---
title: "Meilleur LLM pour l’arabe : quoi tester avant de choisir"
description: "Choisir un LLM pour une appli en arabe : compréhension des dialectes, qualité rédactionnelle, traduction, documents et images, coût, et un jeu de test en un jour."
url: https://broadrouter.com/fr/blog/choosing-an-llm-for-arabic/
lang: fr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/blog/choosing-an-llm-for-arabic/) (mis à jour le 2026-11-14).

# Choisir une API LLM pour l’arabe : ce qu’il faut tester

Par l’équipe BroadNet Inference · 7 min de lecture · Publié 2026-11-14

Choisissez un LLM pour l’arabe en le testant sur vos propres tâches : comprendre les dialectes du Golfe, égyptien et levantin, rédiger un arabe standard moderne fluide, traduire entre arabe et anglais, et lire des documents arabes. Dans les tests de BroadNet, Qwen3.8 27B a rédigé un arabe fluide et compris les dialectes du Golfe et égyptien. Il coûte $0.175 par million de tokens en entrée.

## À retenir

-   Testez séparément la compréhension des dialectes, la rédaction en arabe, la traduction et la lecture de documents. Les modèles diffèrent sur chacune.
-   Les classements publics pour l’arabe aident à présélectionner, mais ils ne testent ni vos dialectes, ni votre ton, ni vos documents.
-   Dans les tests de BroadNet, Qwen3.8 27B a rédigé un arabe fluide, compris les dialectes du Golfe et égyptien, et traduit avec exactitude.
-   Les modèles de vision savent lire des factures et reçus en arabe et renvoyer du JSON structuré.
-   L’arabe utilise souvent plus de tokens par mot que l’anglais : comparez le coût sur votre texte réel, pas au mot.
-   Associez le LLM à un speech-to-text arabe pour les notes vocales et les appels.

**Sur cette page**

1.  Quelles tâches en arabe faut-il tester ?
2.  Que disent les classements publics pour l’arabe ?
3.  Quelles API LLM prennent en charge l’arabe ?
4.  Quels modèles BroadNet gèrent l’arabe ?
5.  Comment constituer un jeu de test en arabe ?
6.  Comment noter les sorties ?
7.  Le prompt système change-t-il le résultat ?
8.  Pourquoi l’arabe coûte-t-il plus de tokens que l’anglais ?
9.  Un LLM peut-il lire des factures et des images en arabe ?
10.  Et les notes vocales et appels en arabe ?
11.  Pourquoi certaines réponses en arabe reviennent-elles vides ?
12.  Quelles erreurs éviter ?
13.  La place de BroadNet Inference

Pour choisir une API LLM pour l’arabe, testez chaque candidat sur les tâches de votre produit : comprendre les dialectes de vos utilisateurs, rédiger un arabe standard moderne naturel, traduire et lire des documents arabes. Notez chaque tâche séparément avec un locuteur natif. « Prend en charge l’arabe » peut vouloir dire n’importe quoi, d’un dialecte du Golfe fluide à un texte raide qui sent la traduction.

## Quelles tâches en arabe faut-il tester ?

| Tâche | Exemple | Ce qu’il faut vérifier |
| --- | --- | --- |
| Comprendre le dialecte | Un client saoudien écrit en khaleeji | Le modèle saisit-il l’intention, et pas seulement les mots ? |
| Rédiger en arabe | Une réponse en arabe standard moderne clair | Fluidité, grammaire, ton naturel, bon registre |
| Traduire | Contrats ou tickets de support arabe ↔ anglais | Exactitude des noms, des nombres et des termes juridiques |
| Lire des documents | Photo d’une facture en arabe | Totaux, dates et fournisseur extraits correctement |
| Entendre la parole | Notes vocales, appels | C’est un modèle de [speech-to-text](https://broadrouter.com/fr/glossary/speech-to-text/), pas un LLM ; voir plus bas |

Un modèle peut être fort sur une tâche et faible sur une autre. Notez chaque tâche séparément.

## Que disent les classements publics pour l’arabe ?

Plusieurs classements publics évaluent les modèles en arabe. L’[Open Arabic LLM Leaderboard](https://huggingface.co/spaces/OALL/Open-Arabic-LLM-Leaderboard) sur Hugging Face en est un. [BALSAM](https://arxiv.org/abs/2507.22603) est un benchmark communautaire de 78 tâches réparties en 14 catégories, doublé d’une plateforme d’évaluation à l’aveugle ; ses auteurs écrivent que les performances des LLM en arabe restent en retrait des progrès observés en anglais.

