اگر امروز برای توسعه‌ی ابزارهای هوش مصنوعی در بازار کشورهای عرب‌زبان برنامه‌ریزی می‌کنید، باید بدانید که معیار برتری در استدلال زبانی تغییر کرده است. در ۳ سپتامبر ۲۰۲۶، شرکت HUMAIN که توسط صندوق سرمایه‌گذاری عمومی (PIF) حمایت می‌شود، مدل humain-m3 را در کنفرانس LEAP ریاض رونمایی کرد.
بسیاری از مدل‌های پیشرو جهانی با زبان عربی مانند یک زبان درجه‌دو برخورد می‌کنند، اما humain-m3 از ابتدا با اولویت بومی‌سازی ساخته شده است. این مدل در زمانی عرضه می‌شود که زبان عربی در لبه‌های فناوری AI به‌شدت نادیده گرفته شده و این موضوع باعث ایجاد شکافی در «هوش مصنوعی حاکمیتی» (Sovereign AI) برای صدها میلیون کاربر شده است.
زمینه استراتژیک
طارق امین، مدیرعامل HUMAIN، خاطرنشان کرد که با وجود صدها میلیون گوینده زبان عربی، این زبان در مرزهای فناوری هوش مصنوعی کمتر از حد لازم نمایندگی دارد. هدف HUMAIN تغییر این وضعیت از طریق ترکیب قابلیت‌های سطح جهانی در زبان عربی با ارائه هوش مصنوعی در دسترس از طریق پلتفرم HUMAIN Node است. این تلاش در واقع مکمل خانواده مدل‌های موجود ALLAM و مشارکت‌های جهانی این شرکت برای گسترش دسترسی به هوش مصنوعی پیشرفته است. این رویکرد جامع شرکت HUMAIN با تلاش‌های آن‌ها برای ادغام هوش مصنوعی در هسته سیستم‌عامل لینوکس هم‌راستا است تا زیرساخت‌های فناوری را از پایه بومی‌سازی کند.
این مدل که به سفارش HUMAIN و توسط شرکت MiniMax تحویل داده شده است، از معماری ترکیب خبره‌ها (Mixture of Experts یا MoE) — شبیه به تیمی از متخصصان که هر کدام در یک موضوع خاص مهارت دارند و فقط فرد مناسب برای هر سؤال فراخوانده می‌شود — با ۴۲۸ میلیارد پارامتر بهره می‌برد و بر پایه تبار MiniMax-M3 ساخته شده است. این مدل روی بیش از یک تریلیون توکن (Token) — تکه‌های کوچکی از متن که مدل تکه‌تکه می‌خورد — از محتوای بومی عربی پیش‌آموزش دیده است. این مقیاس عظیم پارامترها یادآور رقابت‌های جهانی در مدل‌های استدلالی است، مشابه آنچه اخیراً با معرفی مدل Quasar 438B در اروپا برای کاربردهای سازمانی مشاهده شد.
بر اساس داده‌های منتشر شده در صفحه HUMAIN Node، این مدل در ۷ محک (Benchmark) عمومی عربی به میانگین ۸۹.۳۷٪ رسیده است. این عملکرد، مدل را در جایگاهی بالاتر از سایر مدل‌های پیشرو، از جمله GPT-5.6 SOL (۸۷.۳۰٪)، Opus 5 (۸۷.۳۴٪) و حتی نقطه بازرسی مرجع MiniMax M3 (۸۰.۳۴٪) قرار می‌دهد. HUMAIN اشاره کرد که تنظیمات پس‌آموزش (Post-training) اختصاصی برای زبان عربی، به‌طور متوسط ۹ امتیاز به عملکرد مدل نسبت به نسخه مرجع اضافه کرده است و این مدل در ۵ مورد از ۷ محک ارزیابی شده، رتبه اول را کسب کرده است.
جزئیات بنچمارک و فنی
مجموعه ارزیابی‌ها شامل درک هسته‌ای، دانش بومی و ترجمه‌شده، آزمون‌های آکادمیک، تسلط زبانی، صداقت و تولید بازیابی‌افزا (RAG) است. تفکیک دقیق نتایج به شرح زیر است:
- AraTrust (صحت و اعتماد): ۹۷.۵۳٪
- ALRAGE (تولید بازیابی‌افزا یا RAG) — مثل دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد: ۹۴.۶۳٪
- MadinahQA (تسلط زبانی): ۹۵.۴۴٪
- MMLU ترجمه‌شده: ۹۳.۲۰٪
- ArabicMMLU (دانش گسترده عربی بومی): ۹۰.۷۰٪
- AlGhafa (درک هسته‌ای عربی): ۸۶.۴۵٪
- Arabic EXAMS (آزمون‌های آکادمیک): ۶۷.۶۷٪
از نظر فنی، این مدل برای هر توکن تنها ۲۳ میلیارد پارامتر را فعال می‌کند. همچنین به‌صورت چندوجهی (Multimodal) — مدلی که هم‌زمان متن، عکس و صدا را می‌فهمد — آموزش دیده است؛ به این معنا که از اولین گام آموزش، روی متن، تصویر و ویدیو آموزش دیده است. این ویژگی امکان عملیات بومی روی صفحه نمایش (Screen Operation) و درک ویدیوهای طولانی را فراهم می‌کند.
