Nous lanza Arete-27B: solo SFT sobre Qwen3.8-27B, las respuestas autoevaluadas como propagandísticas bajan del 22% al 0,9%
Según MarkTechPost del 7 de noviembre de 2026, Nous Research lanzó Arete-27B: modifica Alibaba Qwen3.8-27B únicamente con ajuste fino supervisado; en su autoevaluación de 803 prompts, las respuestas propagandísticas caen del 22% al 0,9% y la media de factualidad sube de 2,32 a 2,98. Los pesos se publican bajo Apache 2.0, pero actualmente ningún proveedor de inferencia gestionada ofrece el modelo.
Qué ha cambiado
Según MarkTechPost del 7 de noviembre de 2026 (autor Asif Razzaq), Nous Research lanzó Arete-27B, un modelo de pesos abiertos de 27000 millones de parámetros densos resultante de ajuste fino supervisado sobre Alibaba Qwen3.8-27B. La nota afirma que esta modificación usó solo SFT, sin aprendizaje por refuerzo, sin optimización de preferencias y sin cambios de arquitectura; los pesos se publican bajo Apache 2.0, igual que la base. El entrenamiento usó unos 52,8 millones de tokens, contexto de 64k, 2 épocas, 1202 pasos, tamaño de lote 48 y tasa de aprendizaje máxima de 1e-5; se entrenaron todos los pesos del modelo de lenguaje, el codificador visual quedó congelado porque los datos eran solo texto y la cabeza de predicción multi-token se desactivó. El modelo profesor es Inkling, modelo abierto de Thinking Machines; Nous dice que eligió un profesor abierto para evitar restricciones de términos de uso sobre destilación y que no usó Nemotron 3 Ultra por su historial en temas relacionados con China. El conjunto de datos asociado, arete-data-pairs, contiene 34878 prompts en 7 temas; cada prompt tiene respuestas de Inkling y de Qwen, y 29236 respuestas del profesor aceptadas forman el conjunto de entrenamiento SFT. El conjunto de evaluación Propaganda_Eval tiene 803 prompts que cubren 7 categorías de valores y lo puntúa Grok 4.7, con una media de factualidad de 0 a 5 y el porcentaje de respuestas con “cualquier propaganda”; la puntuación exige citar la redacción exacta para marcar propaganda, y los prompts de entrenamiento solapados con el conjunto de evaluación fueron eliminados. El conjunto de evaluación se publica bajo licencia MIT con el script de puntuación. Los resultados reportados son: la media de factualidad sube de 2,32 a 2,98, la proporción de propaganda baja del 22% al 0,9% y las respuestas con 0 puntos bajan de 359 a 216 de 803; el mayor cambio está en la categoría de libertad de expresión, donde la puntuación de factualidad sube de 0,89 a 2,44 y la propaganda baja del 60% al 1%.
Impacto para desarrolladores
Lo que realmente merece atención para los desarrolladores es el método, no una puntuación aislada: solo con SFT y sin tocar la arquitectura se puede cambiar de forma notable un tipo de comportamiento de respuesta en la autoevaluación del fabricante, y la nota afirma además que las capacidades se mantienen en general: Hermes Bench pasa de 65,77% a 65,60%, lo que Nous llama ruido; Terminal-Bench 2.1 sube de 67% a 70% en el marco de pruebas de Nous, y Nous no atribuye esa mejora a su entrenamiento. En otras palabras, el cambio de orientación de valores parece más barato de lo esperado, pero el coste se registra en otro lado: la media de factualidad de 2,98 sigue por debajo del 3,02 de Muse Glimmer 30B en la tabla de la nota, y la proporción de propaganda de Arete, 0,9%, también es superior al 0,5% de Muse Glimmer y Gemma 4 31B, mientras que 216 de 803 respuestas siguen con 0 puntos. Esto significa que “repetir menos la línea oficial” y “decir bien los hechos” son dos dimensiones independientes, y una métrica no sustituye a la otra. En despliegue, la nota afirma que actualmente ningún proveedor de inferencia gestionada ofrece el modelo; los pesos BF16 ocupan 53,81 GB y la cuantización comunitaria Q4_K_M, 17,20 GB, ejecutable en llama.cpp, LM Studio y Ollama; la versión GGUF incluye además el proyector de imagen. Pero la base Qwen3.8-27B soporta de forma nativa 262144 tokens y el contexto de la versión ajustada figura como “no divulgado (entrenado a 64k)”, por lo que faltan datos sobre el rendimiento real en contexto largo y en la ruta de imagen. En licencias, la nota afirma que los pesos son Apache 2.0 y el conjunto de evaluación MIT; los términos concretos y los límites comerciales deben verificarse en la tarjeta del modelo y en la página del conjunto de datos antes de usarlo. Además, el coste implícito de sustituir la mayoría de modelos está en los prompts y las instrucciones de sistema: si antes se dependía del comportamiento de rechazo de la base como red de seguridad, al cambiar a esta versión ajustada la tasa de rechazo cambiará y la lógica de seguridad debe ajustarse en consecuencia.