Servez-vous-en pour établir une présélection, pas pour trancher. Les benchmarks reposent surtout sur des QCM et des tâches standard. Ils testent rarement des messages clients du Golfe, le ton de votre marque ou la photo d’un reçu froissé. C’est pourtant ce que remarquent vos utilisateurs.

## Quelles API LLM prennent en charge l’arabe ?

Presque toutes les API de chat généralistes acceptent du texte arabe : la vraie question est donc de savoir comment elles gèrent vos dialectes, et si vous pouvez seulement appeler les modèles conçus d’abord pour l’arabe. Nous avons vérifié le 14 novembre 2026 les quatre familles de ce type sur lesquelles on nous interroge. Aucune n’avait de prix d’API au token publié par son éditeur :

| Famille de modèles | Éditeur | Comment l’exécuter (vérifié le 14 novembre 2026) | Prix |
| --- | --- | --- | --- |
| Jais 2 (8B, 70B chat) | MBZUAI, Inception et Cerebras | Open weights sur Hugging Face sous Apache 2.0, contexte de 8 192 tokens. La fiche du modèle 70B indique qu’aucun Inference Provider ne le déploie. L’ancien Jais-30b-chat a été retiré de GitHub Models le 31 octobre 2025. | Aucun publié ; vous payez vos propres GPU |
| Falcon-H1-Arabic (3B, 7B, 34B) | Technology Innovation Institute (TII) | Annoncé le 5 janvier 2026 avec un contexte de 128K (3B) ou 256K (7B, 34B). L’annonce renvoie vers une démo de chat web ; elle ne mentionne ni API hébergée ni téléchargement des poids. | Aucun publié |
| ALLaM (allam-1-13b-instruct) | Saudi Data and Artificial Intelligence Authority (SDAIA) ; HUMAIN publie la préversion 7B | Sur IBM watsonx.ai en modèle à déploiement à la demande, avec une fenêtre de 4 096 tokens (entrée plus sortie). ALLaM-7B-Instruct-preview est ouvert sur Hugging Face sous Apache 2.0. | watsonx.ai facture les modèles à déploiement à la demande à l’heure, pas au token |
| Fanar | Qatar Computing Research Institute (QCRI) | Fanar indique qu’il « provides an API for developers » (traduction : « fournit une API pour les développeurs ») ; l’accès se fait sur formulaire de demande à api.fanar.qa | Aucun publié |

Si vous voulez de l’arabe facturé au token via une [API compatible OpenAI](https://broadrouter.com/fr/glossary/openai-compatible-api/), vous utiliserez donc en général un modèle multilingue solide, comme ceux ci-dessous, en le testant sur vos dialectes. Si vous avez besoin d’un modèle précis conçu pour l’arabe, prévoyez de l’auto-héberger, de louer un déploiement dédié ou de demander l’accès à l’API de Fanar ; l’article [auto-hébergement ou API : le coût](https://broadrouter.com/fr/blog/self-hosting-llm-vs-api-cost/) donne le calcul du seuil de rentabilité.

## Quels modèles BroadNet gèrent l’arabe ?

BroadNet publie son propre test en arabe sur sa [page des tarifs](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-choosing-an-llm-for-arabic&utm_content=body). Pour [Qwen3.8 27B](https://broadrouter.com/fr/models/qwen3.8-27b/), il indique une rédaction fluide en arabe, la compréhension des dialectes du Golfe et égyptien, et une traduction arabe–anglais exacte. Le modèle accepte texte et images, prend en charge le [tool calling](https://broadrouter.com/fr/glossary/tool-calling/) et la [sortie structurée](https://broadrouter.com/fr/glossary/structured-output/), et dispose d’un contexte de 262 144 tokens.

