Mejor IA para árabe: Claude Opus lidera entre los chatbots grandes en la prueba de árabe de Stanford

¿Qué IA es la mejor para árabe?

Claude Opus es el mejor de los chatbots grandes para árabe, y dos especialistas en árabe lo superan. El CRFM de Stanford dirige HELM Arabic junto con Arabic.AI. Puntúa 41 modelos en siete conjuntos de pruebas en árabe, desde preguntas de exámenes escolares hasta respuestas construidas sobre documentos recuperados. Esta es la versión del 25 de junio de 2026, con la puntuación media sobre 100:

Los tres mejores chatbots generalistas quedan a menos de dos puntos entre sí. Claude Opus los lidera con 84.1, y GPT y Gemini Flash empatan con 82.5. Por encima, LLM-X de Arabic.AI saca 91.9 y un modelo listado como incept-arabic-1 saca 88.3. Por debajo están los modelos árabes más antiguos: ALLaM 7B con 70.8 y la familia Jais de 30B con 64.5. Arabic.AI es además el socio de Stanford en el ranking, así que conviene tenerlo en cuenta al valorar su primer puesto.

Lee el gráfico con una salvedad. HELM desactiva el modo de razonamiento y deja fuera cualquier modelo que no se pueda apagar. No hay ningún modelo Gemini Pro, así que Google aparece solo como Flash. Tampoco están la familia GPT-6 ni Jais 2. Por tanto, Claude Opus lidera entre los chatbots que Stanford probó, no entre todos, y en nuestra propia prueba de más abajo GPT Astra empató con él. Para la pelea más amplia entre los tres grandes asistentes, mira ChatGPT vs Claude vs Gemini.

¿Cómo le fue a 17 modelos con las preguntas de árabe propias de Whizi?

GPT Astra y Claude Opus empataron arriba, con 4 de 5 preguntas en árabe correctas. Es el resultado de nuestro Multilingual LLM Bench, ejecutado el 2 de octubre de 2026. Cada modelo recibió las mismas 5 preguntas en cada uno de los 30 idiomas, con razonamiento bajo. Cada respuesta se calificó contra una clave con fuentes, y una respuesta en el idioma equivocado puntuaba cero.

Cinco preguntas son una muestra pequeña. Una sola pregunta mueve 20 puntos la nota de árabe de un modelo, así que tómalo como un orden aproximado, no como un ranking.

El desglose por tipo de pregunta es lo que ningún ranking muestra. Los datos y el cálculo de fechas salieron bien. Los proverbios no:

Cada pregunta de proverbio describe un dicho por su significado y pide el dicho en sí. Quince modelos fallaron el primero, dieciséis fallaron el segundo, y ninguno acertó los dos. Claude Opus acertó uno. GPT Astra y Claude Fable acertaron el otro.

La pregunta del calendario es la única de árabe que publicamos. Fecha una escritura de El Cairo el 23 de Rajab de 1219 AH en el calendario Hijri tabular, da las reglas y pide el día de la semana y la fecha gregoriana 100 días después. Once de 17 modelos respondieron martes, 5 de febrero de 1805.

No uses el bench para comparar el árabe con otros idiomas. El árabe promedió 41.2% entre los 17 modelos y el español 25.9%. Eso dice más sobre lo difíciles que son las cinco preguntas de cada idioma que sobre el idioma.

¿ChatGPT es bueno en árabe?

Sí, ChatGPT es bueno en árabe estándar moderno. El GPT de OpenAI sacó 82.5 en HELM Arabic en junio de 2026, a la par de Gemini Flash y 1.6 puntos por detrás de Claude Opus. Las cifras de la propia OpenAI apuntan en la misma dirección. Sus resultados de simple-evals sitúan a su modelo de razonamiento o3 en 0.904 en árabe y 0.906 en francés, en una prueba MMLU que traductores profesionales reescribieron en 14 idiomas.

Anthropic publica el mismo tipo de dato. Su página de soporte multilingüe sitúa a Claude Sonnet 4.5 en el 97.2% de su nota en inglés para el árabe, y al más pequeño Claude Haiku 4.5 en el 92.5%. Para un chatbot grande, el árabe es casi un idioma de primera clase.

El problema es el dialecto. Un chatbot que escribe un árabe estándar impecable suele responder en árabe estándar incluso a una pregunta en egipcio o marroquí, y de eso trata la siguiente sección.

¿Puede la IA escribir dialectos árabes, o solo árabe estándar moderno?

La IA entiende los dialectos árabes mejor de lo que los escribe. El estudio AL-QASIDA probó nueve modelos, entre ellos GPT-4o, en ocho dialectos, del argelino al sirio. Sus autores escriben que "LLMs do not produce DA as well as they understand it", donde DA significa árabe dialectal. Vieron que los modelos eran bastante fluidos pero reacios. Atribuyen parte del problema al posentrenamiento, y descubrieron "that few-shot examples can overcome this deficiency."

