AI hỏi tiếng Ả Rập tốt nhất: Claude Opus dẫn đầu các chatbot lớn trong bài test tiếng Ả Rập của Stanford

AI nào tốt nhất cho tiếng Ả Rập?

Claude Opus là chatbot tốt nhất trong nhóm chatbot lớn cho tiếng Ả Rập, và có hai mô hình chuyên về tiếng Ả Rập vượt qua nó. CRFM của Stanford vận hành HELM Arabic cùng Arabic.AI. Bảng này chấm 41 mô hình trên bảy bộ đề tiếng Ả Rập, từ câu hỏi thi ở trường đến câu trả lời dựa trên tài liệu truy xuất. Dưới đây là bản phát hành ngày 25 tháng 6 năm 2026, điểm trung bình trên thang 100:

Ba chatbot phổ thông đứng đầu chỉ cách nhau chưa đến hai điểm. Claude Opus dẫn đầu nhóm với 84.1, còn GPT và Gemini Flash hòa nhau ở 82.5. Phía trên là LLM-X của Arabic.AI với 91.9 và một mô hình có tên incept-arabic-1 với 88.3. Phía dưới là các mô hình Ả Rập đời cũ: ALLaM 7B ở 70.8 và dòng Jais 30B ở 64.5. Arabic.AI cũng là đối tác của Stanford trên bảng xếp hạng này, nên hãy cân nhắc điều đó khi nhìn vị trí đầu bảng của họ.

Hãy đọc biểu đồ với một lưu ý. HELM tắt chế độ suy luận, và loại mọi mô hình không tắt được nó. Không có mô hình Gemini Pro nào trên bảng, nên Google chỉ xuất hiện ở bản Flash. Dòng GPT-6 và Jais 2 cũng không có mặt. Vì vậy Claude Opus dẫn đầu các chatbot mà Stanford đã test, không phải mọi chatbot, và trong bài test của chúng tôi bên dưới, GPT Astra hòa với nó. Về cuộc đua rộng hơn giữa ba trợ lý lớn, xem ChatGPT vs Claude vs Gemini.

17 mô hình làm thế nào với bộ câu hỏi tiếng Ả Rập riêng của Whizi?

GPT Astra và Claude Opus hòa nhau ở đầu bảng, cùng đúng 4 trên 5 câu hỏi tiếng Ả Rập. Kết quả này từ Multilingual LLM Bench của chúng tôi, chạy ngày 2 tháng 10 năm 2026. Mỗi mô hình nhận cùng 5 câu hỏi trong mỗi ngôn ngữ trong số 30 ngôn ngữ, ở mức suy luận thấp. Mỗi câu trả lời được chấm theo một đáp án có nguồn, và câu trả lời sai ngôn ngữ bị 0 điểm.

Năm câu hỏi là một mẫu nhỏ. Một câu hỏi làm điểm tiếng Ả Rập của một mô hình dịch chuyển 20 điểm, nên hãy coi đây là thứ tự sơ bộ, không phải bảng xếp hạng.

Phần chia theo loại câu hỏi là thứ mà không bảng xếp hạng nào cho thấy. Sự kiện và tính ngày tháng thì ổn. Tục ngữ thì không:

Mỗi câu hỏi tục ngữ mô tả một câu nói qua ý nghĩa của nó và yêu cầu đưa ra chính câu nói đó. Mười lăm mô hình trượt câu đầu, mười sáu mô hình trượt câu thứ hai, và không mô hình nào đúng cả hai. Claude Opus đúng một câu. GPT Astra và Claude Fable đúng câu còn lại.

Câu hỏi lịch là câu hỏi tiếng Ả Rập duy nhất chúng tôi công bố. Nó ghi một văn tự ở Cairo vào ngày 23 Rajab 1219 AH theo lịch Hijri dạng bảng, nêu các quy tắc, rồi hỏi thứ trong tuần và ngày dương lịch sau 100 ngày. Mười một trong 17 mô hình trả lời Thứ Ba, ngày 5 tháng 2 năm 1805.

