Falcon-Emirati-7B a été publié le 6 octobre 2026 par le Technology Innovation Institute (TII) des Émirats arabes unis, via son blog officiel sur Hugging Face. C'est un modèle de 7 milliards de paramètres conçu spécifiquement pour le dialecte des Émirats, construit sur le Falcon-H1-Arabic de TII, dont l'architecture hybride fait fonctionner en parallèle les modèles d'espace d'états Mamba et l'attention Transformer. L'objectif est étroit et explicite : comprendre et employer l'arabe des Émirats comme un locuteur natif, plutôt que de simplement parler couramment l'arabe standard moderne. Le modèle est déjà essayable sur la plateforme de discussion Falcon.
Répondre juste en arabe standard ne veut pas dire comprendre le dialecte
Sous le nom d'arabe se cache en réalité une famille de langues. L'information et les manuels utilisent l'arabe standard moderne, mais la conversation quotidienne, l'humour, la négociation et les récits aux Émirats se font dans un dialecte du Golfe. La poésie nabatie, les proverbes et les allusions portent un sens qui dépend d'un contexte culturel partagé ; une traduction mot à mot peut être entièrement correcte et passer malgré tout à côté. L'échec le plus fréquent des modèles arabes généralistes consiste à parfaitement entendre la question, puis à répondre par défaut en arabe standard : contenu juste, registre faux. Falcon-Emirati-7B sert précisément à combler cet écart.
Des données de trois origines, validées par des oreilles natives
Le premier problème de l'adaptation dialectale, ce sont les données : l'émirati est surtout parlé, et les textes natifs en ligne sont bien moins nombreux que pour l'arabe standard. TII a suivi trois voies à la fois : collecter et nettoyer des textes authentiques en dialecte sur des sites et forums locaux ; ajouter des documents en arabe standard sur la culture, l'histoire et les usages des Émirats, pour que le modèle sache de quoi il parle ; et générer des données dialectales synthétiques encadrées par des glossaires et des règles de style construits exprès, afin d'éviter les phrases grammaticalement correctes mais immédiatement fausses pour un habitant. Il n'existait pas non plus de recette établie pour la stratégie d'entraînement : l'équipe a multiplié les ablations sur les mélanges de données, les étapes d'injection et la supervision, en vérifiant chaque étape à la fois par des scores automatiques et par le jugement de locuteurs natifs. Le choix du 7B plutôt que du 34B tient à l'équilibre entre finesse dialectale et coût d'entraînement et de service supportable.
Deux bulletins : un pour la justesse, un pour la ressemblance
Le premier est Alyah, un benchmark de 1 173 questions à choix multiple collectées manuellement auprès de locuteurs natifs, couvrant salutations quotidiennes, langage figuré, connaissances du patrimoine et poésie. Falcon-Emirati-7B y obtient 84,83 %, devant tous les autres modèles arabes et multilingues de la comparaison. Sur la partie émiratie d'ArabCulture-Dialogue, 283 scénarios, il arrive en tête avec 85,57 %, devant ALLaM-7B à 83,39 %, Jais-2-8B à 73,79 % et le bien plus grand Fanar-2-27B à 71,50 %.
Le second bulletin est le plus révélateur. En génération ouverte, avec Gemini 3.7 Flash comme juge, les modèles ont été notés séparément sur le fait de répondre réellement en dialecte des Émirats. Falcon-Emirati-7B atteint 0,52 en fidélité dialectale, quand ALLaM, gemma-3-27b-it, Jais-2-8B et Fanar-2-27B n'obtiennent que 0,05, 0,03, 0,02 et pratiquement zéro : les autres connaissent souvent la bonne réponse et la disent quand même en arabe standard. Tout n'est pas gagné : dans les salutations et expressions quotidiennes, catégorie où dialecte et standard se recouvrent le plus, il perd de justesse contre Jais-2-8B. TII prévient aussi que les expressions rares et les références très locales peuvent encore tromper, et conseille d'évaluer le modèle avant tout usage sensible ou officiel.
La leçon réutilisable pour les modèles multilingues tient au critère qu'elle installe : la taille en paramètres n'achète pas la compétence dialectale, et une longue liste de langues sur une fiche technique ne prouve rien. Ce qui fonctionne, c'est de préparer pour chaque dialecte des données natives et des benchmarks natifs, puis de laisser les locuteurs natifs faire la validation finale — une méthode qui vaut bien au-delà de l'arabe des Émirats.