Los rankings no pueden mostrarte esto. Seis de los siete conjuntos de pruebas en árabe de HELM son de opción múltiple, y ninguno califica una respuesta escrita en dialecto. El Open Arabic LLM Leaderboard, dirigido por el equipo de OALL con 2A2I, TII y Hugging Face, reconstruyó sus pruebas en febrero de 2025 y eliminó las traducidas por máquina. Su equipo explicó el motivo: "Many tasks were direct translations from English, which frequently introduced linguistic and contextual mismatches." Está hecho para modelos abiertos: la comunidad los envía, el hardware de TII los ejecuta, y todos los modelos que nombra su anuncio de lanzamiento son abiertos. Así que no te dirá dónde queda ChatGPT o Claude.

Los laboratorios árabes dicen lo mismo sobre su propio entrenamiento. La entrada de TII sobre Falcon-H1 Arabic, fechada el 5 de enero de 2026, dice "Arabic is not monolithic" y que amplió las fuentes de dialecto para el árabe egipcio, levantino, del Golfo y magrebí.

Así que pide el dialecto en el prompt. Nómbralo, nombra una ciudad y muestra dos intercambios cortos. Pega esto y cambia el dialecto:

```

Responde solo en árabe egipcio, como se habla en El Cairo, no en árabe estándar moderno. Mantén este dialecto aunque yo cambie a árabe estándar o a inglés. Imita el estilo de estos dos intercambios:

Yo: ازيك؟ عامل ايه النهارده؟

Tú: الحمد لله كويس، وانت عامل ايه؟

Yo: عايز اروح الأهرامات بكرة، أسهل طريقة ايه؟

Tú: أسهل حاجة تاخد تاكسي أو أوبر من وسط البلد.

Ahora responde a mi siguiente mensaje en el mismo dialecto.

```

Cambia "egipcio" y "El Cairo" por golfo y Dubái, levantino y Beirut, o marroquí y Casablanca, y reescribe los dos ejemplos en ese dialecto. Mantén los ejemplos cortos. Usa tus propias palabras si puedes, porque el modelo copia lo que ve.

¿Qué IA nativa en árabe conviene probar: Jais, HUMAIN Chat, Fanar o Falcon?

Jais Chat y HUMAIN Chat son los dos chatbots nativos en árabe que puedes descargar hoy, y ambos son gratuitos. Los laboratorios del Golfo que los respaldan lanzan rápido, así que leímos la página de cada proveedor en octubre de 2026:

Cada laboratorio se califica con sus propios benchmarks, así que lee sus afirmaciones como afirmaciones. La ficha del modelo de Inception sitúa a Jais 2 70B en 70.71 en la prueba generativa AraGen, frente a 62.58 de Qwen2.5 72B, pero solo compara modelos abiertos. TII dice que Falcon-H1 Arabic 34B saca cerca del 75% en el Open Arabic LLM Leaderboard.

Los números independientes son menos amables con los modelos árabes más antiguos. En HELM Arabic, ALLaM 7B sacó 70.8 y la familia Jais de 30B 64.5, frente a 84.1 de Claude Opus. El equipo de Stanford escribió que los modelos abiertos específicos de árabe "underperformed" y que esto "may be explained by the age of these models." Jais 2 y Falcon-H1 Arabic son más recientes que las versiones de Jais y Falcon de ese ranking.

Elige una app local cuando los datos o el dialecto son locales. HUMAIN aloja HUMAIN Chat en Arabia Saudita por la ley de protección de datos del reino, según la cobertura del lanzamiento. Para trabajo mixto en árabe e inglés, los chatbots grandes siguen superando a los modelos árabes más antiguos en HELM, el único ranking que puntúa ambos tipos.

¿Dónde encaja Whizi para el árabe?

Whizi es nuestro producto, así que aquí va dónde ayuda y dónde pierde. La interfaz funciona en árabe, de derecha a izquierda. Pro a $29.99 al mes incluye Claude Opus, Gemini Pro, ChatGPT Sol y Kimi K3, y sus chats de modelos en paralelo envían un mismo prompt en árabe a dos modelos a la vez, cada uno facturado a su propia tarifa. GPT Astra, el otro modelo con mejor nota en nuestra prueba, requiere Powerhouse a $49.99. Starter a $15.99 incluye ChatGPT Luna, que acertó 2 de 5 de nuestras preguntas en árabe, y Claude Haiku. Whizi pierde en lo local. No incluye ningún modelo Jais, ALLaM, Fanar ni Falcon, así que para alojamiento de datos en Arabia Saudita o un especialista en dialectos del Golfo, HUMAIN Chat o Jais Chat es mejor opción. Chats de modelos en paralelo explica cómo funciona la comparación.