HUMAIN-M3: Çin’in Açık Ağırlıklı Modelleriyle Egemen Yapay Zekâya Giden Yol

Suudi Arabistan’ın humain-m3 modeli, “egemen yapay zekâ” kavramının pratikte nasıl şekillendiğine dair dikkat çekici bir örnek. Ülke, sıfırdan bir sınır model eğitmek ya da yalnızca yabancı bir API’a bağımlı kalmak yerine, Kamu Yatırım Fonu (PIF) destekli HUMAIN aracılığıyla Çinli geliştirici MiniMax’ın M3 model ailesini temel alan Arapça öncelikli bir model hazırlattı. Ortaya çıkan sistem, yerel ihtiyaçlara göre değerlendirilebilen, uyarlanabilen ve potansiyel olarak Suudi Arabistan’ın kontrolündeki altyapıda çalıştırılabilen bir yapı sunuyor. 34

LEAP 2026’da neler duyuruldu?

HUMAIN, humain-m3’ü 3 Eylül 2026’da Riyad’daki LEAP konferansında tanıttı. Model, geliştiriciler, araştırmacılar ve kurumlara model ile çıkarım erişimi sağlayan HUMAIN Node platformunda araştırma ve değerlendirme önizlemesi olarak kullanıma açıldı. Şirketin açıklamasına göre, ek güvenlik ve hizalama çalışmalarının ardından modelin ağırlıklarının MiniMax Community License kapsamında yayımlanması planlanıyor. 3414

Model, MiniMax M3’ün mixture-of-experts (MoE) mimarisini kullanıyor: Toplamda yaklaşık 428 milyar parametre içerirken, her token için yaklaşık 23 milyar parametreyi etkinleştiriyor. HUMAIN ayrıca modeli 1 trilyondan fazla Arapça yerel içerik tokeni üzerinde ek ön eğitimden geçirdiğini belirtiyor. 347

Bu yaklaşım projenin asıl anlamını oluşturuyor. HUMAIN, yalnızca Arapçaya çevrilmiş genel amaçlı bir model sunmuyor; yüksek kapasiteli mevcut bir temel üzerine geniş ölçekli Arapça uzmanlaşması inşa ediyor.

Açık ağırlıklar egemen yapay zekâ hesabını neden değiştiriyor?

Açık ağırlıklı modellerde eğitilmiş parametreler erişilebilir olur; böylece model yerelde çalıştırılabilir, ince ayar yapılabilir ve tescilli bir API’a bağımlı olmadan çıkarım için kullanılabilir. Brookings’e göre bu yapı, kurumlara dağıtım ve değerlendirme üzerinde daha fazla kontrol verebilir. Ancak ağırlıklara erişim, modelin bütünüyle denetlenebilir olduğu anlamına gelmez: eğitim verileri, geliştirme süreçleri, önyargılar ve diğer riskler yine şeffaf olmayabilir.

Kamu destekli bir program açısından bu, uygulanabilir bir orta yol yaratıyor:

• Sınır düzeyinde bir modeli baştan eğitmenin zaman ve maliyetini üstlenmek yerine, yetkin bir temel modelle başlamak.
• Dil, alan bilgisi, değerlendirme ölçütleri ve güvenlik gereklilikleri gibi yerel ihtiyaçlara göre uzmanlaştırma yapmak.
• Veri işleme ve iş sürekliliğinin kritik olduğu yüklerde çıkarımı denetimli altyapıda çalıştırmak.
• Tek bir dış API sağlayıcısının davranışına, fiyatlandırmasına veya erişilebilirliğine mahkûm olmadan modeli uyarlayabilmek.

Center for a New American Security’ye (CNAS) göre rekabetçi sınır modelleri sıfırdan geliştirmek için gereken işlem kapasitesi, veri, yetenek ve sermaye yalnızca az sayıda ülkede bulunuyor. Bu nedenle pek çok kamu destekli girişim; ulusal dilleri, kültürel bağlamı ve alan uzmanlığını daha düşük maliyetle sisteme katmak için açık ağırlıklı modelleri yerel verilerle ince ayardan geçiriyor.

Kritik unsur parametre sayısı değil, Arapça uzmanlaşması

humain-m3’teki en önemli teknik tercih, Arapça öncelikli eğitim. HUMAIN, modelin 1 trilyondan fazla Arapça yerel materyal tokeni üzerinde ek ön eğitim aldığını söylüyor. 34

Bu önemli, çünkü ulusal ölçekte yararlı sistemler kelimesi kelimesine çeviriden fazlasını gerektirir. Kamu ve kurumsal kullanım senaryolarında Arapça akıl yürütme, yerel terminoloji, bölgesel dil kullanımları ve kullanıcıların gerçekten konuşup yazdığı dilde değerlendirme gerekebilir. Yerelleştirilmiş bir model, bu yeteneklerin geliştirilmesine; dağıtım ve sonraki ince ayar süreçlerinin de programın kontrolünde tutulmasına imkân verir.