Integración y evaluación
Lo siguiente son recomendaciones condicionales e inferencias, no hechos de la nota. Primero, si sustituir la base local por Arete-27B. El cambio descrito es una caída notable del mismo tipo de comportamiento en la autoevaluación, pero los datos de capacidad vienen de marcos distintos: la base, según la cifra oficial de Qwen, obtiene 73,0 en Terminal-Bench 2.1, mientras que 67% y 70% provienen del marco de pruebas de Nous, así que no se pueden restar directamente. Solo vale la pena poner Arete-27B como candidato si tu carga son tareas de agente de terminal o de código, necesitas autohospedaje y puedes aceptar no tener servicio gestionado; si dependes de una API gestionada o necesitas el aval de benchmarks oficiales, quédate por ahora con la base: Qwen3.8 27B ya está en el catálogo del sitio, y precios y cuotas se rigen por la página de precios del sitio. Como criterio, conviene ejecutar ambos con un pequeño conjunto propio de peticiones reales (por ejemplo, de 50 a 200 tickets históricos o tareas de script), comparar la tasa de éxito de tareas y la tasa de rechazo, y fijar un umbral aceptable de caída del éxito antes de decidir. Segundo, si adoptar el método de evaluación de Nous como puerta de despliegue. El cambio disponible es que el conjunto de evaluación se publica bajo MIT con script de puntuación, pero la puntuación depende de un modelo cerrado de terceros como Grok 4.7, y cambiar el modelo evaluador no garantiza resultados consistentes. La condición previa es tener un modelo evaluador con capacidad de seguimiento de instrucciones comparable y que tu tráfico real caiga de hecho en las 7 categorías cubiertas; el procedimiento es validar primero la consistencia: anotar manualmente de 50 a 100 casos y compararlos uno a uno con los resultados del evaluador; solo si la coincidencia alcanza el umbral que fijes (por ejemplo, nueve de cada diez) úsalo para regresión por lotes; de lo contrario, tómalo solo como referencia orientativa. Tercero, la elección de nivel de cuantización y ruta modal. El cambio descrito es que 24 GB de VRAM de consumo corresponden a la versión comunitaria Q4_K_M de 17,20 GB, y que el codificador visual quedó congelado con datos solo de texto. Si tu escenario necesita entrada de imagen o un contexto efectivo superior a 64k, primero compara la versión cuantizada y la BF16 con el mismo lote de prompts, midiendo por separado la deriva de comportamiento tras la cuantización y el punto de truncado de texto largo, y luego decide si bajar de nivel de compresión o descartar el modelo.
Límites y cuestiones pendientes
Estas cifras provienen de una evaluación ejecutada por Nous Research, con Grok 4.7 como modelo evaluador; la nota no menciona replicación por terceros ni pruebas ciegas, así que la comparación del 22% al 0,9% debe tomarse como autoevaluación del fabricante y no como conclusión verificada de forma independiente. La comparación entre modelos de la tabla tampoco es del todo equivalente: Arete y Qwen se ejecutan a temperatura 0, mientras que Muse Glimmer y Gemma lo hacen a 0,6, y las cifras de Terminal-Bench provienen de marcos de prueba distintos. La longitud de contexto de la versión ajustada no se divulga y faltan datos sobre el comportamiento en contexto largo y en la ruta de imagen; además, la media de factualidad de 2,98 sigue por detrás de modelos similares. En el momento de esta verificación del catálogo, Arete-27B no aparece en el catálogo de modelos de KimiSeek; la descarga de pesos y la ejecución local descritas en la nota remiten a los canales de publicación de Nous Research y a las cuantizaciones comunitarias, y su disponibilidad debe confirmarse con el fabricante o con proveedores posteriores; la base Qwen3.8 27B del catálogo es otra versión, y su inclusión no implica que Arete-27B esté disponible. La nota también afirma que actualmente ningún proveedor de inferencia gestionada ofrece el modelo, por lo que cualquier disponibilidad vía API también depende del lado del fabricante. Además, este tipo de ajuste de orientación de contenido implica requisitos de cumplimiento y políticas de contenido distintos según el mercado, que deben evaluarse de forma independiente antes del despliegue; este texto no constituye asesoramiento de cumplimiento.