HUMAIN-M3 laat zien hoe open AI-modellen nationale ambities voeden

Saoedi-Arabiës humain-m3 maakt concreet wat ‘AI-soevereiniteit’ in de praktijk kan betekenen. HUMAIN, het door het Public Investment Fund (PIF) gesteunde AI-bedrijf, liet niet vanaf nul een nieuw topmodel trainen en koos ook niet uitsluitend voor een buitenlandse API. In plaats daarvan gaf het opdracht voor een Arabisch-first model op basis van de M3-modelfamilie van de Chinese ontwikkelaar MiniMax. Zo ontstaat een systeem dat lokaal kan worden gespecialiseerd, geëvalueerd en mogelijk op door Saoedi-Arabië gecontroleerde infrastructuur kan draaien. 34

Gelanceerd op LEAP 2026 in Riyad

HUMAIN onthulde humain-m3 op 3 september 2026 tijdens LEAP in Riyad. Het model is via het platform HUMAIN Node beschikbaar als onderzoeks- en evaluatiepreview. Na aanvullende veiligheids- en alignmentwerkzaamheden staat een release van de modelgewichten gepland onder de MiniMax Community License. 3414

De technische basis is een mixture-of-experts (MoE)-architectuur. Het model heeft ongeveer 428 miljard parameters, maar activeert daarvan circa 23 miljard per token. HUMAIN zegt het model verder te hebben voorgetraind op meer dan 1 biljoen tokens aan Arabischtalige content van oorsprong. 347

Daar zit de kern van het project: het gaat niet simpelweg om een algemeen model dat naar het Arabisch is vertaald, maar om grootschalige specialisatie voor de Arabische taal op een al capabele basis.

Waarom open gewichten belangrijk zijn

Bij open-weightmodellen zijn de getrainde parameters beschikbaar. Organisaties kunnen zo een model lokaal inzetten, bijtrainen en inferentie uitvoeren zonder voor elke aanvraag afhankelijk te zijn van een propriëtaire API. Volgens Brookings levert dat meer zeggenschap op over implementatie en toetsing. Tegelijk waarschuwt de denktank dat toegang tot de gewichten geen volledige controleerbaarheid garandeert: trainingsdata, ontwikkelprocessen, vooroordelen en andere risico’s kunnen ondoorzichtig blijven.

Voor een door de overheid gesteund programma biedt dit een praktische middenweg:

• voortbouwen op een bestaand basismodel, in plaats van zelf alle kosten en tijd van frontier-pretraining te dragen;
• het model aanpassen aan lokale taal, vakkennis, veiligheidsvereisten en eigen evaluatienormen;
• inferentie laten draaien op gecontroleerde infrastructuur wanneer dataverwerking en continuïteit cruciaal zijn;
• de mogelijkheid behouden om het model verder te ontwikkelen, zonder vast te zitten aan het gedrag, de prijzen of beschikbaarheid van één externe API-aanbieder.

De Amerikaanse denktank CNAS stelt eveneens dat slechts een klein aantal landen beschikt over voldoende rekenkracht, data, talent en kapitaal om vanaf nul concurrerende frontiermodellen te bouwen. Veel landen kiezen daarom voor het fine-tunen van open-weightmodellen met lokale data, om nationale talen, culturele context en domeinkennis tegen lagere kosten in het model te verwerken.

Arabische specialisatie is belangrijker dan alleen de schaal

De opvallendste technische keuze achter humain-m3 is de Arabisch-first training. HUMAIN zegt meer dan 1 biljoen tokens aan oorspronkelijk Arabischtalig materiaal aan de verdere pretraining te hebben toegevoegd. 34

Dat is relevant omdat bruikbare toepassingen voor overheid en bedrijfsleven meer vereisen dan letterlijke vertaling. Ze moeten overweg kunnen met redeneren in het Arabisch, lokale terminologie en taalgebruik dat aansluit op gebruikers. Een lokaal aangepast model biedt een manier om die eigenschappen te optimaliseren, terwijl implementatie en verdere training onder controle van het programma blijven.

