阿拉伯文AI哪個最好：在史丹佛阿拉伯語測試中，Claude Opus領先主流聊天機器人

哪個AI最適合阿拉伯文？

在主流聊天機器人中，Claude Opus處理阿拉伯文最好，但有兩個阿拉伯語專業模型勝過它。史丹佛CRFM與Arabic.AI合作推出HELM Arabic，用七組阿拉伯語測驗為41個模型打分，題目從學校考題到根據檢索文件作答都有。以下是2026年6月25日版本的平均分數（滿分100）：

排名前三的通用聊天機器人彼此相差不到兩分。Claude Opus以84.1居首，GPT與Gemini Flash同為82.5。在它們之上，Arabic.AI的LLM-X得91.9，另一個列為incept-arabic-1的模型得88.3。在它們之下則是較舊的阿拉伯語模型：ALLaM 7B為70.8，30B的Jais系列為64.5。Arabic.AI同時也是史丹佛這個排行榜的合作夥伴，看它的榜首成績時請把這點放在心上。

解讀這張圖時要注意一點。HELM會關閉思考模式，也會排除無法關閉思考的模型。榜上沒有任何Gemini Pro模型，所以Google只以Flash出現。GPT-6系列與Jais 2也不在榜上。因此，Claude Opus領先的是史丹佛測過的聊天機器人，而不是所有聊天機器人，在我們下面的自測中，GPT Astra與它並列。想看三大助理之間更完整的較量，請見ChatGPT vs Claude vs Gemini。

17個模型在Whizi自己的阿拉伯文題目上表現如何？

GPT Astra與Claude Opus並列第一，5道阿拉伯文題目答對4題。這來自我們在2026年10月2日執行的Multilingual LLM Bench。每個模型在30種語言中都回答同樣的5道題，推理強度設為低。每個答案都對照有出處的答案鍵評分，用錯語言作答則得零分。

五道題的樣本很小。一道題就會讓模型的阿拉伯文分數變動20分，所以請把這當成粗略的排序，而不是正式排名。

依題型拆開來看，才是沒有任何排行榜會告訴你的部分。事實題與日期計算都沒問題，諺語卻不行：

每道諺語題都用意思描述一句俗話，要求說出那句俗話本身。第一題有十五個模型答錯，第二題有十六個答錯，沒有任何模型兩題都對。Claude Opus答對一題，GPT Astra與Claude Fable答對另一題。

日曆題是我們公開的唯一一道阿拉伯文題目。它給出開羅一份契約的日期為伊斯蘭曆1219年Rajab月23日（採表格式伊斯蘭曆），附上規則，要求算出100天後的星期幾與西曆日期。17個模型中有11個答出星期二，1805年2月5日。

請不要用這套測試來比較阿拉伯文和其他語言。17個模型的阿拉伯文平均為41.2%，西班牙文為25.9%。這更多反映的是各語言那五道題的難度，而不是語言本身。

ChatGPT的阿拉伯文好嗎？

好，ChatGPT很擅長現代標準阿拉伯語。OpenAI的GPT在2026年6月的HELM Arabic得82.5，與Gemini Flash並列，比Claude Opus低1.6分。OpenAI自己公布的數字也指向同一個方向。其simple-evals結果顯示，o3推理模型在阿拉伯文得0.904、法文得0.906，測驗是由專業譯者改寫成14種語言的MMLU。

Anthropic也公布了同類數字。其多語言支援頁面指出，Claude Sonnet 4.5的阿拉伯文達到英文成績的97.2%，較小的Claude Haiku 4.5則為92.5%。對大型聊天機器人來說，阿拉伯文已接近一等語言。

問題出在方言。能寫出乾淨現代標準阿拉伯語的聊天機器人，面對埃及或摩洛哥方言的提問，往往還是用現代標準阿拉伯語回答，這就是下一節的主題。

AI能寫阿拉伯方言，還是只會現代標準阿拉伯語？

AI聽得懂阿拉伯方言，但寫得沒那麼好。AL-QASIDA研究測試了九個模型（包括GPT-4o），涵蓋從阿爾及利亞到敘利亞的八種方言。作者寫道「LLMs do not produce DA as well as they understand it」，其中DA指方言阿拉伯語。他們發現模型夠流暢，卻不太願意用方言作答。他們認為部分原因出在後訓練，並發現「few-shot examples can overcome this deficiency.」

