阿拉伯语翻译与写作哪个AI最好：斯坦福阿拉伯语测试中Claude Opus领先主流聊天机器人

阿拉伯语翻译与写作，哪个AI最好？

在主流聊天机器人里，Claude Opus的阿拉伯语最好，但有两个阿拉伯语专用模型比它更强。斯坦福CRFM与Arabic.AI合作运行HELM Arabic，用七套阿拉伯语测试集给41个模型打分，题目从学校考试题到基于检索文档的问答都有。以下是2026年6月25日版本的平均分（满分100）：

排名前三的通用聊天机器人相差不到两分。Claude Opus以84.1分领先，GPT和Gemini Flash并列82.5分。在它们之上，Arabic.AI的LLM-X得91.9分，一个列为incept-arabic-1的模型得88.3分。在它们之下是较老的阿拉伯语模型：ALLaM 7B为70.8分，30B的Jais系列为64.5分。Arabic.AI同时也是斯坦福这份榜单的合作方，看它的榜首成绩时请记住这一点。

看图时有一个前提。HELM会关闭思考模式，并排除无法关闭思考的模型。榜单上没有Gemini Pro模型，所以谷歌只有Flash上榜。GPT-6系列和Jais 2也不在其中。因此Claude Opus领先的是斯坦福测过的聊天机器人，不是所有聊天机器人，而且在我们下面的测试里GPT Astra与它并列。想了解三大助手之间更全面的较量，请看ChatGPT vs Claude vs Gemini。

17个模型在Whizi自己的阿拉伯语题目上表现如何？

GPT Astra和Claude Opus并列第一，5道阿拉伯语题都答对4道。这来自我们2026年10月2日运行的Multilingual LLM Bench。每个模型在30种语言里都回答同样的5道题，推理强度设为低。每个回答都对照有来源的标准答案评分，用错语言回答则记零分。

五道题的样本很小。一道题就会让一个模型的阿拉伯语得分变动20分，所以请把这当作粗略的次序，而不是正式排名。

按题型拆分是任何榜单都不会给你看的部分。事实题和日期计算都没问题，谚语题却不行：

每道谚语题都是用含义描述一句俗语，让模型说出这句俗语本身。第一题有15个模型答错，第二题有16个答错，没有一个模型两题都对。Claude Opus答对了一道，GPT Astra和Claude Fable答对了另一道。

日历题是我们公开的唯一一道阿拉伯语题。它给出开罗一份契约的日期：伊斯兰历1219年拉哲卜月23日（按表格式伊斯兰历），附上规则，要求算出100天后的星期几和公历日期。17个模型中有11个答成星期二，1805年2月5日。

不要用这个测试比较阿拉伯语和其他语言。17个模型的阿拉伯语平均正确率为41.2%，西班牙语为25.9%。这更多反映各语言那五道题的难度，而不是语言本身。

ChatGPT的阿拉伯语好吗？

好，ChatGPT处理现代标准阿拉伯语（MSA）很出色。OpenAI的GPT在2026年6月的HELM阿拉伯语榜上得82.5分，与Gemini Flash持平，比Claude Opus低1.6分。OpenAI自己公布的数字也指向同一结论。它的simple-evals结果显示，其o3推理模型在阿拉伯语上得0.904，法语上得0.906，测试是由专业译者改写成14种语言的MMLU。

Anthropic也公布了同类数字。它的多语言支持页面显示，Claude Sonnet 4.5的阿拉伯语表现达到其英语成绩的97.2%，较小的Claude Haiku 4.5为92.5%。对大型聊天机器人来说，阿拉伯语已经接近一等语言。

问题出在方言。一个能写出规范MSA的聊天机器人，面对埃及或摩洛哥方言的提问，往往仍用MSA回答，这就是下一节的内容。

AI能写阿拉伯语方言，还是只会现代标准阿拉伯语？

AI理解阿拉伯语方言的能力强于书写方言的能力。AL-QASIDA研究测试了九个模型（包括GPT-4o），涉及从阿尔及利亚到叙利亚的八种方言。作者写道："LLMs do not produce DA as well as they understand it"，其中DA指方言阿拉伯语。他们发现模型足够流利，却不愿意这样写，并把部分原因归于后训练，同时发现"that few-shot examples can overcome this deficiency."

榜单看不出这一点。HELM七套阿拉伯语测试集中有六套是选择题，没有一套给方言写作的回复评分。Open Arabic LLM Leaderboard由OALL团队与2A2I、TII和Hugging Face运行，2025年2月重建了测试，删掉了机器翻译的题目。团队解释了原因："Many tasks were direct translations from English, which frequently introduced linguistic and contextual mismatches." 它是为开源模型设计的：由社区提交模型，TII的硬件运行，发布文章里提到的每个模型都是开源的。所以它看不出ChatGPT或Claude的位置。

阿拉伯语实验室对自家训练也这么说。TII在2026年1月5日发布的Falcon-H1 Arabic文章中写道"Arabic is not monolithic"，并说已扩充埃及、黎凡特、海湾和马格里布阿拉伯语的方言数据来源。

所以提示词里要指明方言。写出方言名和城市名，再给两小段示例对话。复制下面的提示词并替换方言：

```

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"换成海湾和迪拜、黎凡特和贝鲁特，或摩洛哥和卡萨布兰卡，并用对应方言重写两段示例。示例要简短。尽量用你自己的说法，因为模型会模仿它看到的内容。

该试哪个阿拉伯语原生AI：Jais、HUMAIN Chat、Fanar还是Falcon？

Jais Chat和HUMAIN Chat是目前可以下载的两款阿拉伯语原生聊天机器人，都免费。它们背后的海湾实验室更新很快，所以我们在2026年10月查阅了各家官方页面：

各实验室都用自己的基准给自己打分，所以请把它们的说法当作说法来读。Inception的模型卡显示Jais 2 70B在AraGen生成测试上得70.71，Qwen2.5 72B为62.58，但只与开源模型比较。TII称Falcon-H1 Arabic 34B在Open Arabic LLM Leaderboard上得分约75%。

独立数据对较老的阿拉伯语模型就没那么客气了。在HELM阿拉伯语榜上，ALLaM 7B得70.8分，30B的Jais系列得64.5分，而Claude Opus为84.1分。斯坦福团队写道，阿拉伯语专用的开源模型"underperformed"，这"may be explained by the age of these models." Jais 2和Falcon-H1 Arabic比榜单上的Jais和Falcon版本更新。

数据或方言是本地的，就选本地应用。据发布报道，HUMAIN把HUMAIN Chat托管在沙特阿拉伯，以符合该国的数据保护法。至于阿拉伯语和英语混合的工作，在同时给两类模型打分的HELM上，主流聊天机器人仍然胜过较老的阿拉伯语模型。

Whizi在阿拉伯语场景里处于什么位置？

Whizi是我们自己的产品，所以这里直说它强在哪、输在哪。界面支持阿拉伯语，从右向左排版。每月$29.99的Pro包含Claude Opus、Gemini Pro、ChatGPT Sol和Kimi K3，并排模型对话可以把同一条阿拉伯语提示词同时发给两个模型，各按自己的费率计费。我们测试中的另一位最高分GPT Astra需要$49.99的Powerhouse。$15.99的Starter含ChatGPT Luna（我们的阿拉伯语题它答对了5道中的2道）和Claude Haiku。Whizi输在本地化一侧：它没有Jais、ALLaM、Fanar或Falcon模型，所以如果需要沙特数据托管或海湾方言专家，HUMAIN Chat或Jais Chat是更好的选择。并排模型对话介绍了对比功能的用法。