Autres options sur la même API :

| Modèle | Entrée / sortie par million de tokens | Contexte | Images |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/fr/models/qwen3.8-27b/) | $0.175 / $2.17 | 262 144 | Oui |
| [DeepSeek V4.1 Flash](https://broadrouter.com/fr/models/deepseek-v4.1-flash/) | $0.175 / $0.52 | 1 048 576 | Oui |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/fr/models/gemma-4-vl-26b/) | $0.10 / $0.22 | 32 768 | Oui |

DeepSeek V4.1 Flash est aussi disponible en illimité avec un forfait ($60 par mois et par session), ce qui convient au chat et aux agents en arabe à fort volume. Le [comparatif DeepSeek V4.1 Flash vs Qwen3.8 27B](https://broadrouter.com/compare/deepseek-v4.1-flash-vs-qwen3.8-27b/) met les deux principaux candidats côte à côte. Gemma 4 VL 26B est le modèle BroadNet le moins cher au token et fonctionne avec le crédit de départ gratuit.

## Comment constituer un jeu de test en arabe ?

1.  **Rassemblez 50 entrées réelles** issues de votre produit : chats, tickets, documents. Incluez-en au moins 10 dans chaque dialecte qu’écrivent vos utilisateurs. Pour un test centré sur les dialectes, avec une méthode d’étiquetage des intentions, voyez [comment les LLM gèrent l’arabe du Golfe, égyptien et levantin](https://broadrouter.com/fr/blog/arabic-llm-gulf-egyptian-dialects/).
2.  **Rédigez la réponse idéale** pour 20 d’entre elles, ou confiez-la à un locuteur natif.
3.  **Faites tourner chaque modèle candidat** sur les 50, avec le même prompt système. Indiquez dans le prompt le dialecte et le registre attendus : « Réponds en arabe standard moderne clair, aimable, bref. »
4.  **Notez les sorties à l’aveugle** de 1 à 5 pour l’exactitude et le naturel. Confiez la notation à un locuteur natif.
5.  **Vérifiez le coût sur du texte réel.** Lisez `prompt_tokens` et `completion_tokens` dans le bloc usage plutôt que d’estimer à partir du nombre de mots.

Comme l’API est compatible OpenAI, changer de modèle se résume à modifier une ligne, le champ `model`. Voyez la [checklist de migration vers une API compatible OpenAI](https://broadrouter.com/fr/blog/openai-compatible-api-migration-checklist/).

## Comment noter les sorties ?

| Critère | Note 1 | Note 5 |
| --- | --- | --- |
| Intention comprise | Contresens sur le dialecte | Correcte, argot compris |
| Grammaire et fluidité | Erreurs ou accords cassés | Se lit comme un auteur natif |
| Registre | Mauvais dialecte ou trop formel | Exactement ce que demandait le prompt |
| Faits, noms, nombres | Modifiés ou inventés | Exacts |
| Écriture | Translittération latine ou mélange | Écriture arabe de bout en bout |

Faites la moyenne par tâche, pas globalement. Un modèle noté 4,5 en rédaction et 2 en dialecte n’est pas le même choix qu’un modèle noté 3,5 sur les deux.

## Le prompt système change-t-il le résultat ?

Oui, au point de modifier le classement. Utilisez le même prompt système pour chaque candidat, et indiquez le dialecte attendu, le registre souhaité en retour et le traitement des nombres et des noms anglais. [Le prompt engineering en arabe](https://broadrouter.com/fr/blog/arabic-prompt-engineering/) propose un modèle complet. Gardez ce prompt identique d’un appel à l’autre pour qu’il soit lu depuis le cache sur les modèles qui ont un prix d’[entrée en cache](https://broadrouter.com/fr/blog/cached-input-tokens-explained/).

## Pourquoi l’arabe coûte-t-il plus de tokens que l’anglais ?

Le texte arabe se découpe souvent en plus de [tokens](https://broadrouter.com/fr/glossary/token/) par mot que l’anglais, et le ratio varie d’un modèle à l’autre. Deux modèles au même prix par token peuvent avoir des coûts différents par message arabe. Collez un échantillon de votre texte réel dans le [compteur de tokens arabe](https://broadrouter.com/tools/arabic-token-counter/), confirmez avec `prompt_tokens` sur une requête réelle pour chaque candidat, puis projetez la facture mensuelle avec le [calculateur de coût d’API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/). La méthode pour mesurer votre propre ratio est dans [tokens par mot en arabe et en anglais](https://broadrouter.com/fr/blog/tokens-per-word-arabic-english/). Pour l’effet sur la facture selon le modèle et le fournisseur, voyez notre [jeu de données sur le coût réel par langue](https://broadrouter.com/data/real-cost-by-language/), qui chiffre 1 million de caractères d’arabe, de ses dialectes et d’autres langues avec le tokenizer propre à chaque modèle.

