Jais 3 so với Jais 2: Cùng một phòng thí nghiệm, mười tháng, và một mô hình hoàn toàn khác biệt

Gia đình Jais 3 và Jais-2-70B-Chat đến từ cùng một phòng thí nghiệm, cách nhau mười một tháng, và nếu bạn chỉ đọc số lượng tham số, bạn sẽ kết luận rằng bản phát hành mới hơn đã đi lùi. Jais-2-70B-Chat là một mô hình dense 70B được công bố ngày 9 tháng 12 năm 2025. Mô hình chủ lực của Jais 3, Jais-3-375B-A23B, lưu trữ 375B tham số và chạy 23B trong số đó cho mỗi token. Mô hình dense Jais-3-32B có kích thước nhỏ hơn một nửa so với 70B của Jais 2. Đó không phải là sự thụt lùi — đó chính là toàn bộ mục đích của thay đổi thế hệ, và việc xác nhận điều đó chỉ mất khoảng hai phút trên Hub. Jais 2 là một mô hình chat với tệp giấy phép bị hạn chế và một mã định danh bài báo trong thẻ của nó. Jais 3 là một gia đình gồm bảy checkpoint mở với công thức phục vụ được công bố mười ngày trước thông cáo báo chí của chính nó. Câu hỏi hữu ích không phải là cái nào đạt điểm cao hơn; mà là cái nào bạn có thể xây dựng dựa trên, và mọi hàng của câu trả lời đó đều chỉ về cùng một hướng.

Cơ chế gating là điểm khác biệt đầu tiên và nó không mang tính hình thức.

Cả Jais-2-70B-Chat và Jais-2-8B-Chat đều mang gated: auto trên Hub. Gated tự động nghĩa là phê duyệt tự động — bạn chấp nhận các điều khoản và được cấp quyền truy cập — nhưng việc chấp nhận vẫn là một bước, và thẻ mô hình của 70B trả về HTTP 401 đối với một lượt đọc chưa xác thực. Bạn không thể thấy những gì mô hình tự công bố về chính nó mà không đồng ý với điều gì đó trước tiên.

• Các checkpoint cơ sở của Jais 3 không bị giới hạn truy cập. inception42/Jais-3-375B-A23B, Jais-3-32B, Jais-3-7B, Jais-3-3.7B, Jais-3-0.9B và Jais-3-MoVA-36B-A4B đều đọc được mà không cần xác thực, tất cả đều là Apache 2.0, tất cả đều có bảng benchmark trong thẻ mô hình.

• Các bản dựng lượng tử hóa và bản dựng edge cũng không bị giới hạn truy cập. Các checkpoint FP8, GGUF cho llama.cpp và Ollama, cùng các bản dựng MLX 4-bit, 8-bit và bf16 trong toàn bộ tổ chức IFM. Các bản dựng MLX 32B ra mắt ngày 1 tháng 10, còn các GGUF 3.7B và 7B vào ngày 13 tháng 10.

• Mức độ tiếp cận của Jais 2 sau mười một tháng là nhỏ. Bản 70B đã tích lũy được khoảng 1.752 lượt tải xuống trên Hub, còn bản dựng GGUF của 8B thì khoảng 340. Đó không phải là những con số mô tả một mô hình đang được dùng trong vận hành thực tế — chúng mô tả một mô hình đã được phát hành, bị giới hạn truy cập và không được sử dụng nhiều.

• Văn bản giấy phép — Apache 2.0 cũng được khai báo trong metadata thẻ của Jais 2, vì vậy giấy phép chưa bao giờ là trở ngại. Rào cản mới là vấn đề.

Hai thiết kế mẫu khác nhau, không phải hai kích cỡ của cùng một mẫu

Sự đứt gãy về mặt kiến trúc lớn hơn những gì mà cách đặt tên gợi ra.

• Jais 2 khai báo model_type: jais2 với Jais2ForCausalLM và một mẫu trò chuyện bắt nguồn từ Llama — <|start_header_id|> và <|eot_id|> token, một vai trò ai cho lượt trợ lý. Đây là một bộ giải mã dày đặc thông thường với tên kiến trúc riêng trên một thiết kế quen thuộc.

• Jais 3 khai báo model_type: k2_horizon với K2HorizonForCausalLM — một dòng dõi hoàn toàn khác, chỉ chia sẻ cách đặt tên với các mô hình nghiên cứu K2-Horizon của IFM, và yêu cầu --trust-remote-code trong mọi lệnh phục vụ vì phần triển khai là tùy chỉnh.

• Mô hình chủ lực là một mixture-of-experts gồm 192 expert, định tuyến 8 expert cho mỗi token. Jais 2 hoàn toàn không có biến thể MoE; cả hai checkpoint Jais 2 đã công bố đều là dense.

