TII 发布 Falcon-Emirati-7B：适配阿联酋方言，Alyah 基准得分 84.83%
Según el blog oficial de TII publicado el 6 de octubre de 2026, Falcon-Emirati-7B realiza una adaptación específica al dialecto emiratí sobre Falcon-H1-Arabic, obtiene 84.83% en el benchmark Alyah de creación propia y lidera claramente a varios competidores en la evaluación de fidelidad dialectal con un juez LLM; el modelo ya está disponible para pruebas en su plataforma de chat.
Qué ha cambiado
Según el blog oficial de TII publicado el 6 de octubre de 2026, TII presenta Falcon-Emirati-7B, un modelo con adaptación específica al dialecto emiratí construido sobre Falcon-H1-Arabic. La familia base emplea la arquitectura híbrida Falcon-H1, en la que las capas de espacio de estados Mamba y la atención Transformer se ejecutan en paralelo dentro de cada módulo y se fusionan antes de la proyección; la familia cubre tres tamaños (3B, 7B y 34B), con ventanas de contexto de hasta 128K a 256K tokens, y sus datos de entrenamiento ya incluían una mezcla de árabe estándar moderno y dialectos del Golfo, Levante, Egipto y el Magreb. TII afirma que eligió 7B por ser el punto más equilibrado entre la fineza necesaria para la adaptación dialectal y los costos de entrenamiento e inferencia. Los datos provienen de tres tipos de fuentes: texto web dialectal escrito de forma nativa en sitios y foros emiratíes, corpus de MSA sobre cultura e identidad emiratíes, y datos dialectales sintéticos restringidos por vocabulario y reglas de estilo; el equipo señala que no existe una receta establecida de adaptación dialectal, por lo que realizó experimentos de ablación sobre la proporción de datos, la etapa de inyección y la proporción de datos sintéticos, y utilizó tanto puntuación automática como revisión por hablantes nativos. En cuanto a la evaluación, el modelo obtiene 84.83% en Alyah (1,173 preguntas de opción múltiple nativas), y TII afirma que supera a todos los modelos árabes y multilingües con los que lo comparó, mientras que la familia Falcon-H1-Arabic quedó excluida de esa comparación por ser la base. Además, en las mismas 1,173 preguntas de generación abierta, usando Gemini 3.7 Flash como juez, Falcon-Emirati-7B obtiene 0.52 en fidelidad dialectal (puntuación parcial), claramente por encima de ALLaM-7B (0.05), gemma-3-27b-it (0.03), Jais-2-8B-Chat (0.02) y Fanar-2-27B-Instruct (cerca de 0.00); en la parte de EAU de las preguntas de opción múltiple de ArabCulture-Dialogue obtiene 85.57%. El modelo ya está abierto a pruebas en la plataforma de chat de TII.
Impacto para desarrolladores
El efecto directo de este lanzamiento para los desarrolladores es que concreta la pregunta de si un modelo árabe general puede asumir directamente escenarios dialectales. La evaluación de TII muestra que varios competidores no necesariamente yerran en el contenido de la respuesta, pero por defecto responden en MSA incluso cuando el usuario pregunta en dialecto emiratí, lo que explica por qué en atención al cliente multilingüe, marketing localizado, moderación comunitaria o preguntas y respuestas culturales el fallo de los modelos árabes generales suele no ser "responder mal" sino "usar el registro equivocado". El tamaño de 7B y la arquitectura híbrida implican que el despliegue en una sola GPU o en pocas GPU a pequeña escala es una ruta teóricamente viable, algo con relevancia práctica para equipos que necesitan procesar conversaciones de usuarios en entornos locales o privados y tienen restricciones para enviar datos al exterior. Hay que distinguir que las conclusiones comparativas de TII provienen de su benchmark de creación propia Alyah y de un conjunto de competidores elegido por TII, por lo que responden a criterios de evaluación del fabricante; que la familia base quedara excluida de la comparación también significa que ese 84.83% no debería alinearse directamente con resultados históricos de Falcon-H1-Arabic. La fuente no aporta evidencia de que la capacidad dialectal pueda transferirse a otros dialectos árabes como el levantino o el egipcio, y no debe asumirse. La evaluación de adecuación cultural también se realizó únicamente sobre los 283 escenarios de EAU definidos por TII.
