Jais 3 vs SILMA 9B：阿拉伯语 AI 两个不同时代间的模型挑战

打开SILMA AI的网站，其主推的旗舰是SILMA TTS v2.0，一款文本转语音模型，宣称面向语音智能体的首 token 时间为 170 毫秒。滚动到页脚，仍然有一个指向阿拉伯语 LLM 排行榜的链接，而这次对比所点名的模型——SILMA-9B-Instruct-v1.0，一个 9B 的双语阿拉伯语和英语 instruct 模型，来自 silma-ai/ 组织——仍然在 Hub 上。它发布于 2024 年 8 月 17 日。与之相对的是 Jais 3，来自基础模型研究所和 Inception42 的系列模型，其权重于 2026 年 9 月 29 日发布，其服务配方标注为 10 月 5 日。那是二十五个月的差距和行业类别的变化，这也使它成为这一组中最奇怪的一页：不是两个竞争对手之间的对决，而是一个来自阿拉伯语 LLM 还通过对翻译基准的对数似然来评分时代的检查点，与一个 2026 年发布、附带推理解析器和 512K 上下文窗口的系列模型之间的对比。这个比较仍然值得做，因为团队确实仍在运行 SILMA 9B，而替换它需要付出什么代价，是一个真实的问题。

每一方实际上是什么

• Jais 3 是一个模型家族，而非单个模型——包含六个基础检查点：Jais-3-0.9B、Jais-3-3.7B、Jais-3-7B、Jais-3-32B、Jais-3-MoVA-36B-A4B 和 Jais-3-375B-A23B，以及 -Uno/ 变体；全部采用 Apache 2.0 许可，且全部无需申请即可获取。稠密模型基于自定义的 k2_horizon/ 架构构建，需要 trust-remote-code。

• SILMA 9B 是一个检查点。 silma-ai/SILMA-9B-Instruct-v1.0/ 是 Gemma 2 的衍生模型—— gemma2/ / Gemma2ForCausalLM/ —— 具有五个 safetensors 分片、一个对话式 pipeline 标签，并将阿拉伯语和英语声明为其语言。

• 许可证是最明显的实际差异。Jais 3 采用 Apache 2.0，没有任何门槛。SILMA 9B 则带有 Gemma 许可证和一道确认门槛：模型卡上的 extra_gated_button_content/ 字段意味着你必须在接受条款之后才能获得权重，而且 Gemma 许可证带有 Apache 2.0 所没有的使用限制。

• 取代它的模型家族规模很小。SILMA AI 后续发布的版本包括 SILMA-Kashif-2B-Instruct-v1.0（2025 年 1 月），以及 2024 年 10 月推出的两个嵌入模型。没有 SILMA 9B 的继任版本，没有 27B，也没有 MoE 变体。该组织最新的产物遥遥领先，是 silma-tts/，发布于 2026 年 3 月。

• 上下文 — 在 Jais 3 系列的大多数模型上最高可达 524,288 个 token，0.9B 版本为 128K。SILMA 的模型卡完全没有公布上下文长度数据。

基准问题，在任何数字被引用之前予以陈述

SILMA 9B 公布的结果来自一种与 Jais 3 不同的测量文化，而这种差异并非程度上的差别。

• SILMA 的数值是 Open Arabic LLM Leaderboard 测试框架上的对数似然得分 — loglikelihood_acc_norm/ 在 Arabic MMLU（52.55）、AlGhafa（71.85）、ARC Challenge Arabic（78.19）、ACVA（78.89）、Arabic EXAMS（51.4）上的得分，外加一系列翻译版基准测试。其自身主打的 Arabic Broad Benchmark 得分是 6.15（满分 10）。

• Jais 3 的数值是在经审计的样本集上的生成式答案准确率。IFM 报告称，375B 的阿拉伯语 MMLU 为 89.3，32B 为 88.6，7B 为 85.2，3.7B 为 83.3，其中星号标记的是其已清除歧义问题、无效选项和站不住脚的金标准标签的基准——并且它公开了被排除的样本。

• 这两者不是同一种测量指标。在清洗后的数据集上，多选题的对数似然评分与生成式答案的准确率不会一致，而两者之间的差距并不能衡量模型质量。把 85.2 和 52.55 并列，然后称之为领先 33 个百分点，将是本页能写出的最具误导性的一句话，而这恰恰是大多数对比文章都会写的那句话。

• 两者都没有独立评分。两者均无 Artificial Analysis 收录条目，也没有竞技场结果。本节中的每一个数字，都是由发布它的那家实验室自行报告的厂商数据，而 Jais 3 的数字还额外附有 IFM 自己的脚注，说明每次运行所用的推理努力（reasoning-effort）设置均为 high/，且每次运行皆是如此。

