتے ہیں۔ Maynez et al. (ACL 2020) نے ان تمام ماڈل خلاصوں میں “substantial amounts of hallucinated content” (ترجمہ: گھڑے ہوئے مواد کی خاصی مقدار) پائی جن کا ان کے annotators نے جائزہ لیا؛ یہ آج کے LLMs سے پہلے کی بات ہے، لیکن کوئی ماڈل اس سے محفوظ نہیں۔ معنی کو کوڈ میں سستے طریقے سے نہیں جانچا جا سکتا، لیکن نمبر جانچے جا سکتے ہیں: خلاصے کا ہر نمبر ماخذ میں ہونا چاہیے۔ پہلے مشرقی عربی ہندسوں (٠–٩) اور فارسی ہندسوں (۰–۹) کو 0–9 میں بدلیں، ورنہ ١٢ اور 12 مختلف لگیں گے۔

```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
```

ہم نے اسے ایک مقامی mock سرور پر ٹیسٹ کیا (کوئی live API کال نہیں)، شہر کے بس منصوبے پر 96 الفاظ کے ایک مصنوعی مضمون کے ساتھ۔ mock کا پہلا جواب 17 الفاظ کا تھا اور اس میں ٣٠٠ بسیں لکھی تھیں، جبکہ مضمون میں ٢٤٠ تھیں۔ `check` نے دونوں مسائل لوٹائے: ناپی گئی لمبائی، اور “numbers not in the text: 300” (ترجمہ: ایسے نمبر جو متن میں نہیں: 300)۔ دوسرا، درست کیا گیا جواب 58 الفاظ پر پاس ہوا، اس لیے فنکشن نے اسے `attempts: 2` کے ساتھ لوٹایا۔

نمبر کی جانچ کچھ چیزیں چھوڑ دیتی ہے: غلط نام، الٹا فیصلہ، بغیر نمبر والا کوئی دعویٰ۔ یہ ایک فلٹر ہے، فیصلہ نہیں۔ ناموں کے لیے [عربی named entity extraction](https://broadrouter.com/ur/blog/arabic-named-entity-extraction-llm/) والی span جانچ دوبارہ استعمال کریں: خلاصے سے entities نکالیں اور یقینی بنائیں کہ ہر ایک ماخذ میں موجود ہے۔

## لمبی عربی دستاویزات کا خلاصہ کیسے بنائیں؟

اگر متن کانٹیکسٹ ونڈو میں آرام سے آ جاتا ہے تو پورا بھیجیں۔ [Qwen3.8 27B](https://broadrouter.com/ur/models/qwen3.8-27b/) فی درخواست 262,144 ٹوکن لیتا ہے اور [GLM 5.3](https://broadrouter.com/ur/models/glm-5.3/) 1,048,576، پرامپٹ اور جواب ملا کر؛ [Gemma 4 VL 26B](https://broadrouter.com/ur/models/gemma-4-vl-26b/) 32,768 لیتا ہے۔ لیکن لمبے ان پٹ کی ایک معروف کمزوری ہے: ماڈلز لمبے کانٹیکسٹ کے بیچ والے حقائق کو کم بھروسے سے استعمال کرتے ہیں ([lost in the middle](https://broadrouter.com/ur/glossary/lost-in-the-middle/))۔ لمبی رپورٹ کے لیے ہر حصے کا خلاصہ بنائیں، پھر خلاصوں کا خلاصہ، اور آخری پرامپٹ میں حصوں کے عنوانات رکھیں۔ میٹنگ والی پوسٹ [جوڑنے کا مرحلہ](https://broadrouter.com/ur/blog/arabic-meeting-minutes-from-recordings/) کوڈ میں دکھاتی ہے؛ [لمبا کانٹیکسٹ بمقابلہ RAG](https://broadrouter.com/ur/blog/long-context-vs-rag/) بتاتی ہے کہ کب retrieval بہتر ہے۔

