沙特阿拉伯的 humain-m3，提供了一个观察“主权 AI”如何落地的典型样本：不是完全从零训练前沿基础模型，也不只是调用海外厂商的 API，而是以中国 AI 公司 MiniMax 的 M3 模型谱系为基础，定向打造阿拉伯语优先模型。

这种路径的核心在于，模型可以针对本地语言、数据、评测标准和安全要求进行适配，并有望部署在由沙特控制的基础设施上。对希望掌握关键 AI 能力的政府或大型机构而言，这是一条更现实的中间路线。34

LEAP 2026 上发布了什么

HUMAIN 于 2026 年 9 月 3 日在利雅得 LEAP 大会上发布 humain-m3，并通过 HUMAIN Node 向研究人员和开发者提供研究与评测预览。HUMAIN Node 是其模型和推理能力接入平台。报道称，待完成进一步的安全与对齐工作后，该模型计划依据 MiniMax Community License 发布开放权重版本。3414

在人机成本与能力的平衡上，humain-m3 延续了 MiniMax M3 的混合专家（MoE）架构：总参数约 4280 亿，但每处理一个 token 约激活 230 亿参数。HUMAIN 表示，团队还在此基础上使用超过 1 万亿个阿拉伯语原生 token 进行了进一步预训练。347

这意味着，它并非把通用模型简单翻译成阿拉伯语，而是在已有高能力底座上，进行了大规模阿拉伯语专项强化。

为什么开放权重会改变主权 AI 的建设方式

“开放权重”指模型训练后的参数可被获取，从而让使用者能够在本地部署、微调和推理，而不必完全依赖一家厂商的封闭 API。布鲁金斯学会指出，这种模式可让机构对部署和评测拥有更大控制权；但同时，拿到权重并不意味着模型完全可审计，训练数据、开发流程、偏见及其他风险仍可能不透明。

对政府支持的 AI 项目来说，这带来几项实际价值：

• 减少从零预训练的门槛：可直接采用已有能力的基础模型，而非独自承担前沿预训练所需的巨额时间、算力与资金成本。
• 把投入集中在本地化：围绕本国语言、专业领域知识、公共服务场景、评测体系和安全规范进行优化。
• 将推理放在可控环境中：对数据处理、持续运营要求较高的业务，可运行在本国或本机构掌控的基础设施上。
• 保留持续适配能力：不必完全受制于单一外部 API 的行为、价格、服务可用性与政策变化。

美国新安全中心（CNAS）也指出，真正有能力从零构建具竞争力前沿模型的国家只有少数；更多政府支持项目会选择用本地数据微调开放权重模型，以较低成本融入本国语言、文化语境和领域知识。

重点不是参数规模，而是阿拉伯语能力

humain-m3 最关键的技术选择，是其阿拉伯语优先的训练方向。HUMAIN 称，模型接受了超过 1 万亿个阿拉伯语原生 token 的进一步预训练。34

这很重要，因为面向政府和企业的模型能力，远不止逐句翻译。实际应用还需要理解阿拉伯语推理、行业术语、地区性语言使用习惯，并能在用户真实使用的语言中接受评测。基于本地语料训练的模型，能为这些能力的优化提供路径，同时让后续部署和微调掌握在项目方手中。

据报道，MiniMax M3 模型谱系本身还具备文本、图像和视频理解能力，并支持工具调用与计算机操作能力。如果这些能力能在本地化过程中有效保留，国家级模型项目就无需独立复制前沿模型研发中的每一层技术栈。7

89.37% 的成绩值得关注，但仍需独立验证

HUMAIN 公布的结果显示，humain-m3 在 7 项公开阿拉伯语基准上的等权平均得分为 89.37%。其对比表称，该成绩高于所列 MiniMax M3 基准模型的 80.34%，也高于评测中列入的 GPT-5.6 SOL 和 Claude Opus 5；HUMAIN 表示，该模型在 7 项测试中领先其中 5 项。5

不过，这些结果必须谨慎解读：它们由 HUMAIN 自行测试和报告，尚未得到独立复现，也未提交至 Open Arabic LLM Leaderboard。因此，这些数据可以视为本地化策略可能取得成效的信号，而不是模型间能力高低的最终结论。15

