Sadeed: Advancing Arabic Diacritization Through Small Language Models

المساهمة

يقدّم نموذجًا للتشكيل العربي إلى جانب SadeedDiac-25، وهو معيار جديد لتقييم متين عبر أنواع نصية عربية متنوعة.

الملخص

لا يزال تشكيل النص العربي تحديًا قائمًا في معالجة اللغات الطبيعية بسبب الثراء الصرفي للغة. نقدّم في هذه الورقة سديد، وهو منهج جديد يقوم على نموذج لغوي من نوع فك الترميز فقط، مُهيَّأ انطلاقًا من كُوين 1.5B، وهو نموذج صغير دُرِّب أصلًا على مدوّنات عربية متنوعة. جرى ضبط سديد على مجموعات بيانات مُشكَّلة عالية الجودة ومنتقاة بعناية، بُنيت عبر مسار صارم لتنظيف البيانات وتوحيدها. ورغم اعتماده على موارد حوسبية متواضعة، يحقق سديد نتائج تنافسية مقارنة بالنماذج اللغوية الكبيرة المغلقة المصدر، ويتفوق على النماذج التقليدية المدرَّبة على مجالات مماثلة. كما نُبرز قيودًا أساسية في ممارسات التقييم الحالية للتشكيل العربي، ولمعالجتها نقدّم SadeedDiac-25، وهو معيار جديد يتيح تقييمًا أكثر إنصافًا وشمولًا عبر أنواع نصية ومستويات تعقيد متنوعة. ويوفّر سديد وSadeedDiac-25 معًا أساسًا متينًا لتطوير تطبيقات معالجة اللغة العربية، بما فيها الترجمة الآلية وتحويل النص إلى كلام وأدوات تعلّم اللغة.

استشهد بهذه الورقة

@misc{aldallal2025sadeed,
  title         = {Sadeed: Advancing Arabic Diacritization Through Small Language Model},
  author        = {Zeina Aldallal and Sara Chrouf and Khalil Hennara and Mohamed Motaism Hamed and Muhammad Hreden and Safwan AlModhayan},
  year          = {2025},
  eprint        = {2504.21635},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CL},
  url           = {https://arxiv.org/abs/2504.21635}
}