## عربی خلاصوں کا جائزہ کیسے لیں؟

تین تہیں استعمال کریں: regressions پکڑنے کے لیے خودکار overlap اسکور، دوسری رائے کے لیے semantic اسکور، اور فیصلے کے لیے انسان۔

**ROUGE، درست ٹوکنائزر کے ساتھ۔** Google کا rouge-score پیکیج (ورژن 0.1.2، 16 نومبر 2026 کو بھی PyPI پر موجودہ ریلیز) متن کو lowercase کرتا ہے اور a–z اور 0–9 سے باہر کے ہر حرف کو space سے بدل دیتا ہے۔ عربی غائب ہو جاتی ہے۔ ہم نے جانچا:

```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
```

وہی دو جملے صرف tokenization کی بنیاد پر 0، 0.6 یا 0.8 اسکور کرتے ہیں۔ اصل سبق یہی ہے: عربی کی صرف (للنقل بمقابلہ النقل، بإضافة بمقابلہ تضيف) ROUGE کو بہت ہلاتی ہے، اس لیے ٹوکنائزر بتائے بغیر کوئی اسکور بے معنی ہے۔ XL-Sum کے مصنفین زبان کے مطابق stemming والا ایک کثیر لسانی ROUGE fork شائع کرتے ہیں، جس میں عربی بھی شامل ہے؛ اسے یا اپنا ٹوکنائزر استعمال کریں، اور جن runs کا موازنہ کرتے ہیں ان سب میں اسے ایک جیسا رکھیں۔

**BERTScore** embeddings کے ذریعے معنی کا موازنہ کرتا ہے، اس لیے پیرافریز برداشت کر لیتا ہے۔ انگریزی اور چینی کے علاوہ زبانوں کے لیے اس کا ڈیفالٹ ماڈل bert-base-multilingual-cased ہے۔ اسے دوسرا اشارہ سمجھیں، پڑھنے کا متبادل نہیں۔

**انسان، ایک rubric کے ساتھ۔** کسی عربی قاری سے 50 سے 100 خلاصوں کو تین سوالوں پر اسکور کروائیں: کیا کچھ اہم چھوٹا ہے، کیا کچھ ایسا کہا گیا ہے جو ماخذ نہیں کہتا، اور کیا زبان کا انداز درست ہے۔ ایک [LLM judge](https://broadrouter.com/ur/glossary/llm-as-judge/) بڑی مقدار میں پہلی چھانٹی کر سکتا ہے، جب ایک نمونے پر اس کے اسکور آپ کے قارئین سے ملنے لگیں۔ [سوئچ کرنے سے پہلے LLM کا جائزہ](https://broadrouter.com/ur/blog/evaluate-llm-before-switching/) وہ سیٹ بنانا بتاتا ہے۔

عوامی ریفرنس ڈیٹا کے لیے:

| ڈیٹاسیٹ | اس میں کیا ہے | نوٹس |
| --- | --- | --- |
| [XL-Sum](https://huggingface.co/datasets/csebuetnlp/xlsum) عربی | BBC عربی کے 46,897 مضمون اور خلاصے کے جوڑے (37,519 / 4,689 / 4,689) | CC BY-NC-SA 4.0: صرف غیر تجارتی تحقیق |
| [EASC](https://huggingface.co/datasets/drelhaj/EASC) | 153 مضامین، ہر ایک کے ساتھ انسانوں کے بنائے پانچ extractive خلاصے | چھوٹا؛ Wikipedia اور دو اخبارات |
| [LANS](https://arxiv.org/abs/2210.13600) | 22 عرب اخبارات سے خلاصوں سمیت 8.4 ملین مضامین، 1999 سے 2019 | خلاصے سائٹ کے metadata سے آتے ہیں |

تینوں MSA خبریں ہیں۔ آپ کے سپورٹ ٹکٹس اور رپورٹس نہیں ہیں، اس لیے اصل ٹیسٹ آپ کے اپنے متن کا ایک نمونہ ہے، جس کا خلاصہ کسی انسان نے بنایا ہو۔

