Jais 3 對 SILMA 9B：阿拉伯語 AI 兩個不同時代之間的模型挑戰

打開 SILMA AI 的網站，它主打的旗艦產品是 SILMA TTS v2.0，一款文字轉語音模型，宣稱語音代理的首個 token 延遲為 170 毫秒。捲到頁尾，那裡仍有一個阿拉伯語 LLM 排行榜的連結，而這場對決所點名的模型——SILMA-9B-Instruct-v1.0，一個來自 silma-ai/ 組織的 9B 雙語阿拉伯語與英語指令模型——依然在 Hub 上。它於 2024 年 8 月 17 日發布。與之對陣的是 Jais 3，這個來自基礎模型研究所（Institute of Foundation Models）與 Inception42 的系列，權重於 2026 年 9 月 29 日上線，服務配方則標註為 10 月 5 日。那是二十五個月的落差，也是一次產業類別的轉變，這讓這一頁成為整組中最奇特的一頁：不是兩個競爭對手之間的對決，而是來自阿拉伯語 LLM 仍以翻譯後基準上的對數概似來評分的那個年代的檢查點，與一個 2026 年、隨附推理解析器與 512K 上下文視窗的系列之間的對比。這場比較仍值得一做，因為團隊確實還在跑 SILMA 9B，而「要取代它得付出什麼」這個問題是真實存在的。

每一方實際上是什麼

• Jais 3 是一個系列，而非單一模型——包含六個基礎檢查點：Jais-3-0.9B、Jais-3-3.7B、Jais-3-7B、Jais-3-32B、Jais-3-MoVA-36B-A4B 與 Jais-3-375B-A23B，再加上 -Uno/ 變體，全部採用 Apache 2.0 授權，且全都不需申請即可取用。稠密模型建構於自訂的 k2_horizon/ 架構之上，需要 trust-remote-code。

• SILMA 9B 是一個檢查點。 silma-ai/SILMA-9B-Instruct-v1.0/ 是 Gemma 2 的衍生模型——gemma2/ / Gemma2ForCausalLM/——有五個 safetensors 分片、一個對話式 pipeline 標籤，並宣告阿拉伯文和英文為其語言。

• 授權條款是最鮮明的實務差異。 Jais 3 採用 Apache 2.0，沒有任何管制關卡。SILMA 9B 則帶有 Gemma 授權條款與一道確認關卡：模型卡上的 extra_gated_button_content/ 欄位意味著你必須先接受條款，權重才歸你所有，而 Gemma 授權條款帶有 Apache 2.0 所沒有的使用限制。

• 取代它的系列規模很小。 SILMA AI 後來發布的產品有 SILMA-Kashif-2B-Instruct-v1.0（2025 年 1 月），以及一對來自 2024 年 10 月的嵌入模型。沒有 SILMA 9B 的後繼者，沒有 27B，也沒有 MoE 變體。該機構迄今最新、且與其他作品相差甚遠的產物是 silma-tts/（2026 年 3 月）

• 上下文 — 在 Jais 3 系列大部分模型中最高可達 524,288 個 token，0.9B 版本則為 128K。SILMA 的模型卡則完全未公布任何上下文長度數字。

基準問題，在任何數字被引用之前就已陳述

SILMA 9B 的已發表結果源自與 Jais 3 不同的量測文化，而這種差異並非程度之別。

• SILMA 的數字是 Open Arabic LLM Leaderboard 測試框架上的對數似然分數 — loglikelihood_acc_norm/ 對比 Arabic MMLU（52.55）、AlGhafa（71.85）、ARC Challenge Arabic（78.19）、ACVA（78.89）、Arabic EXAMS（51.4），以及一連串翻譯過的基準測試。其自身主打的是 Arabic Broad Benchmark 分數為 6.15（滿分 10 分）。

• Jais 3 的數字，是在經審核的樣本集上計算出的生成答案準確率。 IFM 回報，375B 的阿拉伯語 MMLU 為 89.3，32B 為 88.6，7B 為 85.2，3.7B 為 83.3；星號標示的是它清除了模稜兩可問題、無效選項與站不住腳的黃金標籤後的基準，且它會公開被排除的樣本。

• 這兩者不是同一種衡量方式。在清理過的資料集上，選擇題對數似然評分與生成式答案準確率不會一致，而它們之間的差距並不是模型品質的衡量指標。把 85.2 放在 52.55 旁邊，並稱之為 33 點的勝利，會是這個頁面上最誤導人的一句話，而這正是大多數比較文章會寫的那句話。

• 兩者都沒有獨立評分。兩者皆未收錄於 Artificial Analysis，也沒有競技場評測結果。本節中的每一項數字，都是由發表該模型的實驗室自行回報的廠商數據，而 Jais 3 的數字還額外附有 IFM 自家的註腳，指出每次執行所用的推理強度設定皆為 high/。

