过去两年，大模型几乎是一场仅限于中美的竞速赛。

美国科技圈盯着中国模型，计算开源距离闭源前沿还剩几个百分点；中国公司盯着芯片、训练成本和发版速度，想知道差距还能压缩到几个月。双方都有自己的前沿模型、算力和完整的互联网产业，把竞争细化到了小数点上。

那赛场之外的国家着急吗？

当然急。

据新美国安全中心 CNAS 最新更新的“主权 AI 指数”，截至 2026 年上半年，全球 67 个国家已经推进 184 个政府支持的主权 AI 项目，仅今年上半年就新增 41 个，超过 2024 年全年。越来越多国家想要正面加入 AI 赛场。

9 月 3 日，沙特给出了一条具体路径。

在 LEAP 2026 上，由沙特公共投资基金设立的 AI 公司 HUMAIN 发布了 HUMAIN-M3，一款面向阿拉伯语世界的前沿模型，在多项阿拉伯语公开测试中，超过了GPT-5.6 Sol和Opus 5，目前在 HUMAIN Node 上开放预览，并计划开放权重。

而它的底座来自中国：MiniMax M3。

对许多国家而言，这可能是眼下最现实的一条路：借助越来越接近闭源前沿的开源模型，从更高的技术起点出发，更快搭建自己的“主权 AI”。

世界上能够持续训练前沿基础模型的公司很少，但想把 AI 掌握在自己手里的国家却很多。

两者之间的量级差，正在给中国开源模型带来一个更新、更大的海外市场。

“国家”正在成为大模型的新客户

发布 HUMAIN-M3 的公司HUMAIN，背景有些特殊。

它成立于 2025 年 5 月，由沙特公共投资基金 PIF 设立，董事会主席是沙特王储兼首相穆罕默德·本·萨勒曼。业务从数据中心、AI 基础设施与云，一直覆盖到模型和应用，承担着为沙特搭建国家级 AI 能力的角色。

沙特有资本、能源和政府推动力，但模型团队、训练经验和软件生态需要时间积累。对 HUMAIN 而言，选择什么技术起点，直接决定已有资源能以多快的速度转化为可用的产品。

HUMAIN-M3就体现了这种速度。

从 MiniMax M3 发布到 HUMAIN-M3 上线，中间只隔了三个月。

它建立在 MiniMax M3 系列之上，沿用混合专家架构，总参数量为 4280 亿，每处理一个 Token 激活约 230 亿参数，并使用了超过 1 万亿个阿拉伯语原生内容 Token 继续训练，重点强化阿拉伯语理解和推理。

按照 HUMAIN 公布的七项阿拉伯语公开测试，HUMAIN-M3 拿到五项第一，等权平均分为 89.37%，较 M3 底座模型提高 9.03 个百分点，也高于 GPT-5.6 SOL 的 87.30% 和 Claude Opus 5 的 87.34%。

要知道，此前沙特就有自己的模型ALLAM，阿联酋和卡塔尔也推出过相应的阿拉伯语模型，HUMAIN-M3 的不同之处在于路径：借助MiniMax M3已有的原生多模态、Agentic和百万上下文等通用能力，仅通过后训练优化，就能快速获得一个前沿智能水平的本土模型。

更快，更强，更适配。

这条路径成立，源于模型能力中存在两种不同的积累：通用推理、多模态和工具使用可以跨地区复用，语言背后的文化与知识环境仍然需要重新学习。

以阿拉伯语地区为例，当地实际场景中，现代标准阿拉伯语与各种地区方言长期并存，日常表达还会出现英语、拉丁字母和数字的混用，还有特殊的宗教、社会规范、法律和历史语境，这些都是通用模型暂时覆盖不到的地方。

尤其是当 Agent 开始替用户搜索信息、调用工具、执行任务时，本地适配会直接影响它能否找对信息、理解约束并完成工作，语言能力会直接从产品体验问题，进一步变成执行能力问题。

韩国学者此前就做过一项评测研究，他们通过K-BrowseComp建构了400道测试，让AI进入韩语网站和本地信息源连续搜索、核对证据，结果全球前沿模型在人工验证集上的成绩只有 30% 到 45.67%，能力统统打了折扣。

此外，更重要的是，国家级项目还要考虑模型能力能否真的由自己持续掌握。

数据存放在哪里，模型运行在谁的算力上，能否自行更新，供应商调整服务后业务能否继续，这些都会影响技术选择。

Fable 5 的出口管制风波就是一个典型例子，它在 6 月发布，数天后因美国政府的出口管制指令暂停访问，直到 7 月才恢复全球供应。这场风波持续不到三周，却足以提醒各国：远程 API 的访问权，可能随着供应商和模型原产国的政策在短时间内发生变化。