## کون سا BroadNet ماڈل استعمال کریں، اور لاگت کتنی ہے؟

پائلٹ کے لیے [Gemma 4 VL 26B](https://broadrouter.com/ur/models/gemma-4-vl-26b/) $5 کے ابتدائی کریڈٹ پر چلتا ہے، فی دس لاکھ ٹوکن $0.10 ان پٹ اور $0.22 آؤٹ پٹ پر؛ اس کی 32,768 ٹوکن کی ونڈو میں زیادہ تر اکیلے مضامین آ جاتے ہیں۔ [Qwen3.8 27B](https://broadrouter.com/ur/models/qwen3.8-27b/)، جسے BroadNet رواں عربی تحریر اور خلیجی و مصری لہجے کی سمجھ کے لیے ٹیسٹ کرنے کی رپورٹ کرتا ہے، ٹاپ اپ کے بعد $0.175 ان پٹ اور $2.17 آؤٹ پٹ کا ہے۔ جب ایک دستاویز Qwen کی ونڈو سے لمبی ہو، تب GLM 5.3 استعمال کریں۔

1,000 ٹوکن والے 10,000 مضامین کا حساب، 150 ٹوکن کے خلاصوں کے ساتھ: 10 ملین ان پٹ ٹوکن اور 1.5 ملین آؤٹ پٹ ٹوکن، تو Qwen3.8 27B پر یہ 10 × $0.175 جمع 1.5 × $2.17 ہے۔ ریزننگ ٹوکن شامل کریں، جو آؤٹ پٹ کے طور پر بل ہوتے ہیں، اور کوئی بھی دوبارہ کوشش؛ دونوں کو ایک نمونے پر usage بلاک سے ناپیں۔ اگر ہر مضمون کے لیے پرامپٹ ایک ہی ہے، تو اسے سب سے پہلے رکھیں تاکہ وہ [کیشڈ ان پٹ](https://broadrouter.com/ur/glossary/cached-input-tokens/) ریٹ پر بل ہو سکے۔

## BroadNet Inference کہاں فٹ ہوتا ہے

BroadRouter، BroadNet کی اپنی سائٹ ہے۔ BroadNet Inference خلاصے کا مرحلہ ایک OpenAI-compatible API سے دیتا ہے، اس لیے اوپر کا 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۔ یہ اپنا کوئی عربی خلاصہ نویسی benchmark شائع نہیں کرتا، اور یہاں کچھ بھی اس کے ماڈلز پر خلاصے کا معیار نہیں ناپتا؛ اوپر کی جانچیں اپنے متن پر چلائیں۔ بولے گئے ان پٹ کے لیے اسے BroadNet Transcribe Arabic کے ساتھ جوڑیں، جیسا [میٹنگ منٹس پوسٹ](https://broadrouter.com/ur/blog/arabic-meeting-minutes-from-recordings/) میں 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۔

[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۔

[ٹوکنائزر (tokenizer)](https://broadrouter.com/ur/glossary/tokenizer/)

ٹوکنائزر وہ جزو ہے جو متن کو انٹیجر ٹوکن IDs کی اس ترتیب میں بدلتا ہے جسے لینگویج ماڈل پڑھتا ہے، اور تیار شدہ IDs کو واپس متن میں بدلتا ہے۔ ہر ماڈل اپنے ٹوکنائزر کے ساتھ آتا ہے، اس لیے ایک ہی متن مختلف ماڈلز پر مختلف تعداد میں ٹوکنز بنا سکتا ہے۔

[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۔

[ایمبیڈنگز (embeddings)](https://broadrouter.com/ur/glossary/embeddings/)

