← Alle Modellneuigkeiten

Nous veröffentlicht Arete-27B: reines SFT auf Qwen3.8-27B, propagandistische Antworten laut Eigenevaluation von 22 % auf 0,9 %

Laut einem Bericht von MarkTechPost vom 7. November 2026 hat Nous Research Arete-27B veröffentlicht: Alibabas Qwen3.8-27B wurde ausschließlich per Supervised Fine-Tuning verändert; in der Eigenevaluation über 803 Prompts sank der Anteil propagandistischer Antworten von 22 % auf 0,9 %, der Faktenmittelwert stieg von 2,32 auf 2,98. Die Gewichte erscheinen unter Apache 2.0, derzeit bietet jedoch kein gehosteter Inferenzanbieter das Modell an.

Veröffentlicht Aktualisiert

Was sich geändert hat

Laut MarkTechPost vom 7. November 2026 (Autor: Asif Razzaq) hat Nous Research Arete-27B veröffentlicht, ein dichtes Open-Weight-Modell mit 27 Milliarden Parametern, das durch Supervised Fine-Tuning aus Alibabas Qwen3.8-27B hervorgegangen ist. Dem Bericht zufolge wurde nur SFT eingesetzt – kein Reinforcement Learning, keine Präferenzoptimierung, keine Architekturänderung –, die Gewichte erscheinen unter Apache 2.0 wie die Basis. Das Training umfasste rund 52,8 Millionen Tokens, 64k Kontext, 2 Epochen, 1202 Schritte, Batch-Größe 48 und eine Spitzenlernrate von 1e-5; alle Sprachmodellgewichte wurden trainiert, der visuelle Encoder blieb wegen reiner Textdaten eingefroren, und der Multi-Token-Prediction-Kopf wurde deaktiviert. Als Lehrermodell diente Inklings, das offene Modell von Thinking Machines; Nous begründet die Wahl eines offenen Lehrers mit dem Vermeiden von Nutzungsbeschränkungen beim Distillieren und verzichtete wegen der Vorgeschichte von Nemotron 3 Ultra bei China-Themen auf dieses. Der begleitende Datensatz arete-data-pairs enthält 34878 Prompts zu 7 Themen; zu jedem Prompt liegen Antworten von Inkling und Qwen vor, wobei 29236 akzeptierte Lehrerantworten den SFT-Trainingssatz bilden. Das Evaluationsset Propaganda_Eval umfasst 803 Prompts in 7 Wertkategorien, bewertet von Grok 4.7, mit einem Faktenmittelwert von 0 bis 5 und dem Anteil der Antworten mit „irgendeiner Propaganda“; für die Einstufung als Propaganda muss der Bewerter exakte Formulierungen zitieren, Trainingsprompts mit Überschneidung zum Evaluationsset wurden entfernt, und das Set erscheint unter MIT-Lizenz samt Bewertungsskript. Die berichteten Ergebnisse: Der Faktenmittelwert stieg von 2,32 auf 2,98, der Propaganda-Anteil fiel von 22 % auf 0,9 %, und Antworten mit 0 Punkten gingen von 359 auf 216 der 803 zurück; die größte Veränderung zeigte die Kategorie Meinungsfreiheit, wo der Faktenwert von 0,89 auf 2,44 und der Propaganda-Anteil von 60 % auf 1 % ging.

