HUMAIN-M3 peger på en ny vej til national kontrol over AI

Saudi-Arabiens humain-m3 er et konkret eksempel på, hvad »suveræn AI« i stigende grad betyder i praksis. I stedet for at træne en avanceret grundmodel helt fra bunden – eller alene være afhængig af et udenlandsk API – har den PIF-støttede virksomhed HUMAIN fået udviklet en arabisk-først-model på basis af den kinesiske udvikler MiniMax’ M3-modelserie.

Resultatet er et system, der er specialiseret lokalt, kan evalueres og videreudvikles og potentielt kan drives på infrastruktur under saudiarabisk kontrol. PIF er Saudi-Arabiens statslige investeringsfond. 34

Præsenteret på LEAP 2026

HUMAIN præsenterede humain-m3 på teknologikonferencen LEAP i Riyadh den 3. september 2026. Modellen blev gjort tilgængelig som preview til forskning og evaluering via HUMAIN Node, selskabets platform for adgang til modeller og inferens – altså når en færdigtrænet model bruges til at generere svar. Ifølge omtalen er en udgivelse af modelvægtene planlagt, når yderligere sikkerheds- og alignmentarbejde er gennemført, under MiniMax Community License. 3414

Modellen følger MiniMax M3’s mixture-of-experts-arkitektur, hvor forskellige dele af modellen aktiveres efter opgaven. Den har omkring 428 mia. parametre i alt, men aktiverer omtrent 23 mia. parametre pr. token. HUMAIN oplyser, at modellen desuden er videreprætrænet på mere end en billion tokens med arabiskfødt indhold. 347

Pointen er ikke blot at oversætte en generel model til arabisk. HUMAIN forsøger at kombinere en eksisterende, avanceret basismodel med meget omfattende specialisering til arabisk sprogbrug.

Hvorfor åbne modelvægte ændrer regnestykket

Open-weight-modeller giver adgang til de trænede parametre, så de kan installeres lokalt, fintunes og anvendes uden løbende afhængighed af et proprietært API. Brookings peger på, at det giver institutioner større indflydelse på drift og evaluering. Men adgang til vægtene gør ikke modellen fuldt gennemsigtig: Træningsdata, udviklingsprocesser, skævheder og andre risici kan fortsat være uklare.

For et statsligt støttet program giver det en praktisk mellemvej:

• Man kan tage udgangspunkt i en gennemprøvet grundmodel frem for at betale hele regningen for træning fra bunden.
• Man kan tilpasse modellen til egne sprog, fagområder, evalueringskrav og sikkerhedsregler.
• Man kan køre inferens på kontrolleret infrastruktur, hvor datahåndtering og driftsstabilitet er afgørende.
• Man bevarer en mulighed for løbende tilpasning frem for at være bundet til én ekstern API-leverandørs funktioner, priser og tilgængelighed.

Center for a New American Security, CNAS, vurderer tilsvarende, at kun få lande råder over den regnekraft, de data, talenter og den kapital, der kræves for at bygge konkurrencedygtige frontmodeller fra bunden. Derfor vælger mange statsstøttede initiativer i stedet at fintune open-weight-modeller på lokale data for at indarbejde nationale sprog, kulturel kontekst og domæneviden til lavere omkostninger.

Arabisk specialisering er vigtigere end parameterantallet

Det mest afgørende tekniske valg i humain-m3 er den arabisk-først-orienterede træning. HUMAIN oplyser, at modellen er videreprætrænet på over en billion tokens med arabisk indhold. 34

Det er relevant, fordi anvendelige offentlige og kommercielle AI-løsninger skal kunne mere end ordret oversættelse. De kan have brug for ræsonnement på arabisk, lokal fagterminologi, regionale sproglige varianter og evaluering på det sprog, brugerne faktisk taler og skriver.