## Un LLM peut-il lire des factures et des images en arabe ?

Pour les factures, reçus et formulaires, envoyez la photo à un [modèle vision-langage](https://broadrouter.com/fr/glossary/vision-language-model/) et demandez du JSON. Le [guide des factures arabes](https://broadrouter.com/fr/guides/read-arabic-invoices-with-vision/) contient du code fonctionnel, et [OCR arabe ou LLM de vision](https://broadrouter.com/fr/blog/arabic-ocr-vision-llm/) explique quand l’OCR classique reste le meilleur outil. Vérifiez soigneusement les nombres : les chiffres arabes orientaux (٠١٢٣) et occidentaux (0123) coexistent sur les reçus du Golfe.

## Et les notes vocales et appels en arabe ?

Pour les notes vocales et les appels, transcrivez d’abord avec un modèle de speech-to-text arabe, puis envoyez le texte au LLM. BroadNet Transcribe Arabic coûte $0.0042 par minute d’audio. [Comment choisir une API speech-to-text pour l’arabe](https://broadrouter.com/fr/blog/arabic-speech-to-text-api-buyers-guide/).

## Pourquoi certaines réponses en arabe reviennent-elles vides ?

DeepSeek V4.1 Flash et Qwen3.8 27B raisonnent avant de répondre, et ces [tokens de raisonnement](https://broadrouter.com/fr/glossary/reasoning-tokens/) comptent dans `max_tokens`. Les réponses en arabe peuvent être longues : laissez de la marge, sinon la réponse visible revient vide. [Pourquoi cela arrive et comment le corriger](https://broadrouter.com/fr/guides/reasoning-tokens-empty-response/).

## Quelles erreurs éviter ?

-   **Faire noter par des non-natifs.** Les problèmes de fluidité sont invisibles pour un apprenant.
-   **Mélanger les dialectes dans une seule note.** Gardez séparés les résultats du Golfe, égyptiens et levantins.
-   **Se fier à des jeux de test traduits.** Un texte traduit de l’anglais ne ressemble pas à ce qu’écrivent de vrais utilisateurs arabophones.
-   **Oublier l’affichage de droite à gauche.** Des lignes mêlant arabe et anglais peuvent s’afficher dans le désordre dans votre interface. Testez l’affichage, pas seulement le texte.

## La place de BroadNet Inference

BroadNet propose un modèle de chat testé en arabe, deux alternatives moins chères ou illimitées, et du speech-to-text arabe sur une même clé compatible OpenAI, sans conservation du contenu. Il ne publie pas de scores de benchmark en arabe pour ses modèles de chat au-delà de ses propres tests : faites donc passer le jeu de test ci-dessus avant de vous engager. Si un modèle d’un autre fournisseur l’emporte sur votre dialecte, ce résultat compte plus que n’importe quel catalogue.

Outils gratuits sur ce sujet (en anglais)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Outils gratuits (en anglais)](https://broadrouter.com/tools/)

## Termes de cet article

[Token](https://broadrouter.com/fr/glossary/token/)

Un token est l’unité de texte qu’un modèle de langage lit et écrit : un mot, une partie de mot, un signe de ponctuation ou une suite d’octets produite par le tokenizer du modèle. Les API LLM comptent, limitent et facturent généralement l’usage en tokens.

[API compatible OpenAI](https://broadrouter.com/fr/glossary/openai-compatible-api/)

Une API compatible OpenAI est une API HTTP qui accepte les mêmes formats de requête et de réponse que l’API OpenAI, comme POST /v1/chat/completions. Les SDK et outils OpenAI peuvent donc l’utiliser en changeant seulement l’URL de base, la clé d’API et le nom du modèle.

[Arabe standard moderne (MSA)](https://broadrouter.com/fr/glossary/msa/)

L’arabe standard moderne (MSA) est la forme standardisée de l’arabe utilisée à l’écrit, dans l’information, l’enseignement et le discours formel dans tout le monde arabe. Ce n’est la langue maternelle de personne : on parle au quotidien des dialectes régionaux, comme l’égyptien ou l’arabe du Golfe, et on passe au MSA dans les contextes formels.