有权重，不等于完全“自主”

humain-m3 显示了可复用模型检查点的吸引力，也说明“主权”一词不能只看模型权重。本地可部署的权重可降低对境外 API 的依赖，支持国内托管、微调和推理；但权重只是 AI 技术栈中的一层。

真正可持续的主权 AI 能力，还取决于算力基础设施、芯片供应、云和数据中心运营、人才队伍、安全流程、持续更新机制，以及底层模型许可证的具体约束。CNAS 对主权 AI 项目的界定也很明确：它应是与国家战略利益直接相关、并得到公共资金对算力、模型或数据生态系统实质投入支持的政府项目，而不只是贴上本国标签的模型。

因此，本地可运行的模型权重可以在托管服务规则变化或服务中断时提供备选方案，但并不能自动消除对硬件供应商、基础设施伙伴和许可证条款的依赖。

中国 AI 实验室的另一条出海路径

HUMAIN-M3 也揭示了中国 AI 实验室面向国际市场的一种机会：竞争不必局限于自建聊天产品或集中式 API，也可以向海外机构提供可被本地语言、数据和基础设施改造的高能力基础模型。

这一需求正在扩大。CNAS 统计显示，截至 2026 年上半年，全球已有 67 个国家的 184 个政府支持型主权 AI 项目；其中，基础设施类项目占比最高，说明各国关注的已不只是“谁有模型”，而是涵盖算力、部署与运营环境在内的完整能力体系。

Hugging Face 也指出，能够部署在本国硬件上的模型，可减少对外国控制云基础设施的依赖，并让公共机构在本国法律框架下使用本地数据进行微调。

结论：可适配的模型底座正成为战略资产

HUMAIN-M3 并不能证明开放权重本身就能实现 AI 主权，但它展示了一种更可行的建设方式：获得或许可一个高能力基础模型，以本地数据和评测投入完成深度适配，在本国可控的环境中运行，并保留持续修改系统的能力。

对沙特而言，直接目标是建设阿拉伯语优先的 AI 能力；对 MiniMax 这样的中国 AI 公司而言，可适配的模型检查点则可能成为可输出的 AI 基础设施组成部分。对那些无意或无力从零训练前沿模型的国家来说，能够下载、部署和持续改造的模型，正成为越来越重要的战略选项。3

沙特阿拉伯的 humain-m3，提供了一个观察“主权 AI”如何落地的典型样本：不是完全从零训练前沿基础模型，也不只是调用海外厂商的 API，而是以中国 AI 公司 MiniMax 的 M3 模型谱系为基础，定向打造阿拉伯语优先模型。

这种路径的核心在于，模型可以针对本地语言、数据、评测标准和安全要求进行适配，并有望部署在由沙特控制的基础设施上。对希望掌握关键 AI 能力的政府或大型机构而言，这是一条更现实的中间路线。34

LEAP 2026 上发布了什么

HUMAIN 于 2026 年 9 月 3 日在利雅得 LEAP 大会上发布 humain-m3，并通过 HUMAIN Node 向研究人员和开发者提供研究与评测预览。HUMAIN Node 是其模型和推理能力接入平台。报道称，待完成进一步的安全与对齐工作后，该模型计划依据 MiniMax Community License 发布开放权重版本。3414

在人机成本与能力的平衡上，humain-m3 延续了 MiniMax M3 的混合专家（MoE）架构：总参数约 4280 亿，但每处理一个 token 约激活 230 亿参数。HUMAIN 表示，团队还在此基础上使用超过 1 万亿个阿拉伯语原生 token 进行了进一步预训练。347

这意味着，它并非把通用模型简单翻译成阿拉伯语，而是在已有高能力底座上，进行了大规模阿拉伯语专项强化。

为什么开放权重会改变主权 AI 的建设方式

“开放权重”指模型训练后的参数可被获取，从而让使用者能够在本地部署、微调和推理，而不必完全依赖一家厂商的封闭 API。布鲁金斯学会指出，这种模式可让机构对部署和评测拥有更大控制权；但同时，拿到权重并不意味着模型完全可审计，训练数据、开发流程、偏见及其他风险仍可能不透明。

对政府支持的 AI 项目来说，这带来几项实际价值：

• 减少从零预训练的门槛：可直接采用已有能力的基础模型，而非独自承担前沿预训练所需的巨额时间、算力与资金成本。
• 把投入集中在本地化：围绕本国语言、专业领域知识、公共服务场景、评测体系和安全规范进行优化。
• 将推理放在可控环境中：对数据处理、持续运营要求较高的业务，可运行在本国或本机构掌控的基础设施上。
• 保留持续适配能力：不必完全受制于单一外部 API 的行为、价格、服务可用性与政策变化。