قابلیت‌های عامل‌محور (Agentic)
برای توسعه‌دهندگان، این مدل از گردش‌های کاری عامل‌محور (Agentic) با افق زمانی طولانی در هر دو زبان عربی و انگلیسی پشتیبانی می‌کند. این مدل به‌طور خاص برای «عامل‌ها» مهندسی شده است تا بتواند از ابزارهای پیشرفته و کنترل کامپیوتر استفاده کند. این مدل دارای سه حالت تفکر متمایز است:
- همیشه روشن (Always-on): استدلال مداوم فعال است.
- تطبیقی (Adaptive): تنظیم پویای فرآیند تفکر.
- خاموش (Off): استنتاج (Inference) استاندارد — لحظه‌ای که مدل واقعاً جواب تولید می‌کند.
دسترسی به مدل در حال حاضر از طریق پلتفرم HUMAIN Node فراهم است؛ پلتفرمی که یک API واحد، یک کلید دسترسی و یک سیستم پرداخت برای بیش از ۱۰۰ مدل پیشرو، اختصاصی و متن‌باز ارائه می‌دهد. کاربران می‌توانند مدل را در یک محیط playground بدون نیاز به کدنویسی یا از طریق یک API سازگار با OpenAI امتحان کنند. گزینه‌های میزبانی شامل میزبانی جهانی، میزبانی داخلی (در پادشاهی عربستان) یا میزبانی حاکمیتی است.
سطوح دسترسی
کاربران برای درخواست دسترسی باید یک حساب کاربری ایجاد کنند. HUMAIN این دسترسی را در دو سطح ساختاردهی کرده است:
- پیش‌نمایش محدود (Limited-preview): شامل حفاظ‌های همراستاسازی (Guardrail) عربستان است که در آن قابلیت‌های تفکر و استریم غیرفعال شده و تأخیر (Latency) بیشتری دارد.
- پیش‌نمایش پژوهشی (Research-preview): دسترسی کامل به نقطه بازرسی (Checkpoint) را فراهم می‌کند و قابلیت‌های تفکر، استریم و تأخیر کمتر را ارائه می‌دهد.
این دوره پیش‌نمایش به HUMAIN اجازه می‌دهد تا پیش از عرضه عمومی، ایمنی، همراستاسازی و قابلیت‌های مدل را در لهجه‌های مختلف عربی ارزیابی کند.
این حرکت نشان‌دهنده چرخش به سمت «حاکمیت محاسباتی» در خاورمیانه است. HUMAIN با ساخت مدلی که در یک حوزه زبانی خاص از غول‌های چندمنظوره پیشی می‌گیرد، ثابت کرد که آموزش بومی و تخصصی، بر مقیاس‌پذیری عظیم مدل‌های چندزبانه برای دستیابی به دقت منطقه‌ای غلبه می‌کند.
برای کاربر نهایی، این یعنی عامل‌های زبان عربی احتمالاً از «ترجمه‌های تقریبی» به استدلال در سطح بومی می‌رسند. این امر باعث کاهش توهمات (Hallucinations) — وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد — در زمینه‌های حقوقی، آکادمیک و فرهنگی می‌شود؛ جایی که مدل‌های انگلیسی‌محور اغلب شکست می‌خورند.
پژوهشگران باید منتظر انتشار رسمی وزن‌های مدل باشند. HUMAIN انتظار دارد پس از نهایی شدن آموزش‌های ایمنی و همراستاسازی، وزن‌های مدل را ماه آینده تحت لایسنس MiniMax Community منتشر کند.
گام بعدی شما
- اگر روی اپلیکیشن‌های عربی کار می‌کنید، دسترسی Research-preview را در HUMAIN Node درخواست کنید.
- عملکرد مدل را در حوزه RAG با مدل‌های OpenAI مقایسه کنید تا تفاوت دقت بومی را بسنجید.
- برای انتشار وزن‌های باز (Open Weights) مدل در ماه آینده تحت لایسنس MiniMax آماده باشید.
اما تأثیر این مدل بر رقابت مدل‌های بازمتن در منطقه حتی پیچیده‌تر است — به تحلیل ما درباره‌ی استراتژی‌های مدل‌های حاکمیتی مراجعه کنید.
گفتگو