De onderliggende M3-lijn ondersteunt volgens de berichtgeving tekst-, beeld- en videobegrip, naast het gebruik van tools en functies voor computerbediening. Als die mogelijkheden goed behouden blijven na de lokalisatie, hoeft een nationaal modelprogramma niet elke laag van de ontwikkeling van frontiermodellen opnieuw uit te vinden. 7

Sterke benchmarkcijfers, maar met een duidelijke kanttekening

HUMAIN rapporteerde een gelijkgewogen gemiddelde score van 89,37% op zeven openbare Arabische benchmarks. In de vergelijking van HUMAIN lag dat boven de vermelde referentiescore van 80,34% voor MiniMax M3 en boven de geteste GPT-5.6 SOL- en Claude Opus 5-systemen. Volgens HUMAIN voerde humain-m3 vijf van de zeven tests aan. 5

Die resultaten vragen wel om voorzichtigheid. Het zijn door HUMAIN zelf gerapporteerde uitkomsten, uitgevoerd op de eigen infrastructuur van het bedrijf. Ze zijn volgens berichtgeving niet onafhankelijk gereproduceerd en ook niet ingediend bij de Open Arabic LLM Leaderboard. De cijfers zijn dus een aanwijzing dat de lokalisatiestrategie kan werken, geen definitieve ranglijst tussen modellen. 15

Soevereiniteit is meer dan een kopie van de gewichten

Humain-m3 onderstreept de aantrekkingskracht van herbruikbare modelcheckpoints, maar ook de grenzen van het begrip ‘soeverein’. Lokale toegang tot een model kan de afhankelijkheid van een buitenlandse API verkleinen en binnenlandse hosting, fine-tuning en inferentie mogelijk maken. De gewichten vormen echter slechts één laag van de AI-keten.

Een volwaardige soevereine AI-capaciteit vraagt ook om rekeninfrastructuur, chips, cloud- en datacenterbeheer, deskundige teams, beveiligingsprocessen, voortdurende modelupdates en heldere licentievoorwaarden. CNAS definieert soevereine-AI-projecten daarom breder: als initiatieven met overheidssteun die verbonden zijn aan nationale belangen en waarvoor materieel wordt geïnvesteerd in rekenkracht, modellen of data-ecosystemen — niet als modellen die alleen een nationaal etiket dragen.

Dat onderscheid is essentieel voor veerkracht. Lokaal inzetbare gewichten kunnen een terugvaloptie bieden als een gehoste dienst zijn beleid verandert of niet meer beschikbaar is. Maar ze nemen afhankelijkheden van hardwareleveranciers, infrastructuurpartners of de juridische voorwaarden van het basismodel niet weg.

Groeiende vraag naar herbruikbare basismodellen

HUMAIN-M3 wijst ook op een internationale kans voor Chinese AI-labs. Zij kunnen niet alleen concurreren via centraal gehoste consumentenproducten en API’s, maar ook door capabele basismodellen te leveren die organisaties elders aanpassen aan hun eigen taal, data en infrastructuur.

Dat past in een bredere ontwikkeling. CNAS telde 184 door overheden gesteunde soevereine-AI-projecten in 67 landen in gegevens over nieuwe projecten tot en met de eerste helft van 2026. Projecten rond infrastructuur vormden het grootste aandeel. Nationale AI-strategieën draaien dus steeds vaker om de volledige operationele omgeving, niet uitsluitend om het model.

Open-weightdistributie is daarbij bijzonder relevant. Hugging Face stelt dat modellen die op nationale hardware kunnen draaien, de afhankelijkheid van buitenlandse cloudinfrastructuur kunnen verkleinen en publieke instellingen de ruimte geven om systemen onder hun eigen wettelijke kader af te stemmen.

De strategische les

HUMAIN-M3 bewijst niet dat open gewichten op zichzelf AI-soevereiniteit opleveren. Het project laat wel een beter haalbare route zien: een capabel basismodel verkrijgen of licentiëren, zwaar investeren in lokale data en evaluatie, het systeem onder eigen operationele controle inzetten en de mogelijkheid behouden om het door te ontwikkelen.

Voor Saoedi-Arabië ligt het directe doel in Arabisch-first AI-capaciteit. Voor Chinese labs zoals MiniMax is de bredere betekenis dat een aanpasbaar modelcheckpoint een exporteerbaar onderdeel van AI-infrastructuur kan worden. En voor overheden die geen frontiermodel vanaf nul kunnen of willen bouwen, illustreert het project waarom downloadbare en lokaal inzetbare modellen een steeds belangrijkere strategische optie worden. 3