Nous Research lanzó Arete-27B el 7 de noviembre, un ajuste fino con licencia Apache 2.0 del Qwen3.8-27B de Alibaba, reajustado para responder preguntas políticamente sensibles con menos encuadre estatal chino. Los pesos, los datos de entrenamiento y los materiales de evaluación están publicados en Hugging Face, así que cualquiera puede inspeccionar o repetir el trabajo.

La receta es deliberadamente sencilla: ajuste fino supervisado clásico de unos 52,8 millones de tokens en dos épocas y 1.202 pasos, sin aprendizaje por refuerzo, sin optimización de preferencias y sin cambios en la arquitectura. Un modelo maestro llamado Inkling generó 20.000 prompts en siete categorías sensibles a los valores: libertad de expresión, ideología estatal, Estado frente a mercado libre, educación, privacidad de datos y vigilancia, democracia y medio ambiente.

En la propia prueba de Nous, de 803 prompts evaluados a ciegas por Grok 4.7, las respuestas señaladas como adoptantes de la posición del Estado chino cayeron del 22 % en el modelo base al 0,9 % en Arete-27B. El mayor cambio fue en libertad de expresión, donde la tasa de señalización bajó del 60 % al 1 % mientras la puntuación factual subía de 0,89 a 2,44. La capacidad general se mantuvo casi igual: Arete logró 65,60 % en el Hermes Bench de Nous frente al 65,77 % del modelo base.

Las cifras principales vienen de la propia Nous, con sus reglas de puntuación y un juez automatizado: no han sido replicadas de forma independiente. Ese es el sentido de publicar la evaluación: los 803 prompts, los materiales fuente, las instrucciones de puntuación y los ejemplos de entrenamiento son públicos, para que otros laboratorios comprueben si el cambio se sostiene con otras reglas.

En la práctica, el modelo es una descarga de 27.000 millones de parámetros de unos 54 GB en BF16, y las cuantizaciones de la comunidad permiten ejecutarlo en GPU de consumo con 24 GB de VRAM. Es una de las primeras recetas abiertas de realineación de valores construida sobre un modelo fundacional chino puntero, y una prueba en vivo de cuánto de la política de un modelo es postentrenamiento y cuánto viene arraigado desde el inicio.

Fuentes