نماذج الذكاء الاصطناعي مختبرة للعربية

نموذج لتمثيل الجمل العربية متجهياً، مبني على AraBERT v0.2 بأسلوب تعلّم تمثيلات Matryoshka، ودُرِّب على ثلاثيات الاستدلال اللغوي الطبيعي بالعربية بحيث يخدم النموذج الواحد عدة أبعاد تمثيل. ويُستخدم على نطاق واسع في البحث الدلالي العربي والاسترجاع لأنظمة RAG، وهو من قلائل نماذج التمثيل العربية الأصيلة ذات الانتساب البحثي السعودي.

نموذج تمثيل متجهي للجمل العربية ينتج متجهات بـ768 بُعداً، ودُرِّب على بيانات الاستدلال اللغوي والتشابه الدلالي بالعربية فوق AraBERTv02. طُوِّر بدعم من جامعة الأمير سلطان في الرياض، وهو الأكثر استخداماً بين نماذج التمثيل العربية ذات المنشأ السعودي. برخصة Apache-2.0.

نماذج GPT صغيرة عربية أصيلة موجهة للبحث ضمن مبادرة ArabianLLM السعودية، نُشرت بأحجام 0.1 و0.3 و0.8 و1.5 مليار معامل مع نسخ مخصصة للإجابة عن الأسئلة والتلخيص وتحليل المشاعر. وهي بحثية الطابع لا إنتاجية؛ إذ لم يتغير المستودع الرئيس منذ فبراير 2024.

عائلة نماذج لغوية معرَّبة مع مواءمة ثقافية، طُوِّرت بالتعاون بين جامعة الملك عبدالله للعلوم والتقنية وجامعة الملك عبدالعزيز مع الجامعة الصينية بهونغ كونغ في شنجن ومعهد شنجن لأبحاث البيانات الضخمة. وتصدر النسخة الثانية بنماذج أساس ومحادثة بأحجام 8 و32 و70 مليار معامل. ولم تُحدَّث المستودعات منذ نوفمبر 2024، ولا توجد نسخة ثالثة.

النموذج اللغوي العربي الوطني السعودي من تطوير المركز الوطني للذكاء الاصطناعي التابع لسدايا — أوزان مفتوحة بحجم 7 مليارات معامل، دُرِّب على 4 تريليونات رمز إنجليزي ثم 1.2 تريليون رمز عربي وإنجليزي مختلط. أُعيدت تسمية حساب ALLaM-AI على Hugging Face فصار يحوِّل إلى humain-ai، ومن ثم تُتاح الأوزان ضمن نطاق HUMAIN، بينما ما زالت بطاقة النموذج تنسب التطوير إلى المركز الوطني للذكاء الاصطناعي وسدايا. وتقتصر البطاقة على الفصحى الحديثة والإنجليزية.

نسخة من Whisper-base مُحسَّنة لتلاوة القرآن الكريم بالعربية، وتسجل معدل خطأ في الكلمات قدره 5.75% على مجموعة التقييم الخاصة بها. وهو محدود النطاق بحكم تصميمه إذ يستهدف التلاوة لا العربية المحكية، لكنه أكثر نماذج الكلام العربية المفتوحة اعتماداً خارج نقاط تحقّق Whisper العامة، ويقوم عليه تطبيق Tarteel للحفظ. وتُنشر أيضاً نسخة tiny منه.

عائلة نماذج مفتوحة. وهي النموذج الوحيد في هذا الدليل الذي تذكر جهته المطوّرة لهجة سعودية صراحةً: إذ توثّق Qwen دعم 119 لغة ولهجة، من بينها العربية (الفصحى والنجدية والشامية والمصرية وغيرها). برخصة Apache-2.0.

نماذج BERT مُدرَّبة مسبقاً لكل نوع من أنواع العربية (الفصحى الحديثة والعامية والتراثية) لاستخراج الكيانات وتصنيف أقسام الكلام وتحليل المشاعر وتمييز اللهجات. وتبقى نسخة mix المدخل الأكثر استخداماً رغم أنها تعود إلى عام 2021.

النموذج الرائد عربي المحور في إصدار Fanar 2.0 (مارس 2026)، واصل التدريب المسبق انطلاقاً من google/gemma-3-27b-pt على نحو 166 مليار رمز عربي وإنجليزي وبرمجي، بنافذة سياق 32 ألف رمز. ويضيف مسارات استدلال عربية أصيلة، ووضع تفكير انتقائي، واستدعاء الأدوات. وهذا المستودع نصي المدخلات والمخرجات، أما توليد الصور وفهمها ونظم الشعر فلها نماذج Fanar-2 منفصلة.

النموذج اللغوي العربي السيادي لقطر. هذا النموذج التعليماتي بحجم 8.7 مليار معامل، وهو فرع Prime، يواصل التدريب المسبق لنموذج google/gemma-2-9b على تريليون رمز عربي وإنجليزي، في حين دُرِّب نموذج Star المنفصل بحجم 7 مليارات معامل من الصفر. وتذكر البطاقة دعم الفصحى الحديثة إضافة إلى اللهجات الخليجية والشامية والمصرية، ومواءمة النموذج مع القيم الإسلامية والثقافة العربية.

خليفة عائلة Jais، صدر بأوزان مفتوحة في أغسطس 2026 بحجمَي 8 و70 مليار معامل للمحادثة، إضافة إلى نسخ GGUF. تذكر بطاقة النموذج أنه يغطي الفصحى الحديثة واللهجات الإقليمية والتناوب اللغوي بين العربية والإنجليزية دون تسمية تلك اللهجات. والمستودعات مقيَّدة بموافقة على مشاركة بيانات التواصل.

عائلة نماذج لغوية عربية مفتوحة بارزة تتراوح من 590 مليون إلى 70 مليار معامل، دُرِّبت على منظومة Condor Galaxy من Cerebras. أُعيدت تسمية حساب inceptionai إلى inception42، ولذلك لا يصل الرابط القديم إلا عبر إعادة توجيه؛ والمستودع مقيَّد بموافقة على مشاركة بيانات التواصل ولم يُحدَّث منذ سبتمبر 2024. وقد حلّ Jais 2 محله عملياً.