• Jais-3-MoVA-36B-A4B bổ sung cơ chế attention Mixture-of-Values lên trên MoE/strong> — lưu trữ 36B, kích hoạt 4B mỗi token. Thiết kế đó không hề tồn tại trong Jais 2.

• Ngữ cảnh chính là điểm khác biệt mang tính cấu trúc.Mọi checkpoint của Jais 3, trừ bản 0.9B, đều chạy đến 524.288 token. Siêu dữ liệu thẻ của Jais 2 hoàn toàn không công bố độ dài ngữ cảnh, và tài liệu phục vụ của dòng mô hình này không tồn tại ở dạng như của Jais 3.

Jais 3 bổ sung những gì mà Jais 2 không thể làm được

Đây là phiên bản ngắn gọn giải thích vì sao dòng sản phẩm mới hơn lại thuộc một danh mục sản phẩm khác.

• Tách biệt suy luận. --reasoning-parser k2_horizon đặt dấu vết suy nghĩ vào reasoning_content và câu trả lời vào content. Độ sâu sau đó là một cài đặt theo từng yêu cầu — reasoning_effort: high hoặc low — thay vì thứ gì đó được gắn cứng vào checkpoint.

• Gọi công cụ với một trình phân tích cú pháp, và ba định dạng truyền tải. --tool-call-parser k2_horizon cùng với --enable-auto-tool-choice, với json, xml và xml_typed có thể chọn theo từng yêu cầu. Thẻ của Jais 2 quảng cáo việc dùng cho hội thoại; sử dụng công cụ không nằm trong bộ khả năng được công bố của nó.

• Các checkpoint theo từng giai đoạn mà bạn có thể kiểm tra. Jais 3 công bố riêng các nhánh CPT, Cooldown, FTPO và SFT trên kho lưu trữ chủ lực. Đối với nghiên cứu về động lực huấn luyện, đó chính là sự khác biệt giữa một mô hình và một nghiên cứu điển hình.

• Nhật ký huấn luyện công khai. IFM liên kết một dự án W&B cho mô hình chủ lực. Jais 2 chỉ liệt kê một mã định danh bài báo và không có gì khác về mặt vận hành.

• Một thang kích thước. Các mô hình văn bản đã công bố của Jais 2 là 70B và 8B. Jais 3 bao gồm 0.9B, 3.7B, 7B, 32B, 36B-A4B và 375B-A23B, nên có một checkpoint vừa với một GPU và một checkpoint vừa với một tham vọng. Các biến thể Adapter và -Uno nằm bên cạnh chúng.

Một mô hình I/O tiếng Ả Rập là chỗ duy nhất mà Jais 2 vẫn chiếm ưu thế về phạm vi.

Có một điều mà Jais 2 làm được mà không một checkpoint văn bản nào của Jais 3 làm được, và bài viết sẽ là không trung thực nếu không nói ra: dòng Jais 2 được ghi nhận là song ngữ Ả Rập và Anh theo thiết kế, với mã định danh bài báo arxiv:2608.13580 được gắn cho cả hai kho lưu trữ Jais 2. Thẻ mô hình của Jais 3 cũng tuyên bố hỗ trợ tiếng Ả Rập và tiếng Anh, và bộ benchmark của nó tập trung áp đảo vào tiếng Ả Rập — MMLU tiếng Ả Rập, AraSTEM, GSM8K tiếng Ả Rập, nhận diện phương ngữ, IslamicQA, văn hóa Ả Rập, chấm dấu phụ, phân tích cú pháp.

Sự khác biệt nằm ở chỗ công việc được đặt vào đâu. Tuyên bố của Jais 2 là khả năng ngang bằng trong hội thoại song ngữ. Tuyên bố của Jais 3 là chiều sâu bản địa tiếng Ả Rập — phương ngữ, văn hóa, kiến thức Hồi giáo, dấu phụ, và hành vi tác tử bằng tiếng Ả Rập. Đó là những đặt cược khác nhau, và một đội mà khối lượng công việc thực sự một nửa là tiếng Anh nên đọc tài liệu của Jais 2 trước khi cho rằng Jais 3 thay thế nó trên trục đó.

Điều mà Jais 3 có mà Jais 2 không có, ở khía cạnh giọng nói, là một người anh em cùng thế hệ chứ không phải một sản phẩm kế nhiệm: Jais-ASR là một mô hình riêng biệt được xây dựng trên xương sống Jais-3-4B, bao phủ tiếng Ả Rập chuẩn hiện đại cùng các phương ngữ từ 19 quốc gia Ả Rập với khả năng chuyển đổi mã sang tiếng Anh, tiếng Pháp, tiếng Tây Ban Nha và tiếng Ý, được phát hành theo giấy phép Apache 2.0 với plugin vLLM riêng và bộ đánh giá riêng. Nếu pipeline của bạn là giọng nói đầu vào và văn bản đầu ra, thì đó chính là sản phẩm thuộc thế hệ Jais-3 mà bạn cần, và không có gì tương đương trong Jais 2.