M3 ailesinin metin, görsel ve video anlama; araç kullanımı ve bilgisayar işletme yeteneklerini de desteklediği bildiriliyor. Bu kabiliyetler yerelleştirme sonrasında etkili biçimde korunursa, bir ulusal model programı sınır model geliştirme zincirinin her katmanını tek başına yeniden kurmak yerine bu yeteneklerin üzerine inşa edebilir. 7

Umut veren kıyaslama sonuçları, fakat önemli bir çekinceyle

HUMAIN, yedi açık Arapça kıyaslamada eşit ağırlıklı ortalama %89,37 puan açıkladı. Şirketin karşılaştırmasına göre model, MiniMax M3 referansının %80,34’lük puanının yanı sıra değerlendirmeye dahil edilen GPT-5.6 SOL ve Claude Opus 5 sistemlerini de geride bıraktı; humain-m3’ün yedi testin beşinde öne geçtiği belirtildi. 5

Bu sonuçlara ihtiyatla yaklaşmak gerekiyor. Skorlar HUMAIN tarafından raporlandı, şirketin kendi ortamında çalıştırıldı ve haberlerde belirtildiği üzere bağımsız biçimde yeniden üretilmedi ya da Open Arabic LLM Leaderboard’a sunulmadı. Dolayısıyla bunlar yerelleştirme stratejisinin işe yarıyor olabileceğine işaret ediyor; kesin ve bağımsız bir modeller arası sıralama anlamına gelmiyor. 15

Egemenlik, model ağırlıklarına sahip olmaktan daha fazlası

humain-m3, yeniden kullanılabilir model kontrol noktalarının çekiciliğini gösterirken “egemen” sözcüğünün sınırlarını da ortaya koyuyor. Modele yerel erişim, yabancı API bağımlılığını azaltabilir; ülke içinde barındırma, ince ayar ve çıkarımı destekleyebilir. Ancak model ağırlıkları, teknoloji yığınının yalnızca bir katmanı.

İşleyen bir egemen yapay zekâ kapasitesi; işlem altyapısı, çipler, bulut ve veri merkezi işletimi, yetkin ekipler, güvenlik süreçleri, düzenli model güncellemeleri ve temel model lisansının koşullarına da bağlıdır. CNAS, egemen yapay zekâ projelerini yalnızca yerli etiketi taşıyan modeller olarak değil; ulusal çıkarlarla bağlantılı, kamu destekli ve işlem kapasitesi, model ya da veri ekosistemlerine somut yatırım içeren girişimler olarak tanımlıyor.

Bu ayrım, dayanıklılık için önemli. Yerelde çalıştırılabilir ağırlıklar, barındırılan bir hizmetin politikası değiştiğinde veya erişilemez hâle geldiğinde yedek seçenek oluşturabilir. Fakat donanım tedarikçilerine, altyapı ortaklarına ve temel modelin kullanımını belirleyen hukuki koşullara yönelik bağımlılıkları ortadan kaldırmaz.

Yeniden kullanılabilir temel modeller için büyüyen pazar

HUMAIN-M3, Çinli yapay zekâ laboratuvarları açısından uluslararası bir fırsata da işaret ediyor. Bu şirketler yalnızca merkezî olarak sunulan tüketici ürünleri veya API’larla rekabet etmek yerine, farklı ülkelerdeki kuruluşların kendi dillerine, verilerine ve altyapılarına uyarlayabileceği yetkin temel modeller sağlayabilir.

Bu eğilim daha geniş bir tablonun parçası. CNAS, 2026’nın ilk yarısına kadar olan yeni projeleri kapsayan verilerinde, 67 ülkede 184 kamu destekli egemen yapay zekâ projesi saydı. Kuruluşa göre altyapı odaklı projeler en büyük payı oluşturuyor. Bu da ulusal yapay zekâ stratejilerinin yalnızca modele değil, modelin çalışacağı tüm ortama giderek daha fazla odaklandığını gösteriyor.

Açık ağırlıklı dağıtım bu ortamda özellikle önem kazanıyor. Hugging Face’e göre ülke içindeki donanımda çalıştırılabilen modeller, yabancı denetimindeki bulut altyapısına bağımlılığı azaltabilir ve kamu kurumlarının sistemleri ulusal hukuki çerçeve içinde ince ayardan geçirmesine olanak tanıyabilir.

Stratejik sonuç

HUMAIN-M3, açık ağırlıkların tek başına yapay zekâ egemenliği sağladığının kanıtı değil. Ancak daha erişilebilir bir stratejinin yüksek profilli bir örneği: Yetkin bir temel modeli edinmek veya lisanslamak, yerel veri ve değerlendirmeye ciddi yatırım yapmak, sistemi ülke içindeki operasyonel kontrol altında çalıştırmak ve zaman içinde uyarlama kapasitesini korumak.

Suudi Arabistan için yakın hedef Arapça öncelikli yapay zekâ kapasitesi. MiniMax gibi Çinli laboratuvarlar içinse sonuç daha geniş: Uyarlanabilir bir model kontrol noktası, ihraç edilebilir bir yapay zekâ altyapısı bileşenine dönüşebilir. Sınır modelleri sıfırdan kuramayacak ya da kurmak istemeyecek devletler açısından HUMAIN-M3, indirilebilir ve yerelde çalıştırılabilir modellerin neden giderek daha önemli bir stratejik seçenek hâline geldiğini gösteriyor. 3