ایمبیڈنگز فلوٹنگ پوائنٹ اعداد کی فہرستیں (ویکٹرز) ہیں جو کوئی ماڈل متن، تصویر یا دوسرے ان پٹ کی نمائندگی کے لیے بناتا ہے۔ ملتے جلتے معنی والے ان پٹس کے ویکٹرز ایک دوسرے کے قریب ہوتے ہیں، اس لیے ویکٹرز کا فاصلہ سرچ نتائج کی درجہ بندی، دستاویزات کی گروہ بندی یا متعلقہ چیزوں کی تلاش میں کام آتا ہے۔

[Lost in the middle (درمیان میں کھو جانا)](https://broadrouter.com/ur/glossary/lost-in-the-middle/)

Lost in the middle لینگویج ماڈلز کا مشاہدہ شدہ رجحان ہے کہ وہ متعلقہ معلومات کا سب سے اچھا استعمال تب کرتے ہیں جب وہ لمبے ان پٹ کے شروع یا آخر کے قریب ہو، اور سب سے برا تب جب وہ درمیان میں ہو۔ یہ نام Liu اور ساتھیوں کی 2023 کی تحقیق نے دیا۔

[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۔

[پری پیڈ کریڈٹ (prepaid credit)](https://broadrouter.com/ur/glossary/prepaid-credit/)

پری پیڈ کریڈٹ وہ رقم ہے جو استعمال سے پہلے API اکاؤنٹ میں ڈالی جاتی ہے۔ ہر درخواست کی لاگت بیلنس سے کٹتی ہے، اور بیلنس ختم ہونے پر میٹر والی درخواستیں تب تک رک جاتی ہیں جب تک آپ ٹاپ اپ نہ کریں۔ اس سے خرچ اتنا ہی رہتا ہے جتنا آپ نے جمع کیا ہے۔

## عام سوالات

### کیا LLM عربی متن کا اچھا خلاصہ بنا سکتا ہے؟

ہاں، لیکن رواں ہونا درست ہونے جیسا نہیں۔ لمبائی اور نمبر کوڈ میں جانچیں، اور بھروسہ کرنے سے پہلے کسی عربی قاری سے ایک نمونے پر چھوٹے نکات اور گھڑی ہوئی تفصیلات کا اسکور کروائیں۔

### لہجے والے متن کا خلاصہ لہجے میں ہو یا MSA میں؟

عموماً MSA میں، کیونکہ یہ غیر جانبدار لگتا ہے اور ہر علاقے میں تلاش کیا جا سکتا ہے۔ جہاں الفاظ اہم ہوں، جیسے شکایت میں، وہاں مختصر اقتباسات اصل لہجے میں رکھیں۔ پرامپٹ میں بتائیں کہ آپ کو کیا چاہیے؛ ورنہ ماڈلز دونوں کے بیچ بھٹکتے ہیں۔

### میرے عربی خلاصوں کو ROUGE صفر کیوں دیتا ہے؟

عام استعمال ہونے والا rouge-score Python پیکیج ڈیفالٹ طور پر a-z اور 0-9 سے باہر کے حروف کو space سے بدل دیتا ہے، اس لیے عربی متن سے کوئی ٹوکن نہیں بنتا۔ اپنا ٹوکنائزر دیں، یا XL-Sum کے مصنفین کا کثیر لسانی ROUGE fork استعمال کریں۔

### عربی خلاصے کی لمبائی کیسے کنٹرول کروں؟

ٹوکنز کی تعداد نہیں، الفاظ کی حد مانگیں، اور جواب کو whitespace پر تقسیم کر کے ناپیں۔ چوک ہو تو ناپی گئی لمبائی کے ساتھ ایک بار دوبارہ بھیجیں۔ یاد رکھیں کہ عربی الفاظ کے ساتھ اکثر سابقے جڑے ہوتے ہیں، اس لیے 50 الفاظ کا عربی خلاصہ 50 انگریزی الفاظ سے زیادہ معنی رکھتا ہے۔