尺寸相匹配的比較才是有意義的

如果你手上的是 SILMA 9B，那麼誠實的 Jais 3 替代候選就是 Jais-3-7B 或 Jais-3-3.7B，而不是旗艦款。兩者都是稠密模型，兩者在 vLLM 的 recipe 中都以 bfloat16、張量平行度 1 執行，且兩者都不受門控限制。

• 資源佔用 — 在單一 GPU 上以 TP=1 運行的 Jais-3-7B，對上 SILMA 9B 的五分片 Gemma 2 9B。託管成本相近，因此升級是品質與能力的問題，而非硬體問題。

• 背景 — Jais-3-7B 為 524,288 個符元，相較之下 SILMA 9B 沒有公布數據。這是工作負載需要重新架構而非移植的那一列。

• 邊緣與量化版本 — 為 llama.cpp 和 Ollama 提供 3.7B 與 7B 兩種規模的 GGUF，以及適用於 Apple 晶片的 MLX 4-bit、8-bit 和 bf16。SILMA 9B 雖有 GGUF 轉換版本，但那些都是 2024 年的第三方上傳，廠商本身並未發布任何版本。

• 阿拉伯語專屬評測面向 — IFM 會針對每個檢查點發布完整的阿拉伯語基準測試套件，涵蓋方言、標音符號標註、句法剖析、IslamicQA、阿拉伯文化與翻譯。SILMA 的評測卡則是透過排行榜的彙總欄位及自身的廣泛基準分數來呈現，每個能力項目的細節遠少於前者。

• 授權 — Apache 2.0 對上附帶一道關卡的 Gemma 授權。對商用阿拉伯語管線而言，單是這項差異就能決定是否遷移。

SILMA 9B 還有什麼可取之處

兩件事，而且兩者都不是基準。

• 它是 Gemma。一個 gemma2/ 檢查點可在任何已執行 Gemma 2 的技術堆疊上執行——不需 --trust-remote-code/，不需自訂解析器旗標，也不需特定架構的模型實作。Jais 3 需要 trust-remote-code、k2_horizon/ 推理解析器、k2_horizon/ 工具呼叫解析器，以及取決於語言的取樣：在思考模式下，英文溫度為 1.0、阿拉伯文為 0.7，而預設為 0.2，並建議至少 32,768 個輸出權杖。移植是實實在在的工作。

• 它很穩定，而且有圍繞它的排行榜。 SILMA AI 維護一個 Arabic LLM Broad Leaderboard 空間，而一個兩年前的檢查點，背後有兩年的實際生產案例。當替代方案是一個三週前發布、沒有第三方評估、沒有技術報告——IFM 將其列為即將推出——且沒有公布價格的模型時，這可不是毫無意義。

遷移決策，以及如何使其可逆

如果你的工作負載是長上下文文件、代理式工具使用，或商業敏感度高到 Gemma 授權會成為問題，那就改用 SILMA 9B。光看上下文那一列就足以說明一切：一個未公布上下文數字的模型，對上一個可達五十萬個 token 的模型，對文件處理工作而言根本不是勢均力敵的比較。

如果管線已經穩定、Gemma 授權已經確認沒問題，而且所有東西都跑在標準 transformers 上，那就保留它——因為對 Jais 3 基準測試表最誠實的制衡是：那張表是 IFM 自己的，模型才推出三週，而且背後沒有任何獨立數字支持。僅憑廠商數據，就把運作中的阿拉伯語正式環境流程升級到一個三週大的檢查點，正是這項比較要防止的錯誤。

要同時取得兩者，方法是先讓它們並行運行；而過去這麼做之所以昂貴，是因為那意味著兩套整合加上一個比較測試框架。OrcaRouter 把這些壓縮成：一套 API 串接 200 多個模型、0% 加價，直接透傳供應商定價，因此一場模型評比只是改動路由設定，而不是一個專案——而且路由 DSL 正是適合這項特定任務的工具：把相同的阿拉伯文提示詞送給兩個模型，並為回覆評分，因為它會把這些組合成單一呼叫並同時回傳兩者。自動容錯移轉正是讓下一步安全無虞的關鍵，它讓新發布的模型先承接一小部分真實流量，同時由你已穩定的模型吸收其餘流量，並接住新模型漏掉的請求。目前我們的型錄上這兩個模型都沒有；在圍繞自架方案進行設計之前，應該先查看模型清單。

看什麼

四件事，按它們對這個頁面改變程度的大小排序。SILMA 9B 的後繼版本，能把類別錯配變回真正的同類對決。任何對 Jais 3 檢查點的獨立評估，會讓整個基準測試章節變得沒有必要。IFM 的技術報告，目前標示為即將推出。以及 Jais 3 的公開定價，而目前哪裡都找不到。在至少其中一項落地之前，這項比較站得住腳的解讀是架構層面的——授權、權限管制、上下文、工具鏈、規模階梯——而成績應該被理解為兩個實驗室在兩個不同年份衡量兩件不同的事。