本地语言效果、数据位置、部署方式、服务连续性，这些需求叠加在一起，让越来越多国家开始寻找开源底座。

据CNAS 统计，截至今年 6 月，使用开放权重底座进行本地训练的主权AI模型项目，数量较 2024 年末已经翻了一倍多。

而开源模型，恰恰是中国的主场。

过去两年，中国模型依靠持续开源，把前沿能力、成本优势和开发者生态一起带到了海外。当主权 AI 开始寻找能够本地部署、继续训练和自主运行的技术底座，像MiniMax M3这样的中国开源模型就顺势进入了选择名单。

对中国开源模型来说，这是一个重要的趋势和机会：国家级客户，正在成为新的增长点。

从 MiniMax 看，中国开源模型出海正在“变重”

但模型被选中，只是合作的开始。国家级平台还需要把底座与本地数据、算力、安全要求和行业系统连接起来，并持续更新。

中国开源模型的出海姿势，也会由此发生变化。

早期，开源模型主要通过社区和排行榜获得海外关注。能力提升、成本下降，让开发者愿意下载权重、本地部署，或接入API，把模型用进自己的产品。

随着使用规模扩大，下一层问题随之出现：模型能否在不同硬件上高效运行，能否通过云平台稳定交付，能否适应当地的数据和业务规则？

到了主权 AI，这些要求被放进同一个建设项目。模型竞争也从单项能力，延伸到训练、部署和持续服务的整条链路。

所谓出海“变重”，就重在这里：模型背后需要接入更多基础设施，合作双方需要投入更多工程资源，交付也从一次接入延长为持续迭代。

以MiniMax为例，它的海外动作，正在更快、更稳地呈现出这条路线。

按照其 2026 年上半年业绩公告，MiniMax 的产品和服务已覆盖超过 230 个国家和地区。而在覆盖范围之外，更值得观察的是它进入海外市场的深度：从芯片适配、托管推理，到本土模型开发，合作正沿着模型运行所需的环节展开。

先看芯片。

2026 年 7 月，在欧洲最大的 AI 峰会RAISE 上，硅谷 AI 芯片和基础设施公司 SambaNova 用新一代 SN50 芯片运行 MiniMax M2.7，经独立测评机构 Artificial Analysis 验证，跑出了全球最快的推理速度。

SambaNova 是一家总部位于硅谷的AI推理芯片公司，入选了 Forbes 2026 AI 50。它的这套方案采用的分离式推理，把模型处理请求的两个环节拆开：NVIDIA GPU 负责读取和处理输入，SambaNova 自研的 RDU 芯片负责生成输出，让不同硬件承担各自更擅长的任务。

对企业来说，这意味着可以保留已有 GPU 集群，再接入新的推理芯片，提高输出效率。模型适配因此直接关系到客户现有的算力投入能否用好，以及新增部署是否划算。

MiniMax 与 SambaNova 的合作已经从 M2.5、M2.7 延续到了 M3：8 月，M3 又在 SambaCloud 上线。这种跨代合作说明，双方在持续处理模型升级与硬件适配的问题，工程经验也在随之积累。

再看云和推理平台。

同样在 7 月，MiniMax 也与AI 云基础设施公司Nebius 达成了独家战略合作，成为Nebius Token Factory上首个以专属合作模式上线的开源模型。Nebius 是目前增长最快的 AI 基础设施公司之一，旗下的托管推理平台Token Factory目前托管超过 60 个开源模型。

这类平台承担着模型进入生产环境的另一部分工作：把部署和运行交给基础设施服务商，让更多客户能够直接使用模型能力。

硬件适配解决运行效率，托管平台扩大可用范围，两者共同降低海外客户采用模型的门槛。

而在此基础上，HUMAIN的出现，相当于把 MiniMax M3 又向本土模型开发推进了一步，让当地团队进一步围绕底座投入语言数据和训练资源，从而使模型具备面向本地市场的能力。

芯片、云平台、本土模型，把 MiniMax 作为一个切片，可以看出中国开源模型出海，已经从单个模型扩展到了围绕模型形成的整套交付体系。

这种体系一旦形成，合作关系就会加深。海外伙伴围绕模型投入算力、数据和开发资源，模型厂商则需要持续支持适配与升级。更换底座虽然可行，但也需要重新评测、训练和调整部署，模型因而更有机会留在客户的技术生态中。

这对所有中国开源模型厂商而言，都是一个更大且更稳定的长期增长空间。特别是随着更多主权AI涌现，未来，除了按 Token 计费，模型适配、本地部署、推理优化和长期技术支持，都可能成为开源厂商们的重要收入来源。

尽管今天大多数主权 AI 项目仍然离不开美国公司：GPU、服务器、云和模型，常常至少占一层。但各国建设主权 AI 的出发点，恰恰是不想把整套系统押在同一个国家身上。美国越希望其他国家完整采用自己的技术栈，他们就越有动力寻找第二种选择。

这也是中国开源模型真正有价值的地方。

过去，世界用排行榜衡量中国开源模型。现在，一些国家开始把它放进了自己的 AI 底座里。

从被看见、被调用，再到成为一个国家级 AI 的技术起点，这比排行榜上的任何一个小数点，都更能说明中国开源模型到底走了多远。