[Speech-to-text (reconnaissance vocale)](https://broadrouter.com/fr/glossary/speech-to-text/)

Le speech-to-text, ou reconnaissance automatique de la parole (ASR), est une technologie qui convertit l’audio parlé en texte écrit. Une API speech-to-text accepte un fichier ou un flux audio et renvoie une transcription, généralement facturée à la minute d’audio. La précision se mesure avec le taux d’erreur de mots et varie selon l’accent, le dialecte et la qualité d’enregistrement.

[Appel d’outils (tool calling, function calling)](https://broadrouter.com/fr/glossary/tool-calling/)

L’appel d’outils, aussi appelé function calling, est une fonctionnalité des API LLM dans laquelle le modèle renvoie une demande structurée d’exécution d’une fonction définie par le développeur, avec des arguments JSON. L’application exécute la fonction et renvoie le résultat ; le modèle n’exécute jamais de code lui-même.

[Arabe dialectal (dialectal Arabic)](https://broadrouter.com/fr/glossary/dialectal-arabic/)

L’arabe dialectal est l’arabe parlé au quotidien dans une région ou une ville, comme l’égyptien, l’arabe du Golfe, le levantin ou le maghrébin. Les dialectes diffèrent de l’arabe standard moderne par les sons, les mots et la grammaire, n’ont pas d’orthographe standard et s’écrivent de plus en plus en ligne, ce qui complique la tâche des modèles de langage.

[Prompt système (system prompt)](https://broadrouter.com/fr/glossary/system-prompt/)

Le prompt système est le texte d’instructions qu’une application envoie à un modèle de langage avant la conversation, généralement sous forme de message au rôle system ou developer. Il fixe le rôle, les règles, le ton et le format de sortie du modèle, qui est censé le suivre même face à des messages contradictoires de l’utilisateur.

[Fournisseur d’inférence (inference provider)](https://broadrouter.com/fr/glossary/inference-provider/)

Un fournisseur d’inférence est une entreprise qui fait tourner des modèles de machine learning, souvent des LLM open-weight, sur des GPU qu’elle possède, loue ou prend en location, et qui en vend l’accès via une API, généralement facturée au token, à la requête ou au temps. Il gère le service, la montée en charge et le matériel.

## Questions fréquentes

### Quel modèle BroadNet est le meilleur pour l’arabe ?

BroadNet a testé Qwen3.8 27B en arabe et indique une rédaction fluide, la compréhension des dialectes du Golfe et égyptien, et une traduction arabe–anglais exacte. Testez-le, ainsi que DeepSeek V4.1 Flash, sur vos propres prompts.

### Quel est le meilleur LLM pour l’arabe ?

Cela dépend de la tâche et du dialecte. Servez-vous de classements publics comme l’Open Arabic LLM Leaderboard ou BALSAM pour présélectionner, puis faites noter la présélection par un locuteur natif sur 50 de vos propres entrées. Un modèle en tête d’un benchmark peut tout de même sonner raide dans votre dialecte.

### Un LLM peut-il lire des documents et des images en arabe ?

Les modèles de vision comme Qwen3.8 27B, DeepSeek V4.1 Flash et BroadNet Gemma 4 VL 26B acceptent les images : ils peuvent donc lire des photos de factures, reçus et formulaires en arabe et renvoyer du JSON.

### Quelles API LLM prennent en charge l’arabe ?

La plupart des API de chat généralistes acceptent l’arabe, mais la qualité varie selon le dialecte. Les modèles conçus d’abord pour l’arabe, comme Jais 2, Falcon-H1-Arabic, ALLaM et Fanar, n’avaient aucun prix d’API au token publié par leur éditeur au 14 novembre 2026. Jais 2 est en open weights à auto-héberger, ALLaM tourne sur IBM watsonx.ai en déploiement dédié facturé à l’heure, et Fanar donne accès à son API sur demande.

### Pourquoi un texte arabe coûte-t-il plus de tokens qu’un texte anglais ?

Les tokenizers sont souvent entraînés sur davantage d’anglais que d’arabe : les mots arabes ont donc tendance à se découper en plus de tokens. L’effet varie selon le modèle ; comparez prompt\_tokens sur le même texte arabe pour chaque candidat.

