HUMAIN-M3 peger på en ny opskrift for suveræn AI

Saudi-Arabiens HUMAIN-M3 er et tydeligt eksempel på, at strategien for suveræn AI er ved at ændre sig. I stedet for at bygge enhver kapacitet i frontklasse fra bunden har HUMAIN taget udgangspunkt i MiniMax’ M3-modelslægt, videreuddannet den på arabisk data og gjort den arabisk-fokuserede model tilgængelig via sin egen platform, HUMAIN Node. 65

Pointen er væsentlig: For regeringer handler AI-suverenitet i stigende grad om reel kontrol over, hvordan en model tilpasses, hostes, sikres og vedligeholdes – ikke nødvendigvis om selv at have udviklet hver komponent i den oprindelige model.

Det, HUMAIN-M3 faktisk lancerede

Det PIF-støttede HUMAIN – hvor PIF er Saudi-Arabiens statslige investeringsfond – annoncerede humain-m3 den 3. september 2026. Ifølge selskabet er modellen bestilt af HUMAIN og leveret af MiniMax, og den blev lanceret som forskningspreview på HUMAIN Node. En udgivelse med åbne modelvægte er planlagt, men previewet gav ikke på lanceringstidspunktet mulighed for at hente vægtene ned. 63

Modellen bygger på MiniMax-M3-slægten og benytter en mixture-of-experts-arkitektur: 428 mia. parametre i alt, men omkring 23 mia. aktive parametre pr. token. HUMAIN oplyser, at modellen yderligere er trænet på mere end 1 billion tokens af arabisk-sproget indhold. 61

Det er altså ikke blot et oversættelseslag oven på et generelt system. Ambitionen er at fastholde grundmodellens brede kompetencer og samtidig forbedre forståelse og generering på arabisk gennem sprogligt og kulturelt relevant data. 211

Hvorfor en open-weight-model ændrer regnestykket

At træne en førende generel model helt fra bunden kræver enorme mængder regnekraft, data, teknisk ekspertise og tid. En model med åbne vægte flytter udgangspunktet: En national aktør kan i højere grad bruge ressourcerne på videreuddannelse, test, implementering og styring til egne prioriterede anvendelser.

MiniMax beskriver M3 som en open-weight-model til kodning og agentbaseret arbejde, med API-understøttelse af op til 1 mio. tokens i kontekst. 18 Med en sådan grundmodel kan et nationalt AI-program fokusere på de områder, hvor brede modeller ofte er svagere: arabiske dialekter, regional viden, arbejdsgange i offentlige institutioner og lokal evaluering.

Den strategiske gevinst er ikke, at et land bliver fuldstændig uafhængigt af udenlandsk teknologi. HUMAIN-M3 er selv afhængig af en kinesisk modelslægt. Gevinsten er derimod, at den lokale operatør får større indflydelse på det lag, der afgør den praktiske anvendelse: Hvilke data modellen specialiseres med, hvor inferensen kører, hvordan modellen opdateres, og hvilke løsninger den bruges i.

Lovende benchmarktal – men endnu ikke uafhængigt bevis

HUMAIN rapporterede et ligeligt vægtet gennemsnit på 89,37 % på tværs af syv offentlige arabiske benchmarks og førstepladser i fem af testene. Selskabet oplyste, at gennemsnittet lå 9,03 point over MiniMax M3-referencemodellen. 12

Tallene peger på, at fortsat træning på arabisk kan løfte resultaterne på de valgte benchmarks. Men de bør læses med forbehold. Det offentliggjorte gennemsnit stammer fra HUMAINs egen evalueringsproces og var på rapporteringstidspunktet ikke indsendt til den offentlige OALL-rangliste. 3

Resultaterne dokumenterer derfor ikke uafhængigt, at modellen er bedst i virkelige arbejdssituationer, eller at den er bedre på sikkerhed, driftsøkonomi og alle typer arabiske opgaver. Offentlig reproduktion, dokumenterede erfaringer fra drift og evalueringer af dialekter samt kritiske anvendelser vil veje tungere end én enkelt benchmarktabel.