Đừng dùng bài bench này để so sánh tiếng Ả Rập với các ngôn ngữ khác. Tiếng Ả Rập đạt trung bình 41.2% trên 17 mô hình còn tiếng Tây Ban Nha là 25.9%. Con số đó nói về độ khó của năm câu hỏi mỗi ngôn ngữ nhiều hơn là về chính ngôn ngữ.

ChatGPT có giỏi tiếng Ả Rập không?

Có, ChatGPT giỏi tiếng Ả Rập chuẩn hiện đại (MSA). GPT của OpenAI đạt 82.5 trên HELM Arabic vào tháng 6 năm 2026, ngang Gemini Flash và kém Claude Opus 1.6 điểm. Số liệu của chính OpenAI cũng cho thấy điều tương tự. Kết quả simple-evals của họ ghi mô hình suy luận o3 đạt 0.904 ở tiếng Ả Rập và 0.906 ở tiếng Pháp, trên một bài test MMLU do các dịch giả chuyên nghiệp viết lại bằng 14 ngôn ngữ.

Anthropic công bố loại số liệu tương tự. Trang hỗ trợ đa ngôn ngữ của họ cho thấy Claude Sonnet 4.5 đạt 97.2% điểm tiếng Anh ở tiếng Ả Rập, và Claude Haiku 4.5 nhỏ hơn đạt 92.5%. Với một chatbot lớn, tiếng Ả Rập gần như là ngôn ngữ hạng nhất.

Điểm vướng là phương ngữ. Một chatbot viết MSA sạch sẽ thường vẫn trả lời câu hỏi kiểu Ai Cập hoặc Maroc bằng MSA, và đó là phần tiếp theo.

AI có viết được phương ngữ Ả Rập không, hay chỉ tiếng Ả Rập chuẩn hiện đại?

AI hiểu các phương ngữ Ả Rập tốt hơn là viết ra chúng. Nghiên cứu AL-QASIDA đã test chín mô hình, trong đó có GPT-4o, trên tám phương ngữ từ Algeria đến Syria. Các tác giả viết rằng "LLMs do not produce DA as well as they understand it", trong đó DA là tiếng Ả Rập phương ngữ. Họ thấy các mô hình đủ trôi chảy nhưng ngại dùng phương ngữ. Họ cho rằng một phần nguyên nhân nằm ở khâu hậu huấn luyện, và thấy "that few-shot examples can overcome this deficiency."

Các bảng xếp hạng không cho bạn thấy điều này. Sáu trong bảy bộ đề tiếng Ả Rập của HELM là trắc nghiệm, và không bộ nào chấm một câu trả lời viết bằng phương ngữ. Open Arabic LLM Leaderboard, do nhóm OALL cùng 2A2I, TII và Hugging Face vận hành, đã dựng lại các bài test vào tháng 2 năm 2025 và bỏ những bài dịch máy. Nhóm giải thích lý do: "Many tasks were direct translations from English, which frequently introduced linguistic and contextual mismatches." Bảng này được xây cho các mô hình mở: cộng đồng nộp mô hình, phần cứng của TII chạy chúng, và mọi mô hình được nêu trong bài ra mắt đều là mô hình mở. Vì vậy nó không cho bạn thấy ChatGPT hay Claude đứng ở đâu.

Các phòng lab Ả Rập cũng nói điều tương tự về dữ liệu huấn luyện của chính họ. Bài của TII về Falcon-H1 Arabic, đề ngày 5 tháng 1 năm 2026, nói "Arabic is not monolithic" và rằng họ đã mở rộng nguồn phương ngữ cho tiếng Ả Rập Ai Cập, Levant, vùng Vịnh và Maghreb.