Auswirkungen für Entwickler

Für Entwickler ist an dieser Veröffentlichung vor allem die Methode interessant, nicht eine einzelne Punktzahl: Reines SFT ohne Architekturänderung kann in der Herstellerevaluation eine Klasse von Antwortverhalten deutlich verändern, während die Fähigkeiten dem Bericht zufolge weitgehend erhalten bleiben – Hermes Bench von 65,77 % auf 65,60 %, was Nous selbst als Rauschen bezeichnet; Terminal-Bench 2.1 stieg im Testrahmen von Nous von 67 % auf 70 %, wobei Nous diesen Anstieg nicht dem eigenen Training zuschreibt. Anders gesagt: Eine Veränderung der Werteausrichtung wirkt billiger als erwartet, doch die Kosten zeigen sich anderswo: Der Faktenmittelwert von 2,98 liegt noch unter den 3,02 von Muse Glimmer 30B in der Tabelle des Berichts, der Propaganda-Anteil von Arete mit 0,9 % über den 0,5 % von Muse Glimmer und Gemma 4 31B, und 216 der 803 Antworten erhalten weiterhin 0 Punkte. Das bedeutet: „weniger offizielle Sprachregelungen nachbeten“ und „Fakten korrekt wiedergeben“ sind zwei getrennte Dimensionen, und eine Kennzahl ersetzt die andere nicht. Auf der Deployment-Ebene heißt es im Bericht, derzeit biete kein gehosteter Inferenzanbieter das Modell an; die BF16-Gewichte umfassen 53,81 GB, die Community-Quantisierung Q4_K_M 17,20 GB, lauffähig in llama.cpp, LM Studio und Ollama, und die GGUF-Version bringt zusätzlich einen Bildprojektor mit. Die Basis Qwen3.8-27B unterstützt jedoch nativ 262144 Tokens, während der Kontext der Feintuning-Version als „nicht offengelegt (trainiert auf 64k)“ angegeben ist; zum tatsächlichen Verhalten bei langem Kontext und auf dem Bildpfad fehlen Daten. Zur Lizenz: Laut Bericht stehen die Gewichte unter Apache 2.0 und das Evaluationsset unter MIT; die genauen Bedingungen und Grenzen der kommerziellen Nutzung sollten vor dem Einsatz weiterhin auf der Modellkarte und der Datensatzseite geprüft werden. Zudem liegen die versteckten Kosten eines Modellwechsels meist in Prompts und Systemanweisungen: Wer sich bisher auf das Verweigerungsverhalten der Basis als Sicherheitsnetz verlassen hat, muss die Auffanglogik anpassen, da sich die Verweigerungsrate mit der Feintuning-Version ändert.

Integration und Bewertung

Die folgenden Hinweise sind bedingte Empfehlungen und Schlussfolgerungen, keine berichteten Fakten. Erstens: Soll Arete-27B die lokale Basis ersetzen? Die berichtete Veränderung ist ein starker Rückgang gleichartigen Verhaltens in der Eigenevaluation, doch die Fähigkeitsdaten stammen aus unterschiedlichen Messrahmen: Die Basis erreicht bei Terminal-Bench 2.1 nach offizieller Qwen-Angabe 73,0, während die 67 % und 70 % aus dem Testrahmen von Nous stammen und nicht direkt voneinander abgezogen werden können. Nur wenn Ihre Last aus Terminal- oder Coding-Agentenaufgaben besteht, Sie zwingend selbst hosten müssen und ohne gehosteten Dienst auskommen, lohnt es sich, Arete-27B in die Auswahl aufzunehmen; wer eine gehostete API oder offizielle Benchmark-Bestätigung braucht, bleibt zunächst bei der Basis – Qwen3.8 27B ist im Katalog der Seite gelistet, Preise und Kontingente richten sich nach der Preisseite. Als Entscheidungskriterium empfiehlt sich ein eigener kleiner Satz echter Anfragen (etwa 50 bis 200 frühere Tickets oder Skriptaufgaben), den beide Modelle durchlaufen; vergleichen Sie Aufgabenbestehensrate und Verweigerungsrate und legen Sie vorab einen akzeptablen Schwellenwert für den Rückgang der Bestehensrate fest. Zweitens: Taugt die Evaluationsmethode von Nous als Freigabekriterium vor dem Deployment? Verfügbar ist, dass das Evaluationsset unter MIT mit Bewertungsskript erscheint, doch die Bewertung hängt von einem geschlossenen Drittanbietermodell wie Grok 4.7 ab; mit einem anderen Bewerter wären die Ergebnisse nicht unbedingt gleich. Voraussetzung ist, dass Sie ein Bewertermodell mit vergleichbarer Instruktionsbefolgung zur Hand haben und Ihr Live-Traffic tatsächlich in die 7 abgedeckten Kategorien fällt; das Vorgehen: zuerst eine Konsistenzprüfung, bei der Sie 50 bis 100 manuell annotierte Beispiele Punkt für Punkt mit den Bewertungsergebnissen abgleichen und erst bei Erreichen eines von Ihnen gesetzten Schwellenwerts (etwa 90 %) die Methode für Batch-Regressionen nutzen, sonst nur als Orientierung. Drittens: Wahl der Quantisierungsstufe und des Modalitätspfads. Der Bericht nennt als Veränderung die Community-Version Q4_K_M mit 17,20 GB für 24 GB Verbraucher-VRAM, während der visuelle Encoder auf reinen Textdaten eingefroren wurde. Wenn Ihr Szenario Bildeingaben oder einen effektiven Kontext über 64k erfordert, sollten Sie die quantisierte und die BF16-Version zunächst mit denselben Prompts vergleichen, getrennt die Verhaltensdrift durch die Quantisierung und die Abbruchstelle bei langen Texten messen und dann entscheiden, ob Sie die Stufe komprimieren oder das Modell aufgeben.

