整理：TopAIMap 编辑
MBZUAI 与 Inception42 发布 Jais 3：6 款开源阿拉伯语模型（0.9B–375B），旗舰 375B-A23B 阿语均分 84.0 领跑开源
10 月 15 日，阿联酋 MBZUAI 基础模型研究院（IFM）联合 G42 旗下 Inception42（与 Cerebras 合作）发布 Jais 3：6 款开源阿拉伯语原生模型，从可上手机的 0.9B 到 375B-A23B MoE 旗舰，另配阿语方言语音识别 Jais-ASR。全系基于 IFM 9 月开源的 K2 Horizon 二次训练，512K 上下文（0.9B 为 128K），权重、各阶段 checkpoint 与代码以 Apache 2.0 开放。官方称 375B 阿语均分 84.0，高于 Qwen3.5-397B 的 82.0、略超 Claude Sonnet 5（82.4），但仍落后 GPT-5.6 Sol（88.2）与 Gemini 3.8 Flash（89.1）。
Jais 3 共 6 个尺寸：0.9B、3.7B、7B、32B 为稠密模型；36B-A4B 为 MoE + MoVA 注意力；旗舰 375B-A23B 为 MoE（总参 375B、激活 23B），BF16 需一台 8×H200 节点（约 758GB）。每个尺寸都从同尺寸的 K2 Horizon 后训练版出发，经五阶段训练：约 201B token 继续预训练（75% 阿语 / 25% 回放）、冷却、41.1B token SFT（含 42.5 万条 Agent/工具调用样本）、针对「死循环推理」的 FTPO（六模型平均循环率从 13.8% 降到 1.2%），以及 GRPO 可验证奖励 RL。阿语数据覆盖现代标准阿语、阿联酋/埃及方言与拉丁字母书写的 Arabizi，约 59% 为合成或机翻数据。
关键数字（均为官方自测，评测集已公开）：7B 阿语均分从 K2 Horizon 基座的 56.4 提升到 79.6，并以 79.4 对 66.7 超过上一代旗舰 Jais 2 70B；32B 阿语 83.1，与 Gemma 4 31B（82.6）持平。Agent 方面，375B 在 Terminal-Bench 2.1 得 73.8、SWE-bench Verified 70.2、GDPval 73.2，Agent 均分 60.2，在对比的大型开源模型中仅次于 Qwen3.8-Flash-Next（68.8）；而 ALLaM、Fanar、Jais 2 等早期阿语模型的 Agent 分接近 0。团队还审计了约 50 组阿语基准，剔除错题（仅 Arabic MMLU 就修正 765 题），并全部改为生成式评测。
谁能用：开放权重——6 个尺寸已在 Hugging Face（inception42 组织）免费下载，Apache 2.0 可商用，无需申请，支持 vLLM / SGLang 部署，IFM 另提供 FP8、GGUF 版本；Jais-ASR 语音识别及其工具链在 GitHub（JaisVoice）开源，可接收阿语或英语语音指令再交给 Jais 3 执行。本次发布未公布官方托管 API 价格或免费额度；0.9B（BF16 约 2.2GB）面向手机/边缘端，7B（约 18GB）单卡本地部署，32B / 36B-A4B 单张 H200，375B 需整台 8 卡服务器。适合中东/北非政企、本地化 Agent 与需要数据主权的团队。
解读：Jais 3 的意义不在于又多一个「区域大模型」，而在于路线：先做一套全开放的基座（K2 Horizon），再用约 2000 亿 token 把它「方言化 + Agent 化」，小尺寸收益最大——这为日语、印地语、东南亚语种乃至中文方言提供了可复制的模板。同时，阿联酋强调全链路自主训练的「主权模型」，与开源权重并行，这是地缘 AI 竞争的新打法。需注意成绩均为自测，且 375B 在通用 Agent 上仍落后 Qwen3.8 与闭源前沿模型。讨论：1. 「开放基座 + 语言适配」会不会比各国从零训练主权大模型更划算？2. 中文社区是否需要一套类似 Jais 3 的方言 / 垂直语种适配开源范式？