Vì vậy hãy nhắc đúng phương ngữ. Nêu tên phương ngữ, nêu một thành phố, và đưa hai đoạn trao đổi ngắn. Dán đoạn này và đổi phương ngữ:

```

Reply only in Egyptian Arabic, the way people talk in Cairo, not in Modern Standard Arabic. Keep this dialect even if I switch to MSA or English. Match the style of these two exchanges:

Me: ازيك؟ عامل ايه النهارده؟

You: الحمد لله كويس، وانت عامل ايه؟

Me: عايز اروح الأهرامات بكرة، أسهل طريقة ايه؟

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

Now answer my next message in the same dialect.

```

Hãy đổi "Egyptian" và "Cairo" thành Gulf và Dubai, Levantine và Beirut, hoặc Moroccan và Casablanca, rồi viết lại hai ví dụ bằng phương ngữ đó. Giữ các ví dụ ngắn. Hãy dùng cách nói của riêng bạn nếu có thể, vì mô hình sao chép những gì nó thấy.

Nên thử AI bản địa Ả Rập nào: Jais, HUMAIN Chat, Fanar hay Falcon?

Jais Chat và HUMAIN Chat là hai chatbot bản địa Ả Rập bạn có thể tải về ngay hôm nay, và cả hai đều miễn phí. Các phòng lab vùng Vịnh đứng sau chúng phát hành rất nhanh, nên chúng tôi đọc trang của từng nhà phát triển vào tháng 10 năm 2026:

Mỗi phòng lab tự chấm mình bằng các bài bench riêng, nên hãy đọc các tuyên bố của họ như tuyên bố. Model card của Inception ghi Jais 2 70B đạt 70.71 trên bài test sinh văn bản AraGen, so với 62.58 của Qwen2.5 72B, nhưng chỉ so với các mô hình mở. TII nói Falcon-H1 Arabic 34B đạt khoảng 75% trên Open Arabic LLM Leaderboard.

Các số liệu độc lập thì kém ưu ái hơn với các mô hình Ả Rập đời cũ. Trên HELM Arabic, ALLaM 7B đạt 70.8 và dòng Jais 30B đạt 64.5, so với 84.1 của Claude Opus. Nhóm Stanford viết rằng các mô hình mở chuyên về tiếng Ả Rập "underperformed" và điều này "may be explained by the age of these models." Jais 2 và Falcon-H1 Arabic mới hơn các phiên bản Jais và Falcon có trên bảng đó.

Hãy chọn ứng dụng địa phương khi dữ liệu hoặc phương ngữ mang tính địa phương. HUMAIN đặt máy chủ HUMAIN Chat ở Ả Rập Xê Út để tuân thủ luật bảo vệ dữ liệu của vương quốc, theo các bài đưa tin khi ra mắt. Với công việc trộn tiếng Ả Rập và tiếng Anh, các chatbot lớn vẫn vượt các mô hình Ả Rập đời cũ trên HELM, bảng xếp hạng duy nhất chấm cả hai loại.

Whizi phù hợp ở đâu với tiếng Ả Rập?

Whizi là sản phẩm của chúng tôi, nên đây là chỗ nó giúp được và chỗ nó thua. Giao diện chạy bằng tiếng Ả Rập, từ phải sang trái. Gói Pro giá $29.99 một tháng gồm Claude Opus, Gemini Pro, ChatGPT Sol và Kimi K3, và các cuộc chat mô hình song song cho phép chạy một prompt tiếng Ả Rập qua hai mô hình cùng lúc, mỗi mô hình tính theo mức giá riêng. GPT Astra, mô hình điểm cao còn lại trong bài test của chúng tôi, cần gói Powerhouse giá $49.99. Gói Starter giá $15.99 có ChatGPT Luna, mô hình đúng 2 trên 5 câu hỏi tiếng Ả Rập của chúng tôi, và Claude Haiku. Whizi thua ở mảng địa phương. Nó không có mô hình Jais, ALLaM, Fanar hay Falcon nào, nên nếu cần lưu trữ dữ liệu tại Ả Rập Xê Út hoặc chuyên gia phương ngữ vùng Vịnh, HUMAIN Chat hoặc Jais Chat là lựa chọn tốt hơn. Chat mô hình song song cho bạn thấy cách so sánh hoạt động.