HUMAIN-M3 zeigt das neue Modell für souveräne KI

Saudi-Arabiens humain-m3 verdeutlicht, was unter „souveräner KI“ zunehmend praktisch verstanden wird: Nicht zwingend ein Spitzenmodell von Grund auf selbst trainieren – aber auch nicht vollständig von einer ausländischen KI-API abhängig sein. Das vom saudischen Staatsfonds PIF unterstützte Unternehmen HUMAIN ließ ein arabischsprachiges Modell auf Basis der M3-Familie des chinesischen Entwicklers MiniMax entwickeln und lokal spezialisieren. Dadurch entsteht ein System, das in saudisch kontrollierter Infrastruktur bewertet, angepasst und potenziell betrieben werden kann. 34

Start bei LEAP 2026 in Riad

HUMAIN stellte humain-m3 am 3. September 2026 auf der Technologiemesse LEAP in Riad vor. Über die Plattform HUMAIN Node ist das Modell zunächst als Vorschau für Forschung und Evaluierung verfügbar. Nach zusätzlichen Arbeiten zu Sicherheit und Alignment ist laut Berichten eine Veröffentlichung der Modellgewichte unter der MiniMax Community License geplant. 3414

Technisch folgt humain-m3 einem Mixture-of-Experts-Ansatz (MoE): Das Modell verfügt über rund 428 Milliarden Parameter, aktiviert pro Token jedoch nur etwa 23 Milliarden davon. HUMAIN gibt an, das Modell zusätzlich mit mehr als einer Billion Tokens aus arabischsprachigen Inhalten vortrainiert zu haben. 347

Entscheidend ist damit nicht allein die Modellgröße. HUMAIN präsentiert kein allgemeines Modell, das nachträglich nur übersetzt wurde, sondern ein leistungsfähiges Basismodell mit groß angelegter Spezialisierung auf Arabisch.

Warum offene Gewichte die Rechnung verändern

Bei Open-Weight-Modellen sind die trainierten Parameter zugänglich. Sie lassen sich lokal ausführen, weitertrainieren und für Inferenz nutzen, ohne dass jede Anfrage über die proprietäre API eines Anbieters laufen muss. Das kann Behörden und Unternehmen mehr Kontrolle über Einsatz und Tests geben. Zugleich bedeutet Zugang zu Gewichten nicht automatisch vollständige Transparenz: Trainingsdaten, Entwicklungsprozesse, mögliche Verzerrungen und weitere Risiken können weiterhin unbekannt bleiben.

Für staatlich unterstützte Programme eröffnet das einen pragmatischen Mittelweg:

• Ein etabliertes Basismodell verkürzt Kosten und Entwicklungszeit gegenüber einem vollständigen Training von null an.
• Lokale Daten, Fachsprache, Sicherheitsvorgaben und eigene Qualitätsmaßstäbe können gezielt eingebracht werden.
• Sensible Anwendungen können auf kontrollierter Infrastruktur laufen, wenn Datenverarbeitung und Verfügbarkeit besonders wichtig sind.
• Es bleibt ein Anpassungspfad, statt vollständig von Preisgestaltung, Richtlinien oder Verfügbarkeit eines einzelnen API-Anbieters abzuhängen.

Das Center for a New American Security (CNAS) weist darauf hin, dass nur wenige Staaten über ausreichend Rechenkapazität, Daten, Kapital und Fachpersonal verfügen, um konkurrenzfähige Spitzenmodelle selbst zu trainieren. Viele staatlich unterstützte Projekte setzen daher auf die Anpassung offener Modellgewichte mit lokalen Daten – etwa für Landessprachen, kulturellen Kontext und Fachwissen.

Arabische Spezialisierung statt bloßer Übersetzung

Der wichtigste technische Schritt bei humain-m3 ist das zusätzliche Training auf mehr als einer Billion Tokens mit arabischsprachigem Material, wie HUMAIN mitteilt. 34

Für den Einsatz in Verwaltung und Unternehmen genügt wortwörtliche Übersetzung nicht. Benötigt werden Sprachverständnis und Schlussfolgerungen auf Arabisch, passende Terminologie sowie Tests in der Sprache, in der Nutzerinnen und Nutzer tatsächlich schreiben und arbeiten. Ein lokal angepasstes Modell bietet die Möglichkeit, diese Fähigkeiten gezielt zu optimieren und die weitere Entwicklung selbst zu steuern.

