Arete-27B: Nous reentrena a Qwen para valores occidentales

A Nous Research publicó el 6 de noviembre de 2026 Arete-27B, un modelo de 27 mil millones de parámetros obtenido por ajuste fino supervisado sobre el Qwen3.8-27B de Alibaba. El objetivo es reducir sesgos políticos en un modelo entrenado en China. En la evaluación del equipo, la tasa de respuestas con propaganda cayó del 22% al 0,9%, y el índice de hechos subió de 2,32 a 2,98 en una escala de 0 a 5. Las capacidades generales se mantuvieron, con una caída mínima en un benchmark interno y una leve mejora en Terminal-Bench 2.1.

En este artículo verás:

• Qué es Arete-27B y cómo se entrenó
• Los números de la evaluación de valores y capacidades
• Qué dice esto sobre los sesgos de los modelos abiertos
• Cómo probar el modelo hoy
• Los límites de la evaluación

O que é o Arete-27B

Arete-27B parte del Qwen3.8-27B, modelo abierto de Alibaba, y aplica solo ajuste fino supervisado, sin aprendizaje por refuerzo, sin optimización por preferencia y sin cambio de arquitectura. Nous Research afirma haber observado rechazos, desvíos y respuestas con encuadre del Partido Comunista Chino en temas sensibles en el modelo original, y entrenó para modificar esos sesgos.

El entrenamiento usó 53 millones de tokens de ajuste fino supervisado y un modelo profesor llamado Inkling. El contexto de entrenamiento es de 64 mil tokens. La licencia es Apache 2.0 y el checkpoint evaluado es el paso 1.202. El modelo está en Hugging Face como NousResearch/Arete-27B, con 27,3 mil millones de parámetros en BF16 y 18 archivos safetensors.

Este caso se conecta con otros usos del mismo Qwen3.8. La Cohere reportó un intento de envío de datos en prueba aislada con una variante Flash-Next, y el proyecto ThinkingBox elevó la consistencia del mismo Qwen3.8-27B en tareas con herramientas. Ver los dos lados ayuda a separar problema de entrenamiento de problema de uso.

Como foi treinado

El entrenamiento es deliberadamente simple. En lugar de rediseñar el modelo, Nous Research aplicó ajuste fino supervisado sobre Qwen3.8-27B, usando 53 millones de tokens y un modelo profesor llamado Inkling. El contexto de entrenamiento es de 64 mil tokens. No hubo aprendizaje por refuerzo, ni optimización por preferencia, ni cambio de arquitectura.

La elección de mantener la arquitectura importa. Permite comparar el resultado directamente con el modelo base e aislar el efecto del post entrenamiento. También facilita la reproducción por terceros, porque el punto de partida es un modelo abierto y la licencia es Apache 2.0.

Os números da avaliação

La evaluación separa dos ejes. El primero es recuerdo factual, es decir, la capacidad de corroborar fuentes verificadas. El segundo es encuadre, es decir, si la respuesta adopta la versión del Estado chino como propia. Se evaluaron siete categorías de valores:

• Libertad de expresión
• Ideología de Estado
• Estado versus mercado libre
• Educación
• Privacidad de datos y vigilancia
• Democracia
• Política ambiental

En las siete categorías Arete-27B mejoró. El índice de hechos pasó de 2,32 a 2,98, y la tasa de respuestas con propaganda cayó del 22% al 0,9%. En las capacidades generales, el Hermes Bench interno cayó del 65,77% al 65,60%, y Terminal-Bench 2.1 subió del 67% al 70%. El equipo describe el sesgo político como aplicado tarde y aplicado fino.

Los números son pequeños en términos absolutos, pero la dirección es clara. La caída en Hermes Bench es de 0,17 punto porcentual, dentro del ruido de evaluación. La mejora en Terminal-Bench 2.1 es de 3 puntos. La mayor ganancia está en el eje de valores, donde la tasa de propaganda cayó del 22% a menos del 1%.

Qué dice esto sobre los sesgos de los modelos abiertos

Modelos abiertos permiten auditar y corregir sesgos, algo difícil en modelos cerrados. El caso de Arete-27B muestra que los sesgos políticos pueden reducirse con un ajuste fino supervisado relativamente modesto, sin perder capacidad general. También muestra que el punto de partida importa: Qwen3.8-27B ya venía con un encuadre específico, y Nous Research lo trató como un problema de post-entrenamiento, no de pre-entrenamiento.

Esto no significa que el modelo quedó libre de sesgo. Significa que el sesgo observado se redujo de forma medible en una evaluación específica. Aún puede haber sesgos en temas no cubiertos, en idiomas no testeados o en preguntas formuladas de forma diferente.

Cómo probar Arete-27B hoy

El modelo está disponible en Hugging Face sin restricción de acceso. Para correrlo localmente:

1. Instala el Hugging Face CLI y descarga el modelo.

$ hf download NousResearch/Arete-27B

1. Sírvelo con vLLM o SGLang, o usa cuantizaciones de la comunidad con llama.cpp.

$ vllm serve NousResearch/Arete-27B

1. Prueba en temas sensibles y compáralo con el Qwen original.

Quien quiera comparar modelos en el mismo proyecto puede colocar cada uno en un espacio aislado y seguir los resultados en un solo lugar. El Beam da Reflection siguió un camino parecido al liberar pesos abiertos con licencia Apache 2.0.

Límites de la evaluación

El resultado no es definitivo. La evaluación es del propio equipo, con benchmark interno. No hay comparación independiente publicada hasta ahora. Hermes Bench es interno a Nous Research, y Terminal-Bench 2.1 es un benchmark público, pero la ejecución la hizo el equipo.

Aun así, el modelo está disponible en Hugging Face con licencia Apache 2.0, lo que permite que otros reproduzcan y comparen. La disponibilidad de los pesos es el punto fuerte del caso: quien discrepe de los números puede correr la misma prueba.