### Un LLM peut-il répondre en dialecte du Golfe ou égyptien ?

Beaucoup le peuvent, mais la qualité varie davantage qu’en arabe standard moderne. Demandez explicitement le dialecte dans le prompt système et faites noter les réponses par un locuteur natif.

## À lire ensuite

-   [PDPL saoudienne et émiratie et API LLM : checklist des transferts](https://broadrouter.com/fr/blog/saudi-uae-pdpl-llm-api-checklist/)
-   [API speech-to-text pour l’arabe : comment la choisir en 2026](https://broadrouter.com/fr/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Passer à une API compatible OpenAI : la checklist de migration](https://broadrouter.com/fr/blog/openai-compatible-api-migration-checklist/)
-   [Tokens d’entrée en cache : réduire la facture d’une API LLM](https://broadrouter.com/fr/blog/cached-input-tokens-explained/)
-   [Vocaliser un texte arabe avec un LLM : prompt, contrôles, DER](https://broadrouter.com/fr/blog/arabic-diacritization-llm/)
-   [Correction grammaticale et orthographique de l’arabe par LLM : guide](https://broadrouter.com/fr/blog/arabic-grammar-spelling-correction-llm/)
-   [Guide : Lire des factures et reçus arabes avec un modèle de vision](https://broadrouter.com/fr/guides/read-arabic-invoices-with-vision/)
-   [Guide : API speech-to-text pour l’arabe, étape par étape](https://broadrouter.com/fr/guides/arabic-speech-to-text-api/)
-   [Guide : Pourquoi un modèle de raisonnement renvoie une réponse vide](https://broadrouter.com/fr/guides/reasoning-tokens-empty-response/)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-choosing-an-llm-for-arabic&utm_content=page-cta) ·

**Sources**

-   [Page des tarifs de BroadNet Inference, mention « Tested in Arabic » pour Qwen3.8 27B (consultée le 2026-11-14) (en anglais)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-choosing-an-llm-for-arabic&utm_content=sources)
-   [Prix lisibles par machine de BroadNet Inference, pricing.json (consulté le 2026-11-14) (en anglais)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-choosing-an-llm-for-arabic&utm_content=sources)
-   [Référence de l’API de BroadNet Inference (consultée le 2026-11-14) (en anglais)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-choosing-an-llm-for-arabic&utm_content=sources)
-   [Open Arabic LLM Leaderboard (OALL) sur Hugging Face (consulté le 2026-11-14)](https://huggingface.co/spaces/OALL/Open-Arabic-LLM-Leaderboard)
-   [BALSAM: A Platform for Benchmarking Arabic Large Language Models (arXiv 2507.22603 ; consulté le 2026-11-14)](https://arxiv.org/abs/2507.22603)
-   [Hugging Face, fiche du modèle inceptionai/Jais-2-70B-Chat : Apache 2.0, contexte de 8 192, aucun Inference Provider (vérifiée le 2026-11-14)](https://huggingface.co/inceptionai/Jais-2-70B-Chat)
-   [Changelog GitHub, modèles dépréciés dans GitHub Models : retrait de Jais-30b-chat (31 octobre 2025 ; vérifié le 2026-11-14)](https://github.blog/changelog/2025-10-31-deprecated-models-in-github-models)
-   [Blog Hugging Face, Introducing Falcon-H1-Arabic (5 janvier 2026 ; vérifié le 2026-11-14)](https://huggingface.co/blog/tiiuae/falcon-h1-arabic)
-   [IBM watsonx.ai, modèles de fondation pris en charge : allam-1-13b-instruct en déploiement à la demande (vérifié le 2026-11-14)](https://www.ibm.com/docs/en/SSYOK8/wsj/analyze-data/fm-models.html)
-   [IBM watsonx.ai, détails de facturation des ressources d’IA générative : déploiement à la demande facturé à l’heure (vérifié le 2026-11-14)](https://www.ibm.com/docs/en/SSYOK8/wsj/getting-started/wxai-runtime-plans-genai.html)
-   [Hugging Face, fiche du modèle humain-ai/ALLaM-7B-Instruct-preview : Apache 2.0 (vérifiée le 2026-11-14)](https://huggingface.co/humain-ai/ALLaM-7B-Instruct-preview)
-   [Fanar, plateforme d’IA arabe du QCRI : accès à l’API sur demande (vérifié le 2026-11-14)](https://fanar.qa/en)