Sự so sánh mà không ai có thể thực hiện một cách trung thực

Không có một so sánh đối đầu nào được công bố giữa Jais 3 và Jais 2, và bài viết này sẽ không dựng lên một so sánh như vậy. Các thẻ mô hình của Jais 3 báo cáo kết quả đối chiếu với những mô hình tham chiếu — Qwen 3.5, MiniMax M3, Gemma 4, Falcon-H1, Muse-Glimmer, Fanar 2 — chứ không phải với Jais 2. Các con số benchmark của chính Jais 2 nằm trong một thẻ bị hạn chế truy cập, được tạo ra trên một harness cũ hơn, và hai bộ số liệu này không thể so sánh tương đương với nhau. Mọi con số trong các bảng của Jais 3 đều là của chính IFM, chưa được bất kỳ bên thứ ba nào kiểm chứng, và điều tương tự cũng đúng với bất cứ thứ gì Jais 2 đã công bố.

Điều có thể nói mà không cần đến một harness chính là chi phí thực sự của một cuộc di trú, và đó chính là phần mà những người thực hành cần. Jais 3 yêu cầu --trust-remote-code, một trình phân tích suy luận k2_horizon, một trình phân tích lời gọi công cụ k2_horizon, cùng việc lấy mẫu phụ thuộc ngôn ngữ — temperature 1.0 cho tiếng Anh và 0.7 cho tiếng Ả Rập ở chế độ thinking, so với mức mặc định 0.2 khi không bật chế độ đó. Nó cũng cần ngân sách tối thiểu 32.768 token đầu ra. Không có điểm nào trong số đó là bản thay thế dùng ngay được cho một tích hợp Jais 2, và việc sao chép nguyên xi request body của Jais 2 sang sẽ tạo ra đầu ra kém vì những lý do trông giống như chất lượng mô hình nhưng thực chất lại là cấu hình.

Cách thực hiện nâng cấp như một thử nghiệm thay vì một cuộc di trú

Không ai nên chuyển một workload tiếng Ả Rập đang chạy tốt sang một mô hình chưa được kiểm chứng chỉ dựa vào bảng benchmark của nhà cung cấp. Cách làm đúng là so sánh song song: cùng prompt, cả hai mô hình, tự bạn chấm điểm, và chỉ sau đó mới chuyển lưu lượng. Giấy phép của Jais 3 khiến việc đó trở nên dễ dàng ở cấp độ trọng số — Apache 2.0, không có cổng chặn, các recipe cho vLLM và SGLang với đúng các flag, và một cấu hình AMD MI355X được xác thực cùng với các cấu hình NVIDIA dành cho mô hình flagship.

Ở cấp độ request, điều khiến một phép so sánh song song trở nên rẻ chính là việc không phải dựng lên hai tích hợp riêng. OrcaRouter là một API duy nhất trải trên hơn 200 mô hình với mức markup 0%, giá niêm yết của nhà cung cấp được chuyển thẳng qua, và DSL định tuyến của nó được xây dựng chính xác cho kiểu so sánh này — bạn gộp cả hai mô hình vào một lệnh gọi và nhận về cả hai câu trả lời, thay vì phải duy trì hai client cùng một script diff. Tính năng chuyển đổi dự phòng tự động xử lý nửa còn lại của vấn đề: một thế hệ chưa được kiểm chứng có thể nhận một phần lưu lượng production trong khi một thứ đã được đo lường hấp thụ phần còn lại, và một đường phản hồi lỗi sẽ chuyển sang dự phòng thay vì làm hỏng cả request. Cả Jais 2 lẫn Jais 3 hiện đều chưa có trong danh mục của chúng tôi, nên hãy kiểm tra danh sách mô hình trước khi bạn thiết kế xoay quanh việc tự host — và nếu mối quan tâm của bạn là so sánh hơn là triển khai, thì danh sách đó chính là thứ thay đổi nhanh nhất.

Lời kết trung thực là thế này: Jais 3 không phải là một Jais 2 lớn hơn, mà là một nỗ lực của một phòng thí nghiệm khác với giấy phép mở, một thang sáu kích cỡ và một bề mặt phục vụ mang tính tác nhân, và mười một tháng giữa hai phiên bản đã đem lại nhiều hơn là chỉ quy mô. Liệu nó có làm tốt hơn công việc của bạn hay không là câu hỏi mà chỉ các prompt của bạn mới có thể trả lời, và bằng chứng được công bố duy nhất cho điều đó cho đến nay là của chính nhà cung cấp.