Die zugrunde liegende M3-Modellfamilie unterstützt Berichten zufolge Text-, Bild- und Videoverständnis sowie die Nutzung von Werkzeugen und die Bedienung von Computersystemen. Wenn diese Fähigkeiten durch die Lokalisierung wirksam erhalten bleiben, muss ein nationales KI-Programm nicht jede Ebene der Spitzenmodell-Entwicklung selbst reproduzieren. 7

Gute Benchmark-Werte – mit Vorbehalt

HUMAIN meldete einen gleichgewichteten Durchschnittswert von 89,37 % über sieben öffentliche arabische Benchmarks. Im eigenen Vergleich lag humain-m3 vor dem angeführten MiniMax-M3-Referenzwert von 80,34 % sowie vor den einbezogenen Systemen GPT-5.6 SOL und Claude Opus 5; in fünf der sieben Tests soll das Modell geführt haben. 5

Diese Zahlen sollten allerdings vorsichtig eingeordnet werden. Die Auswertung stammt von HUMAIN selbst, wurde auf dessen Infrastruktur durchgeführt und laut Berichten bislang weder unabhängig reproduziert noch beim Open Arabic LLM Leaderboard eingereicht. Sie sind daher ein Hinweis darauf, dass die Lokalisierungsstrategie funktionieren könnte – keine abschließende, unabhängige Rangliste verschiedener Modelle. 15

KI-Souveränität besteht aus mehr als Modellgewichten

Humain-m3 zeigt die Attraktivität wiederverwendbarer Modell-Checkpoints, aber auch die Grenzen des Begriffs „souverän“. Lokaler Zugriff auf ein Modell kann die Abhängigkeit von einer ausländischen API reduzieren und eigenes Hosting, Fine-Tuning und Inferenz ermöglichen. Die Gewichte sind jedoch nur eine Ebene des KI-Stacks.

Eine belastbare souveräne KI-Fähigkeit verlangt zusätzlich Rechenzentren und Cloud-Betrieb, Chips, qualifizierte Teams, Sicherheitsprozesse, fortlaufende Modellaktualisierungen sowie tragfähige Lizenzbedingungen. CNAS definiert souveräne KI-Projekte daher umfassend als staatlich unterstützte Vorhaben mit strategischem nationalem Bezug und materiellen Investitionen in Rechenleistung, Modelle oder Datenökosysteme – nicht einfach als Modelle mit nationalem Etikett.

Lokal einsetzbare Gewichte können als Ausweichoption dienen, wenn ein gehosteter Dienst seine Regeln ändert oder ausfällt. Sie beseitigen aber weder Abhängigkeiten von Hardwarelieferanten und Infrastrukturpartnern noch die rechtlichen Vorgaben für das zugrunde liegende Modell.

Wachsender Markt für wiederverwendbare Basismodelle

HUMAIN-M3 verweist zugleich auf eine internationale Chance für chinesische KI-Labore. Statt nur über zentral gehostete Produkte und APIs zu konkurrieren, können sie leistungsfähige Basismodelle liefern, die Organisationen im Ausland für eigene Sprachen, Daten und Infrastruktur anpassen.

Das passt in einen breiteren Trend: CNAS zählte in Daten zu neuen Projekten bis zur ersten Hälfte des Jahres 2026 184 staatlich unterstützte souveräne KI-Projekte in 67 Ländern. Den größten Anteil machten Infrastrukturprojekte aus. Nationale KI-Strategien richten sich damit immer stärker auf die gesamte Betriebsumgebung – nicht nur auf das Modell.

Hugging Face argumentiert ebenfalls, dass Modelle auf eigener nationaler Hardware die Abhängigkeit von ausländisch kontrollierter Cloud-Infrastruktur verringern und öffentlichen Stellen ermöglichen können, Systeme innerhalb nationaler Rechtsrahmen zu trainieren und anzupassen.

Die strategische Lehre

HUMAIN-M3 beweist nicht, dass offene Gewichte allein KI-Souveränität schaffen. Das Projekt ist aber ein prominentes Beispiel für einen realistischeren Weg: ein leistungsfähiges Basismodell erwerben oder lizenzieren, stark in lokale Daten und Evaluierung investieren, den Betrieb unter eigener Kontrolle organisieren und die Fähigkeit zur langfristigen Anpassung erhalten.

Für Saudi-Arabien steht zunächst eine arabischsprachige KI-Fähigkeit im Vordergrund. Für chinesische Labore wie MiniMax legt das Projekt nahe, dass ein anpassbarer Modell-Checkpoint zu exportierbarer KI-Infrastruktur werden kann. Und für Staaten, die Spitzenmodelle nicht selbst von Grund auf entwickeln können oder wollen, zeigt humain-m3, warum herunterladbare und lokal betreibbare Modelle zu einer wichtigen strategischen Option werden. 3