### عربی خلاصہ نویسی ٹیسٹ کرنے کے لیے کون سا ڈیٹاسیٹ استعمال کروں؟

XL-Sum میں BBC عربی کے 46,897 مضمون اور خلاصے کے جوڑے ہیں (غیر تجارتی لائسنس)۔ EASC میں 153 مضامین ہیں، ہر ایک کے ساتھ انسانوں کے بنائے پانچ extractive خلاصے۔ دونوں MSA خبریں ہیں، اس لیے اپنے متن، خاص طور پر لہجے والے، کا ایک نمونہ شامل کریں۔

## مزید پڑھیں

-   [عربی ریکارڈنگز سے میٹنگ منٹس: ایک API پائپ لائن](https://broadrouter.com/ur/blog/arabic-meeting-minutes-from-recordings/)
-   [عربی پرامپٹ انجینئرنگ: register، RTL، ہندسے اور ملا جلا متن](https://broadrouter.com/ur/blog/arabic-prompt-engineering/)
-   [خلیجی، مصری اور شامی عربی: LLMs لہجوں کو کیسے سنبھالتے ہیں](https://broadrouter.com/ur/blog/arabic-llm-gulf-egyptian-dialects/)
-   [عربی کے لیے LLM API کیسے چنیں: کیا کیا ٹیسٹ کریں](https://broadrouter.com/ur/blog/choosing-an-llm-for-arabic/)
-   [عربی بمقابلہ انگریزی میں فی لفظ ٹوکن: عربی مہنگی کیوں پڑتی ہے](https://broadrouter.com/ur/blog/tokens-per-word-arabic-english/)
-   [لانگ کانٹیکسٹ بمقابلہ RAG: کب 1M ٹوکن ویکٹر DB کی جگہ لیتے ہیں](https://broadrouter.com/ur/blog/long-context-vs-rag/)
-   [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: ریزننگ ماڈل خالی جواب کیوں لوٹاتا ہے](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/)

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

**ذرائع**

-   [Hasan et al., XL-Sum: Large-Scale Multilingual Abstractive Summarization for 44 Languages, Findings of ACL 2021 (2026-11-15 کو جانچا گیا)](https://aclanthology.org/2021.findings-acl.413/)
-   [Hugging Face پر XL-Sum ڈیٹاسیٹ کارڈ: عربی split 37,519 / 4,689 / 4,689، CC BY-NC-SA 4.0 (2026-11-15 کو جانچا گیا)](https://huggingface.co/datasets/csebuetnlp/xlsum)
-   [XL-Sum ریپوزیٹری، زبان کے مطابق stemming کے ساتھ کثیر لسانی ROUGE اسکورنگ (2026-11-15 کو جانچا گیا)](https://github.com/csebuetnlp/xl-sum)
-   [Google Research rouge-score ٹوکنائزر کا سورس: lowercase کرتا ہے اور غیر alphanumeric حروف بدل دیتا ہے (2026-11-15 کو جانچا گیا)](https://github.com/google-research/google-research/blob/master/rouge/tokenize.py)
-   [El-Haj، Kruschwitz اور Fox، Essex Arabic Summaries Corpus (EASC)، Hugging Face مرر (2026-11-15 کو جانچا گیا)](https://huggingface.co/datasets/drelhaj/EASC)
-   [Alhamadani et al., LANS: Large-scale Arabic News Summarization Corpus، arXiv 2210.13600 (2026-11-15 کو جانچا گیا)](https://arxiv.org/abs/2210.13600)
-   [Maynez et al., On Faithfulness and Factuality in Abstractive Summarization، ACL 2020 (2026-11-15 کو جانچا گیا)](https://aclanthology.org/2020.acl-main.173/)
-   [BERTScore ریپوزیٹری: انگریزی اور چینی کے علاوہ زبانوں کے لیے ڈیفالٹ کثیر لسانی ماڈل (2026-11-15 کو جانچا گیا)](https://github.com/Tiiiger/bert_score)
-   [BroadNet Inference API ریفرنس اور قیمتیں: ماڈلز، کانٹیکسٹ کی لمبائی، 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-text-summarization-llm&utm_content=sources)
