El rápido crecimiento del contenido digital en urdu ha creado una necesidad urgente de sistemas efectivos de resumen automático de texto (ATS). Aunque los métodos extractivos han sido ampliamente estudiados, el resumen abstractivo para el urdu sigue siendo en gran medida inexplorado debido a la compleja morfología del idioma y su rica tradición literaria. Este artículo evalúa sistemáticamente cuatro modelos de lenguaje basados en transformadores (BERT-Urdu, BART, mT5 y GPT-2) para el resumen abstractivo en urdu, comparando su rendimiento con respecto a enfoques convencionales de aprendizaje automático y aprendizaje profundo. Utilizando múltiples conjuntos de datos en urdu, incluidos el Corpus de Resumen en Urdu, el Conjunto de Datos de Noticias Falsas y Urdu-Instruct-News, mostramos que los Modelos de Lenguaje de Transformador (TLM) ajustados finamente superan consistentemente a los métodos tradicionales, con el modelo multilingüe mT5 logrando una mejora absoluta de 0.42 en la puntuación F1 sobre la mejor línea base. Nuestro análisis revela que la arquitectura de mT5 es particularmente efectiva para manejar desafíos específicos del urdu, como el procesamiento de escritura de derecha a izquierda, la interpretación de diacríticos y la compleja composición de verbos y sustantivos. Además, presentamos configuraciones de hiperparámetros y estrategias de entrenamiento validadas empíricamente para el ATS en urdu, estableciendo enfoques basados en transformadores como el nuevo estado del arte para el resumen en urdu. Notablemente, mT5 supera las líneas base de Seq2Seq en hasta un 20% en ROUGE-L, subrayando la eficacia de los modelos basados en transformadores para idiomas de bajos recursos. Este trabajo contribuye tanto con una revisión sistemática de investigaciones previas como con un nuevo punto de referencia empírico para avanzar en el resumen abstractivo en urdu.