阿联酋技术创新研究所（TII）近日发布了 Falcon-Emirati-7B，这是首个专门针对阿联酋阿拉伯语方言（Emirati Arabic）训练的大语言模型。与仅掌握现代标准阿拉伯语（MSA）的通用模型不同，Falcon-Emirati-7B 能够理解和生成地道的阿联酋口语，包括方言特有的词汇、语法节奏以及文化背景含义。该模型已登陆 Hugging Face 平台，完全开放权重。
为什么方言适配并不简单
将一个通用阿拉伯语模型转变为方言专家，看起来像是”在已有基础上做微调”的简单工作，但实际上面临三重挑战：
语料稀缺：阿联酋方言主要靠口语传承，在互联网上出现的书面文本远少于标准阿拉伯语或其他海湾方言，可用于训练的原始文本非常有限。
含义的非字面性：阿联酋方言中的许多表达——如谚语、nabati 诗歌（阿联酋传统口头诗）——的含义无法逐词翻译，必须依赖共享的文化背景知识才能真正理解。
没有现成的路线图：目前没有成熟的方法论来回答”多少方言数据才够””如何在方言与标准阿拉伯语之间配比训练数据””哪个训练阶段（持续预训练、监督微调还是偏好优化）对习得方言最为关键”这些问题。
技术基础：Falcon-H1-Arabic 混合架构
Falcon-Emirati-7B 构建于 Falcon-H1-Arabic 模型家族之上。Falcon-H1-Arabic 采用混合 SSM-Transformer 架构：状态空间模型（Mamba）与 Transformer 注意力机制在每个网络块内并行运行，其输出在每个块的投影前进行融合。这种设计让模型在长序列上拥有 Mamba 的线性时间效率，同时保留了注意力机制对长距离依赖的精确捕捉能力——这对于形态丰富的阿拉伯语尤为重要。
Falcon-H1-Arabic 家族涵盖三个规模（3B、7B、34B 参数），上下文窗口分别支持 128K 和 256K token，已在广泛的现代标准阿拉伯语、方言阿拉伯语（海湾、黎凡特、埃及、马格里布）以及英语和多语言数据上完成预训练。Falcon-Emirati-7B 选择 7B 参数版本作为基底，是因为这一规模在”保留方言所需细微差别”和”训练与推理成本可控”之间取得了最佳平衡。34B 模型虽然质量可能更高，但其训练和服务成本对于一个方言定制聊天模型来说并不划算；而 3B 模型则无法为文化和语言理解深度提供足够空间。
数据策略：三重来源构建阿联酋语料
TII 为 Falcon-Emirati-7B 构建了一条专门的阿联酋方言数据管道，综合三类数据来源：
第一类是真实阿联酋方言网络文本，即从互联网上采集的原始阿联酋口语表达材料；第二类数据来源未在官方博客中详细展开，但团队透露他们借助了人类语言学家和阿联酋本土文化专家的指导来确保语料的权威性；第三类则是结合人类判断与基准测试分数，对不同数据配比、训练阶段和监督策略进行反复实验，最终确定了最优方案。
模型能力与典型场景
Falcon-Emirati-7B 的核心能力体现在以下几个方面：
方言理解与生成：模型能够理解阿联酋人日常对话中的词汇选择、语气和隐含文化语境，而非仅仅做字面上的翻译。
nabati 诗歌与谚语处理：阿联酋特有的 nabati 诗歌和传统谚语中蕴含的文化意义，在 Falcon-Emirati-7B 中得到了更好的保留——这是通用阿拉伯语模型难以实现的能力。
低延迟推理：得益于 Mamba 架构的线性时间特性，70 亿参数规模使模型在消费级硬件上的部署成为可能，降低了实际应用的门槛。
AI 方言竞赛的新选手
Falcon-Emirati-7B 的发布正值大语言模型方言竞赛升温之际。此前，Meta、Google 等公司先后推出过针对埃及方言、黎凡特方言的专项模型，但针对阿联酋——一个在海湾地区具有独特语言文化身份的国家——的专项模型此前尚属空白。TII 选择在 Falcon-H1-Arabic 已建立的技术基础上进行专项突破，也体现了”在成熟架构上做定向优化”的务实路径。
对于希望服务阿联酋及海湾地区用户的 AI 应用开发者而言，Falcon-Emirati-7B 提供了首个真正基于本地语言习惯的模型底座。无论是对话系统、内容审核还是跨语言信息抽取，方言级阿拉伯语理解能力的加入都将显著提升产品体验的”本地感”。
模型现已开放下载：有兴趣的开发者可直接访问 Hugging Face 平台获取 Falcon-Emirati-7B 的模型权重与推理代码。
AI 会员开通推荐
免 KYC 虚拟卡，可开通各类 AI 会员：立即注册