Grenzen und offene Fragen

Diese Zahlen stammen aus einer von Nous Research selbst durchgeführten Evaluation, das Bewertermodell ist Grok 4.7; der Bericht erwähnt weder eine Reproduktion durch Dritte noch einen Blindtest, daher ist der Vergleich von 22 % auf 0,9 % als Herstellereigenevaluation zu werten, nicht als unabhängig bestätigtes Ergebnis. Auch die modellübergreifenden Vergleiche in der Tabelle sind nicht vollständig unter gleichen Bedingungen: Arete und Qwen liefen bei Temperatur 0, Muse Glimmer und Gemma bei 0,6, und die Terminal-Bench-Zahlen stammen aus unterschiedlichen Testrahmen. Die Kontextlänge der Feintuning-Version ist nicht offengelegt, zum Verhalten bei langem Kontext und auf dem Bildpfad fehlen Daten, und der Faktenmittelwert von 2,98 liegt weiterhin hinter vergleichbaren Modellen. Zum Zeitpunkt dieser Katalogprüfung erscheint Arete-27B nicht im Modellkatalog von KimiSeek; die im Bericht beschriebenen Gewichtsdownloads und lokalen Ausführungswege verweisen auf die Veröffentlichungskanäle von Nous Research und Community-Quantisierungen, deren Verfügbarkeit sich nach den Angaben des Herstellers oder späterer Anbieter richtet. Die im Katalog gelistete Basis Qwen3.8 27B ist eine andere Version; ihre Aufnahme bedeutet nicht, dass Arete-27B verfügbar ist. Der Bericht nennt zudem derzeit keinen gehosteten Inferenzanbieter für das Modell, daher bezieht sich jede Verfügbarkeit über eine API ebenfalls auf die Herstellerseite. Darüber hinaus berühren solche inhaltlichen Ausrichtungsänderungen Compliance- und Inhaltsrichtlinien verschiedener Märkte, die vor dem Deployment eigenständig zu prüfen sind; dieser Text ist keine Compliance-Beratung.

In drei Minuten zum ersten Aufruf

Erstelle ein Konto und einen API-Schlüssel. Aufrufe werden von deinem Guthaben abgebucht. 30 % Rabatt auf die erste Aufladung. ¥500 aufladen, ¥350 zahlen, ¥500 Guthaben erhalten. ¥1000 aufladen, ¥850 zahlen, ¥1000 Guthaben erhalten Die Mindestaufladung bleibt ¥10 und eignet sich zum Ausprobieren.

Quellen und redaktioneller Prozess

Nous Research 发布 Arete-27B:把 Qwen3.8-27B 的宣传性回答从 22% 降到 0.9%

KI unterstützte die Analyse und Übersetzung der genannten Quellen, gefolgt von automatischen Qualitätsprüfungen. Empfehlungen sind keine Testergebnisse. Verfügbarkeit und Preise stehen im aktuellen Katalog.