本研究开发了一种基于变压器的阿拉伯反向词典系统，旨在帮助用户根据描述找到单词，提升阿拉伯自然语言处理的效果，为语言学习和专业交流提供了重要工具。

本研究提出了一种名为Sadeed的小型语言模型，旨在解决阿拉伯语标点问题。Sadeed通过在高质量数据集上的微调，表现优越，超越传统模型，并引入新的评估基准SadeedDiac-25，推动阿拉伯语自然语言处理的发展。

本研究提出了一种新方法，通过将阿拉伯语注入以英语为主的小型开源模型，成功训练出Kuwain 1.5B模型。该模型在阿拉伯语性能上平均提升8%，为双语模型训练提供了高性价比的解决方案。

该研究采用大规模弱监督学习方法，解决阿拉伯语语音识别中的标注数据不足问题。训练的ASR模型在缺乏人工标签的情况下，仍在标准测试中表现优异，验证了弱监督学习在低资源环境中的有效性。

本文提出了一种基于双向LSTM/CRF的模型，解决了不同语言命名实体识别中的模型依赖性问题。该模型通过正交线性变换将目标语言的词嵌入转化为源语言的词嵌入，有效识别阿拉伯语命名实体。

本研究解决了阿拉伯语光学字符识别（OCR）领域的评估体系不足，提出了KITAB-Bench基准，包含8809个样本，覆盖多达9个主要领域及36个子领域。研究发现，现代视觉语言模型在字符错误率方面较传统OCR方法提高了60%的性能，为阿拉伯文档分析提供了一个系统的评估框架，促进该领域的发展。

本研究探讨了阿拉伯语情感分析的现状，指出了现有研究面临的挑战与局限，强调了深度学习在该领域的重要性，并提出了未来的研究方向。

本研究探讨了阿拉伯地区的多语言和代码切换现象对自然语言处理技术的影响，分析了当前研究进展、面临的挑战及未来方向，强调了发展针对代码切换的阿拉伯语自然语言处理技术的重要性。

本研究解决了阿拉伯语教育工具匮乏的问题，提出了一种基于先进语言模型的阿拉伯填字游戏生成器。该生成器使用了名为Arabic-Clue-Instruct的超过50,000条目的数据集，能够为特定文本和关键词生成相关线索。研究结果表明，这种新的工具不仅提高了语言学习的趣味性和效果，还为互动和认知学习技术树立了新标准。

本研究针对现有大型语言模型（LLMs）在知识评估方面过于侧重英语的问题，提出了一种新的阿拉伯语多选题数据集AraSTEM，旨在全面评估这些模型在STEM学科的知识。研究发现，许多现有模型在该数据集上表现不佳，强调了开发更本地化语言模型的必要性。

本研究评估了阿拉伯语自动语音识别（ASR）模型在多方言数据集上的表现，提出了开放通用阿拉伯语ASR排行榜，并分析了模型的鲁棒性、适应性、效率和内存消耗，为阿拉伯语ASR社区提供参考。

本研究针对古兰经问答系统中现代标准阿拉伯语与经典阿拉伯语的语言差距，通过扩展数据集和微调语言模型，显著提升了系统性能，特别是在无答案情况下的成功率从25%提高到75%。

本研究分析了大型语言模型（LLMs）在方言阿拉伯语（DA）中的生成质量与理解质量。结果显示，LLMs在生成质量上优于理解质量，后处理可能削弱其能力，但少量示例可以改善这一问题。

本研究提出了一种新语言模型Sporo AraSum，旨在提升阿拉伯语医疗领域的复杂交流。研究表明，该模型在性能和处理语言细微差别方面优于现有模型，能够有效减少AI幻觉风险，并优化临床文档生成。未来将通过真实数据验证这些发现。