Den praktiske værdi af vægte, der kan hentes ned

Åbne modelvægte er strategisk interessante, fordi de kan mindske afhængigheden af én fjernleverandør. CNAS vurderer, at lande i stigende grad ser open-weight-modeller som en praktisk vej uden om leverandørlåsning: De kan downloades, selvhostes, tilpasses og i nogle miljøer implementeres billigere. 38

For en regering eller en national operatør kan det give flere former for kontrol:

• Datahåndtering: Følsomme opgaver kan designes til at køre på lokal eller kontrolleret infrastruktur frem for via et udenlandsk API.
• Sprogtilpasning: Lokale teams kan videreuddanne modellen og teste den på regionale arabiske sprogvarianter og institutionsspecifikt fagsprog.
• Tekniske valg: Operatøren kan selv vælge inferenssoftware, hardwareopsætning og implementeringsarkitektur.
• Driftskontinuitet: Et brugbart model-checkpoint er mere robust end kun at være afhængig af et eksternt API, hvis vilkår, priser, tilgængelighed eller adgang ændres.

Det er driftsmæssige fordele – ikke garantier. Åbne vægte kræver stadig regnekraft, cybersikkerhed, kompetencer til modelevaluering, licensvurdering og en langsigtet plan for vedligeholdelse.

Et større marked for suveræn AI tager form

HUMAIN-M3 er del af en bredere global bevægelse. CNAS talte 184 statsstøttede projekter for suveræn AI i 67 lande midt i 2026, efter at have registreret 41 nye projekter i årets første halvår. Organisationens senere opdaterede, løbende indeks viste 185 projekter. 3433

CNAS bruger en bred definition: Et projekt for suveræn AI er et regeringsstøttet initiativ med tydelig forbindelse til nationale strategiske interesser og væsentlige offentlige investeringer i lokal regnekraft, modeller eller dataøkosystemer. 33 Det er en vigtig afgrænsning, fordi den placerer modeller sammen med infrastruktur og data. At eje eller tilpasse en model er kun ét lag i den suveræne AI-stack.

Kinesiske udviklere er blevet betydelige leverandører på dette marked, blandt andet fordi kapable modeller udbydes både med åbne vægte og via API'er. CNAS rapporterede, at mindst syv kinesiske udviklere tilbød open-weight-systemer med stærke kompetencer inden for kodning, ræsonnement, multimodalitet og agentbaserede opgaver. 36

MiniMax M3 kan også leveres uden om MiniMax’ egen tjeneste. Artificial Analysis registrerede modellen hos flere API-udbydere, herunder Nebius og SambaNova. Det illustrerer, hvordan en åben model kan stilles til rådighed gennem alternative infrastrukturleverandører. 22

Signalet fra HUMAIN-M3

Den vigtigste konklusion er ikke, at ét benchmark har afgjort, hvilken model der fører. Den er, at selve konkurrencen er ved at skifte karakter.

Stater bliver i højere grad kunder til genanvendelige AI-aktiver: model-checkpoints, de kan tilpasse til lokale sprogbehov, drive på selvvalgt infrastruktur, evaluere efter nationale krav og vedligeholde over tid. En stærk grundmodel er fortsat afgørende, men adgang til åbne vægte, mulighed for hardwaretilpasning, stabile inferensmuligheder, datastyring og en troværdig plan for opdateringer kan være mindst lige så betydningsfuldt.

HUMAIN-M3 peger derfor ud over en simpel dyst mellem amerikanske og kinesiske modellaboratorier. Den nye konkurrence handler også om, hvem der kan levere den mest tilpasningsdygtige, styrbare og driftsrobuste AI-stack til lande, der ønsker større kontrol over deres AI-fremtid.