ALLaM, AceGPT et les meilleurs LLM locaux en arabe saoudien (2026)

Un modèle peut produire un arabe grammaticalement correct tout en étant culturellement erroné — et pour le travail destiné aux clients ou gouvernemental en Arabie saoudite, c'est la justesse culturelle qui importe.

Les preuves des benchmarks sont cohérentes. Sur AraLingBench, qui teste le raisonnement morphologique et syntaxique arabe, les modèles de la famille Qwen obtiennent 40–62 % tandis que les modèles spécialisés en arabe comme ALLaM-7B obtiennent 72–74 %. Cet écart de 12 à 32 points de pourcentage se concentre précisément dans les domaines — morphologie, syntaxe, registre — où l'arabe diffère le plus des langues européennes pour lesquelles les modèles mondiaux sont optimisés.

L'affinage n'est pas une solution gratuite. Les recherches sur le paysage des LLM arabes (arXiv 2506.01340, 2026) documentent un paradoxe : affiner un modèle multilingue sur des données arabes améliore souvent la qualité de l'arabe standard moderne (MSA) tout en *diminuant* la précision dialectale. Vous ne pouvez pas simplement greffer une compétence arabe sur un modèle mondial et attendre une fidélité dialectale.

Le traitement du dialecte est l'endroit où les modèles mondiaux s'effondrent le plus visiblement. Pour les modèles à poids ouverts plus petits, la précision dialectale stricte par code ISO peut tomber aussi bas que 0,016–0,078 — ce qui signifie que le modèle produit un arabe fluide dans le *mauvais* dialecte. Le benchmark AraDiCE (COLING 2025) constate que les modèles spécifiques à l'arabe surpassent les modèles multilingues sur le dialecte, bien que des défis importants en matière d'identification et de génération de dialectes persistent dans tous les modèles.

Le contexte culturel et religieux est un point faible documenté. La même étude note que les données d'entraînement occidentalo-centrées ou multilingues « introduisent des biais culturels qui peuvent désaligner les modèles des valeurs et des attentes des communautés arabophones » — ce qui affecte la façon dont un modèle aborde les sujets islamiques, les formes d'adresse formelles et les conventions sociales.

L'accord grammatical de genre est un défi connu et persistant : l'arabe applique l'accord de genre aux verbes, aux adjectifs et aux pronoms d'une manière structurellement différente des langues européennes, et les modèles entraînés à l'échelle mondiale se trompent régulièrement de manière subtile.

L'implication commerciale pour les déploiements saoudiens : si votre cas d'usage concerne du contenu arabe destiné aux clients, de la correspondance formelle ou tout ce qui touche au contexte culturel ou religieux, un modèle spécialisé en arabe vaut le compromis — et la distinction entre MSA et dialecte du Golfe devrait faire explicitement partie de votre sélection de modèle.

ALLaM 7B est le point de départ recommandé pour une IA arabe auto-hébergée ; le tableau ci-dessous résume les options réalistes.

ALLaM a été conçu par le National Center for AI (NCAI) de SDAIA en partenariat avec IBM, et est désormais commercialisé via HUMAIN — une entreprise d'IA détenue par le Public Investment Fund, lancée en mai 2025. La famille comprend des variantes 7B, 13B, 34B et 70B, mais seul le 7B Instruct est disponible publiquement (Apache 2.0, avec neuf quantisations GGUF sur Hugging Face). Le 34B qui alimente HUMAIN Chat est propriétaire, sans poids publics.

AceGPT est un projet conjoint de KAUST, de la Chinese University of Hong Kong Shenzhen (CUHKSZ) et du Shenzhen Research Institute of Big Data (SRIBD) — pas un modèle uniquement de KAUST. Il offre des variantes 7B et 13B (base et chat) construites sur LLaMA-2, sous Apache 2.0. Lors de son lancement en 2023, il surpassait Jais sur les tâches arabes, mais sa dernière mise à jour GitHub date de décembre 2023, alors considérez-le comme non maintenu.

Qwen2.5 est l'alternative multilingue la plus solide pour une large couverture linguistique, mais comme le montrent les benchmarks, il est à la traîne des modèles spécialisés en arabe sur les tâches culturelles et dialectales malgré son écosystème plus important.

Jais (13B/70B) est inclus par souci d'exhaustivité, mais notez qu'il est d'origine émirienne (Core42/G42, Abu Dhabi), pas saoudien. Il reste compétitif sur les tâches dialectales arabes et est sous Apache 2.0.

ALLaM 7B est livré sous forme de quantisations GGUF sur Hugging Face, vous pouvez donc l'exécuter dans Ollama avec un Modelfile d'une seule ligne. Suivez ces étapes.

Les benchmarks sont un point de départ, mais vous devez tester tout modèle arabe sur votre propre domaine avant de le déployer. Utilisez ces vérifications.