排行榜顯示不出這一點。HELM的七組阿拉伯語測驗中有六組是選擇題，沒有任何一組評分方言寫成的回覆。Open Arabic LLM Leaderboard由OALL團隊與2A2I、TII和Hugging Face共同經營，於2025年2月重建測驗，並剔除了機器翻譯的題目。團隊解釋原因：「Many tasks were direct translations from English, which frequently introduced linguistic and contextual mismatches.」這個榜單是為開放模型設計的：由社群提交模型，用TII的硬體執行，發布文章提到的每個模型也都是開放模型。所以它看不出ChatGPT或Claude的位置。

阿拉伯語實驗室對自己的訓練也有同樣的說法。TII在2026年1月5日發表的Falcon-H1 Arabic文章寫道「Arabic is not monolithic」，並說已擴大埃及、黎凡特、海灣與馬格里布阿拉伯語的方言來源。

所以提示詞要指定方言。說出方言名稱、說出一座城市，並給兩段簡短的對話範例。貼上這段，再換掉方言：

```

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.

```

把「Egyptian」和「Cairo」換成海灣與杜拜、黎凡特與貝魯特，或摩洛哥與卡薩布蘭卡，並用該方言重寫兩段範例。範例要簡短。如果可以，請用自己的說法，因為模型會模仿它看到的內容。

該試哪個阿拉伯語原生AI：Jais、HUMAIN Chat、Fanar還是Falcon？

Jais Chat與HUMAIN Chat是現在就能下載的兩款阿拉伯語原生聊天機器人，而且都免費。它們背後的海灣實驗室更新很快，所以我們在2026年10月讀了各家官方頁面：

每個實驗室都用自己的基準評分，所以請把它們的說法當成「宣稱」來讀。Inception的模型卡顯示，Jais 2 70B在AraGen生成測試得70.71，Qwen2.5 72B為62.58，但它只與開放模型比較。TII表示Falcon-H1 Arabic 34B在Open Arabic LLM Leaderboard上約得75%。

獨立數字對較舊的阿拉伯語模型就沒那麼客氣。在HELM Arabic上，ALLaM 7B得70.8，30B的Jais系列得64.5，Claude Opus則是84.1。史丹佛團隊寫道，阿拉伯語專用的開放模型「underperformed」，這「may be explained by the age of these models.」Jais 2與Falcon-H1 Arabic比榜上的Jais與Falcon版本更新。

當資料或方言屬於在地需求時，就選在地應用程式。根據發表時的報導，HUMAIN把HUMAIN Chat架設在沙烏地阿拉伯，以符合該國的資料保護法。若是阿拉伯文與英文混用的工作，大型聊天機器人在HELM上仍勝過較舊的阿拉伯語模型，而HELM是唯一同時為兩類模型評分的排行榜。

Whizi在阿拉伯文上的定位是什麼？

Whizi是我們自己的產品，所以我們直說它的強項與弱點。介面支援阿拉伯文，由右向左排列。Pro方案每月$29.99，包含Claude Opus、Gemini Pro、ChatGPT Sol和Kimi K3，並提供並排模型聊天，能把同一個阿拉伯文提示詞同時送給兩個模型，各自按自己的費率計算。我們測試中的另一個最高分模型GPT Astra需要Powerhouse方案，每月$49.99。Starter每月$15.99，包含ChatGPT Luna（在我們的阿拉伯文題目中5題對2題）與Claude Haiku。Whizi的弱點在在地面向：它沒有Jais、ALLaM、Fanar或Falcon模型，所以若需要沙烏地資料託管或海灣方言專家，HUMAIN Chat或Jais Chat是更好的選擇。並排模型聊天說明了比較功能怎麼運作。