美国新安全中心（CNAS）也指出，真正有能力从零构建具竞争力前沿模型的国家只有少数；更多政府支持项目会选择用本地数据微调开放权重模型，以较低成本融入本国语言、文化语境和领域知识。

重点不是参数规模，而是阿拉伯语能力

humain-m3 最关键的技术选择，是其阿拉伯语优先的训练方向。HUMAIN 称，模型接受了超过 1 万亿个阿拉伯语原生 token 的进一步预训练。34

这很重要，因为面向政府和企业的模型能力，远不止逐句翻译。实际应用还需要理解阿拉伯语推理、行业术语、地区性语言使用习惯，并能在用户真实使用的语言中接受评测。基于本地语料训练的模型，能为这些能力的优化提供路径，同时让后续部署和微调掌握在项目方手中。

据报道，MiniMax M3 模型谱系本身还具备文本、图像和视频理解能力，并支持工具调用与计算机操作能力。如果这些能力能在本地化过程中有效保留，国家级模型项目就无需独立复制前沿模型研发中的每一层技术栈。7

89.37% 的成绩值得关注，但仍需独立验证

HUMAIN 公布的结果显示，humain-m3 在 7 项公开阿拉伯语基准上的等权平均得分为 89.37%。其对比表称，该成绩高于所列 MiniMax M3 基准模型的 80.34%，也高于评测中列入的 GPT-5.6 SOL 和 Claude Opus 5；HUMAIN 表示，该模型在 7 项测试中领先其中 5 项。5

不过，这些结果必须谨慎解读：它们由 HUMAIN 自行测试和报告，尚未得到独立复现，也未提交至 Open Arabic LLM Leaderboard。因此，这些数据可以视为本地化策略可能取得成效的信号，而不是模型间能力高低的最终结论。15

有权重，不等于完全“自主”

humain-m3 显示了可复用模型检查点的吸引力，也说明“主权”一词不能只看模型权重。本地可部署的权重可降低对境外 API 的依赖，支持国内托管、微调和推理；但权重只是 AI 技术栈中的一层。

真正可持续的主权 AI 能力，还取决于算力基础设施、芯片供应、云和数据中心运营、人才队伍、安全流程、持续更新机制，以及底层模型许可证的具体约束。CNAS 对主权 AI 项目的界定也很明确：它应是与国家战略利益直接相关、并得到公共资金对算力、模型或数据生态系统实质投入支持的政府项目，而不只是贴上本国标签的模型。

因此，本地可运行的模型权重可以在托管服务规则变化或服务中断时提供备选方案，但并不能自动消除对硬件供应商、基础设施伙伴和许可证条款的依赖。

中国 AI 实验室的另一条出海路径

HUMAIN-M3 也揭示了中国 AI 实验室面向国际市场的一种机会：竞争不必局限于自建聊天产品或集中式 API，也可以向海外机构提供可被本地语言、数据和基础设施改造的高能力基础模型。

这一需求正在扩大。CNAS 统计显示，截至 2026 年上半年，全球已有 67 个国家的 184 个政府支持型主权 AI 项目；其中，基础设施类项目占比最高，说明各国关注的已不只是“谁有模型”，而是涵盖算力、部署与运营环境在内的完整能力体系。

Hugging Face 也指出，能够部署在本国硬件上的模型，可减少对外国控制云基础设施的依赖，并让公共机构在本国法律框架下使用本地数据进行微调。

结论：可适配的模型底座正成为战略资产

HUMAIN-M3 并不能证明开放权重本身就能实现 AI 主权，但它展示了一种更可行的建设方式：获得或许可一个高能力基础模型，以本地数据和评测投入完成深度适配，在本国可控的环境中运行，并保留持续修改系统的能力。

对沙特而言，直接目标是建设阿拉伯语优先的 AI 能力；对 MiniMax 这样的中国 AI 公司而言，可适配的模型检查点则可能成为可输出的 AI 基础设施组成部分。对那些无意或无力从零训练前沿模型的国家来说，能够下载、部署和持续改造的模型，正成为越来越重要的战略选项。3