Integración y evaluación
Recomendación uno (datos y restricciones de registro): el cambio explícito reportado esta vez es que los datos de entrenamiento se componen de una mezcla de tres tipos: texto web dialectal nativo, corpus de MSA cultural y datos sintéticos restringidos por vocabulario, con la parte sintética limitada por vocabulario y reglas de estilo. Si tu aplicación exige de forma estricta que "la respuesta debe escribirse en dialecto emiratí", el procedimiento es muestrear primero sobre tu propio corpus de negocio, construir un conjunto de pruebas de generación abierta con preguntas en dialecto y luego dividir la evaluación en dos dimensiones independientes: "contenido correcto" y "si responde en dialecto"; la premisa es que dispongas de hablantes nativos o puedas costear revisión manual, pues de lo contrario solo podrás depender de la puntuación automática y no captarás el tono ni la adecuación. El criterio medible es la tasa de aprobación de fidelidad dialectal en tus propias muestras y la proporción de respuestas que cambian a MSA, no una única exactitud. Recomendación dos (escala y costo de despliegue): el cambio explícito esta vez es que TII solo hizo la variante 7B y explicó públicamente sus razones, sin publicar una versión dialectal de 34B. Si tu escenario es un servicio de conversación de alta concurrencia y baja latencia, prioriza validar en 7B si alcanza una naturalidad aceptable; si el escenario es generación de contenido como poesía, refranes o conocimiento patrimonial, categorías que según la fuente son las más débiles para los competidores pero en las que el modelo también puede verse afectado por muestras de bajos recursos, entonces evalúa si vale la pena cambiar a una base mayor y adaptarla después, dado que la ruta de 34B no se ofrece en este lanzamiento. La premisa es que tu presupuesto de inferencia y de latencia sea cuantificable. El criterio medible es la latencia y el costo por cada mil solicitudes con un QPS fijo, y la tasa de aprobación por hablantes nativos en las categorías difíciles. Recomendación tres (comparabilidad de la evaluación): el cambio explícito esta vez es que TII adoptó su benchmark Alyah de creación propia y excluyó a la familia base de la comparación. Si ya tienes un proceso de evaluación del árabe establecido, el procedimiento es mantener tu propio benchmark como criterio principal y usar Alyah como referencia, no como sustituto, y registrar las versiones de los competidores y del modelo juez. La premisa es que puedas reproducir las preguntas o al menos fijar el conjunto de muestras. El criterio medible es si las conclusiones coinciden entre tu propio benchmark y Alyah, y si el orden se mantiene estable al cambiar el modelo juez.
Límites y cuestiones pendientes
Cabe precisar: Falcon-Emirati-7B no aparece actualmente en el catálogo de modelos en vivo de KimiSeek, y la disponibilidad descrita en este artículo se refiere únicamente a la plataforma de chat propia de TII, no significa que este sitio haya incorporado el modelo. Las cifras de la fuente como 84.83%, la fidelidad dialectal de 0.52 y el 85.57% en ArabCulture-Dialogue provienen de evaluaciones creadas o seleccionadas por TII (Alyah; juez LLM Gemini 3.7 Flash; competidores elegidos por TII), responden a criterios del fabricante y no han sido reproducidas de forma independiente por terceros; la exclusión de la familia base de la comparación limita la comparación directa con Falcon-H1-Arabic. TII también señala en su sección de responsabilidad y limitaciones que el modelo refleja sesgos de los datos de entrenamiento, que puede equivocarse en expresiones poco frecuentes, referencias altamente localizadas y casos límite con pocos datos, que la adecuación dialectal y cultural es subjetiva en algunos escenarios y que los propios hablantes nativos pueden no coincidir, y recomienda evaluar escenarios concretos antes de usos sensibles, oficiales o de alto riesgo. La fuente no revela los términos de licencia de los pesos, el modo de activación de parámetros, la memoria de inferencia ni el rendimiento, el precio de API ni las condiciones de uso comercial, y tampoco ofrece evidencia de transferencia a otros dialectos árabes; nada de esto queda automáticamente establecido por la "apertura a pruebas". Las recomendaciones de decisión de este artículo son un análisis condicional, no conclusiones reportadas por la fuente.
Ilustraciones de la noticia original
