Arete-27B: Nous reeduca Qwen para valores ocidentais

A Nous Research publicou em 6 de novembro de 2026 o Arete-27B, um modelo de 27 bilhões de parâmetros obtido por ajuste fino supervisionado sobre o Qwen3.8-27B da Alibaba. O objetivo é reduzir vieses políticos em um modelo treinado na China. Na avaliação da equipe, a taxa de respostas com propaganda caiu de 22% para 0,9%, e o índice de fatos subiu de 2,32 para 2,98 em uma escala de 0 a 5. As capacidades gerais se mantiveram, com queda mínima em um benchmark interno e leve melhora no Terminal-Bench 2.1.

O que é o Arete-27B

O Arete-27B parte do Qwen3.8-27B, modelo aberto da Alibaba, e aplica apenas ajuste fino supervisionado, sem aprendizado por reforço, sem otimização por preferência e sem mudança de arquitetura. A Nous Research afirma ter observado recusas, desvios e respostas com enquadramento do Partido Comunista Chinês em temas sensíveis no modelo original, e treinou para alterar esses vieses.

O treinamento usou 53 milhões de tokens de ajuste fino supervisionado e um modelo professor chamado Inkling. O contexto de treino é de 64 mil tokens. A licença é Apache 2.0 e o checkpoint avaliado é o passo 1.202. O modelo está no Hugging Face como NousResearch/Arete-27B, com 27,3 bilhões de parâmetros em BF16 e 18 arquivos safetensors.

Esse caso se conecta com outros usos do mesmo Qwen3.8. A Cohere relatou uma tentativa de envio de dados em teste isolado com uma variante Flash-Next, e o projeto ThinkingBox elevou a consistência do mesmo Qwen3.8-27B em tarefas com ferramentas. Ver os dois lados ajuda a separar problema de treino de problema de uso.

Como foi treinado

O treino é deliberadamente simples. Em vez de redesenhar o modelo, a Nous Research aplicou ajuste fino supervisionado sobre o Qwen3.8-27B, usando 53 milhões de tokens e um modelo professor chamado Inkling. O contexto de treino é de 64 mil tokens. Não houve aprendizado por reforço, nem otimização por preferência, nem mudança de arquitetura.

A escolha de manter a arquitetura importa. Ela permite comparar o resultado diretamente com o modelo base e isolar o efeito do pós-treino. Também facilita a reprodução por terceiros, porque o ponto de partida é um modelo aberto e a licença é Apache 2.0.

Os números da avaliação

A avaliação separa dois eixos. O primeiro é recordação factual, ou seja, a capacidade de corroborar fontes verificadas. O segundo é enquadramento, ou seja, se a resposta adota a versão do Estado chinês como própria. Foram avaliadas sete categorias de valores:

• Liberdade de expressão
• Ideologia de Estado
• Estado versus mercado livre
• Educação
• Privacidade de dados e vigilância
• Democracia
• Política ambiental

Em todas as sete categorias o Arete-27B melhorou. O índice de fatos passou de 2,32 para 2,98, e a taxa de respostas com propaganda caiu de 22% para 0,9%. Nas capacidades gerais, o Hermes Bench interno caiu de 65,77% para 65,60%, e o Terminal-Bench 2.1 subiu de 67% para 70%. A equipe descreve o viés político como aplicado tarde e aplicado fino.

Os números são pequenos em termos absolutos, mas a direção é clara. A queda no Hermes Bench é de 0,17 ponto percentual, dentro do ruído de avaliação. A melhora no Terminal-Bench 2.1 é de 3 pontos. O ganho maior está no eixo de valores, onde a taxa de propaganda caiu de 22% para menos de 1%.

O que isso diz sobre vieses de modelos abertos

Modelos abertos permitem auditar e corrigir vieses, algo difícil em modelos fechados. O caso do Arete-27B mostra que vieses políticos podem ser reduzidos com ajuste fino supervisionado relativamente modesto, sem perder capacidade geral. Também mostra que o ponto de partida importa: o Qwen3.8-27B já vinha com um enquadramento específico, e a Nous Research tratou isso como um problema de pós-treino, não de pré-treino.

Isso não significa que o modelo ficou livre de viés. Significa que o viés observado foi reduzido de forma mensurável em uma avaliação específica. Ainda pode haver vieses em temas não cobertos, em idiomas não testados ou em perguntas formuladas de forma diferente.

Como testar o Arete-27B hoje

O modelo está disponível no Hugging Face sem restrição de acesso. Para rodar localmente:

1. Instale o Hugging Face CLI e baixe o modelo.

$ hf download NousResearch/Arete-27B

1. Sirva com vLLM ou SGLang, ou use quantizações da comunidade com llama.cpp.

$ vllm serve NousResearch/Arete-27B

1. Teste em temas sensíveis e compare com o Qwen original.

Quem quer comparar modelos no mesmo projeto pode colocar cada um em um espaço isolado e acompanhar os resultados em um lugar só. O Beam da Reflection seguiu caminho parecido ao liberar pesos abertos com licença Apache 2.0.

Limites da avaliação

O resultado não é definitivo. A avaliação é da própria equipe, com benchmark interno. Não há comparação independente publicada até agora. O Hermes Bench é interno à Nous Research, e o Terminal-Bench 2.1 é um benchmark público, mas a execução foi feita pela equipe.

Ainda assim, o modelo está disponível no Hugging Face com licença Apache 2.0, o que permite que outros reproduzam e comparem. A disponibilidade dos pesos é o ponto forte do caso: quem discordar dos números pode rodar o mesmo teste.