MiniMax M3-familien understøtter ifølge omtalen også forståelse af tekst, billeder og video samt brug af værktøjer og funktioner til computerbetjening. Hvis de egenskaber bevares effektivt gennem lokaliseringen, kan et nationalt modelprogram bygge videre på dem i stedet for selv at skulle reproducere alle dele af udviklingen af en frontmodel. 7

Lovende testresultater – men med et væsentligt forbehold

HUMAIN har rapporteret et gennemsnit på 89,37 %, vægtet ligeligt på tværs af syv offentlige arabiske benchmarks. I selskabets egen sammenligning ligger modellen over den angivne referenceværdi for MiniMax M3 på 80,34 % samt over de GPT-5.6 SOL- og Claude Opus 5-systemer, som HUMAIN inkluderede i evalueringen. Selskabet oplyser, at humain-m3 førte på fem af de syv tests. 5

Tallene bør dog læses med forsigtighed. De er rapporteret af leverandøren selv, kørt af HUMAIN og er ifølge omtalen hverken uafhængigt reproduceret eller indsendt til Open Arabic LLM Leaderboard. De er derfor et tegn på, at lokaliseringsstrategien kan virke – ikke en endelig, uafhængig rangliste mellem modeller. 15

Suverænitet handler om mere end modelvægte

Humain-m3 viser værdien af genanvendelige modelcheckpoints, men også grænsen for begrebet »suveræn«. Lokal adgang til en model kan mindske afhængigheden af et udenlandsk API og understøtte indenlandsk hosting, finjustering og inferens. Men modelvægte er kun ét lag i teknologistakken.

En reel national AI-kapacitet afhænger også af regnekraft, chips, cloud- og datacenterdrift, specialiserede medarbejdere, sikkerhedsprocesser, løbende modelopdateringer og licensvilkårene for den underliggende model. CNAS definerer suveræne AI-projekter bredt som statsstøttede initiativer, der er knyttet til nationale interesser og bakket op af konkrete investeringer i regnekraft, modeller eller dataøkosystemer – ikke blot som modeller med et nationalt navn.

Lokalt driftsklare vægte kan dermed fungere som en reserve, hvis en cloudtjeneste ændrer politik eller bliver utilgængelig. De fjerner dog ikke afhængigheden af hardwareleverandører, infrastrukturpartnere eller de juridiske betingelser, der gælder for brugen af basismodellen.

Et voksende marked for genanvendelige grundmodeller

HUMAIN-M3 peger også på en international mulighed for kinesiske AI-laboratorier. I stedet for kun at konkurrere med centralt hostede forbrugerprodukter og API’er kan de levere kapable basismodeller, som organisationer i andre lande tilpasser til deres egne sprog, data og infrastruktur.

Det passer ind i en bredere udvikling. CNAS registrerede 184 statsstøttede suveræne AI-projekter i 67 lande i data, der dækker nye projekter frem til første halvår af 2026. Infrastrukturprojekter udgjorde den største andel, hvilket understreger, at nationale AI-strategier i stigende grad handler om hele driftsmiljøet – ikke kun selve modellen.

Hugging Face fremhæver, at modeller, der kan installeres på indenlandsk hardware, kan reducere afhængigheden af cloudinfrastruktur under udenlandsk kontrol og give offentlige institutioner mulighed for at tilpasse systemerne inden for nationale juridiske rammer.

Den strategiske pointe

HUMAIN-M3 beviser ikke, at open weights alene skaber AI-suverenitet. Men projektet er et synligt eksempel på en mere opnåelig strategi: Anskaff eller licensér en stærk grundmodel, investér tungt i lokale data og evaluering, driv modellen under national operationel kontrol, og bevar muligheden for at tilpasse den over tid.

For Saudi-Arabien er det umiddelbare mål arabisk-først AI-kapacitet. For kinesiske laboratorier som MiniMax er den bredere betydning, at et tilpasningsvenligt modelcheckpoint kan blive en eksporterbar del af AI-infrastrukturen. Og for regeringer, der ikke kan – eller ikke ønsker at – bygge frontmodeller fra bunden, viser sagen, hvorfor downloadbare og lokalt driftsklare modeller bliver en stadig vigtigere strategisk mulighed. 3