尺寸匹配的比较才是真正有意义的

如果你手上用的是 SILMA 9B，那么说句实话，Jais 3 的替代候选是Jais-3-7B或Jais-3-3.7B，而不是旗舰版本。这两者都是稠密模型，在 vLLM 方案中都能以 bfloat16 在张量并行度为 1 的情况下运行，而且两者都无需申请授权即可访问。

• 资源占用 — 单块 GPU 上以 TP=1 运行的 Jais-3-7B，对比 SILMA 9B 的五分片 Gemma 2 9B。托管成本相当，因此这次升级是质量与能力的问题，而非硬件问题。

• 背景 — Jais-3-7B 为 524,288 个 token，而 SILMA 9B 则没有公布任何数据。这一行代表的是工作负载需要重新架构，而非直接移植。

• 边缘端与量化版本 —— 面向 llama.cpp 和 Ollama 的 GGUF 格式，3.7B 和 7B 两个规格均有提供；以及面向 Apple 芯片的 MLX 4 位、8 位和 bf16 版本。SILMA 9B 有 GGUF 转换版本，但都是 2024 年的第三方上传，厂商本身并未发布任何版本。

• 阿拉伯语专属评测面 —— IFM 会针对每个检查点发布一套完整的阿拉伯语基准测试套件，覆盖方言、变音符号标注、句法分析、IslamicQA、阿拉伯文化与翻译。SILMA 的模型卡仅通过排行榜的汇总列及其自身的广义基准得分进行报告，单项能力细节要少得多。

• 许可证——一边是 Apache 2.0，另一边是 Gemma 许可证外加一道门槛。对于商业化的阿拉伯语流水线而言，仅这一差异就足以决定是否迁移。

SILMA 9B 仍有哪些优势

两件事，而两者都不是基准。

• 它是一款 Gemma。一个 gemma2/ 检查点可在所有已运行 Gemma 2 的技术栈上运行——无需 --trust-remote-code/，无需自定义解析器标志，也无需特定架构的模型实现。Jais 3 需要 trust-remote-code、一个 k2_horizon/ 推理解析器、一个 k2_horizon/ 工具调用解析器，以及与语言相关的采样：在思考模式下，英语的温度为 1.0，阿拉伯语为 0.7，而默认值为 0.2，建议至少使用 32,768 个输出 token。移植是实打实的工作。

• 它很稳定，而且周围有一个排行榜。 SILMA AI 维护着一个 Arabic LLM Broad Leaderboard 空间，而一个两年前的检查点附带着两年的生产实践故事。当替代方案是一个三周前发布的模型——没有第三方评估，没有技术报告（IFM 将其列为“即将推出”）——也没有公布价格时，这可不是小事。

迁移决策，以及如何让它可逆

如果你的工作负载是长上下文文档、智能体工具调用，或者商业敏感程度足以让 Gemma 许可证成为一个问题，那就该换掉 SILMA 9B。仅凭上下文这一行就足以说明问题：一个没有公布上下文长度的模型，对上一个能到 50 万 token 的模型，用于文档处理根本不是需要斟酌的取舍。

如果流水线已经稳定、Gemma 许可证已经厘清，而且一切都能在原生 transformers 上运行，那就保持现状——因为对 Jais 3 基准表格最诚实的制衡在于：那张表是 IFM 的，模型才发布三周，其背后没有任何独立数据支撑。仅凭厂商数据，就把一条已经跑通的阿拉伯语生产路径升级到一个三周大的检查点，正是这次比较旨在避免的错误。

要两者兼得，办法是先让它们并行运行；而这在过去之所以代价高昂，是因为这意味着两套集成外加一个对比测试框架。OrcaRouter 把这一切化繁为简：一个 API 覆盖 200 多个模型，0% 加价，按提供商标价原样透传，于是一场模型对决不过是一次路由变更，而非一个项目——而且 路由 DSL 正是完成这项特定任务的合适工具：把完全相同的阿拉伯语提示词发给两个模型并对回答打分，因为它会把它们组合成一次调用，并同时返回两者的结果。自动故障转移让下一步变得安全：让新发布的模型分走一部分真实流量，而你的成熟模型承接其余流量，并兜住新模型漏掉的请求。目前这两个模型都不在我们的目录里；在设计自托管方案之前，应该先查看模型列表。

看什么

四件事，按它们会多大程度改变这一页面的顺序排列。SILMA 9B 的继任者，这会把类别错配重新变成一场真正的正面较量。对 Jais 3 检查点的任何独立评估，这会让整个基准测试部分变得多余。IFM 的技术报告，目前列为“即将推出”。以及 Jais 3 的公开价格，而这样的价格目前哪里都没有。至少在以上其中一项落地之前，对这次比较站得住脚的解读是架构层面的——许可证、门控、上下文、工具链、规模阶梯——而分数应被理解为两个实验室在两个不同年份衡量两件不同的事。