Nous afirma que un ajuste fino de 53 millones de tokens elimina el sesgo político de Qwen3.8-27B y publica Arete-27B con pesos abiertos
Según The Decoder, el 7 de noviembre de 2026, Nous Research aplicó un ajuste fino supervisado de unos 53 millones de tokens a Qwen3.8-27B, de Alibaba, para obtener el modelo de pesos abiertos Arete-27B: en una prueba propia de 803 indicaciones, la proporción de respuestas propagandísticas cayó del 22 % al 0,9 % y la exactitud fáctica subió de 2,32 a 2,98, mientras que la capacidad general, según Nous, apenas cambió.

Qué ha cambiado
El núcleo de la noticia no es el lanzamiento de una nueva base, sino un experimento de posentrenamiento sobre el comportamiento de alineación. Según el artículo de The Decoder del 7 de noviembre de 2026 y las explicaciones de Nous Research, Qwen3.8-27B, de Alibaba, tiende a rechazar o eludir ciertos temas sensibles y a usar formulaciones alineadas con la postura oficial; Nous entrenó Arete-27B con un ajuste fino supervisado de unos 53 millones de tokens y dos épocas, sin aprendizaje por refuerzo ni optimización de preferencias, y afirma haber eliminado previamente la superposición entre las indicaciones de entrenamiento y las de prueba. La evaluación es propia de Nous: 803 indicaciones repartidas en siete categorías (libertad de expresión, ideología estatal, educación, privacidad y vigilancia, democracia y medio ambiente), cada una con 2 a 4 hechos procedentes de fuentes con fecha (leyes, reportajes o artículos de investigación). Grok 4.7, de xAI, actúa como juez y determina si la respuesta menciona, omite o contradice los hechos; el juez debe citar las palabras concretas y no sabe de qué modelo proviene la respuesta. Según el reportaje, el Qwen3.8-27B sin modificar obtuvo 2,32 de exactitud fáctica (sobre 5) y un 22 % de respuestas con contenido propagandístico; Arete-27B obtuvo 2,98 y 0,9 %, respectivamente. La mayor caída se dio en la categoría de libertad de expresión, donde la puntuación fáctica pasó de 0,89 a 2,44 y la tasa de propaganda bajó del 60 % al 1 %. En la misma comparación, el reportaje sitúa a GLM-5.3 en el 15 % y a DeepSeek V4.1 Flash en el 16 %, mientras que modelos occidentales como Mistral Large 4 y Gemma 4 31B quedan por debajo del 1 %; también cita un estudio de ValsAI según el cual el comportamiento de los distintos modelos chinos no es uniforme. En cuanto a la capacidad general, Nous reporta un 65,60 % en su Hermes Bench interno frente al 65,77 % de la base; en Terminal-Bench 2.1 pasó del 67 % al 70 %, aunque Nous admite que la configuración de la prueba era distinta y que no supone una mejora real. La conclusión de Nous es que la capa de sesgo de los modelos alineados con la postura china es "muy superficial": se aplica tarde y de forma fina, y un ajuste supervisado curado de 50 millones de tokens basta para eliminarla sin alterar las capas inferiores. El reportaje indica que los pesos, el conjunto de datos de prueba y los datos de entrenamiento de Arete-27B se publican en Hugging Face bajo licencia Apache 2.0, y que Nous sospecha que las anomalías de Nvidia Nemotron 3 Ultra en temas relacionados con China provienen de la contaminación causada por el uso de modelos chinos de pesos abiertos para generar datos de entrenamiento, algo que también habría ocurrido en su propio proyecto.
Impacto para desarrolladores
El siguiente es un análisis y una valoración basados en el reportaje citado, no una conclusión reproducida por este sitio. Lo primero que cambia esta noticia es la expectativa sobre la transferibilidad de la "capa de alineación". Si el método y las cifras de Nous se sostienen, reajustar la tendencia de respuesta en temas sensibles de un modelo chino de pesos abiertos podría costar del orden de decenas de millones de tokens de datos supervisados más un SFT convencional, sin rehacer el preentrenamiento ni depender del aprendizaje por refuerzo. Esto incide directamente en si estás dispuesto a usar estos pesos en escenarios con requisitos de encuadre discursivo, como asistencia a la moderación de contenidos para varias regiones, recuperación aumentada sobre temas políticos o resúmenes de opinión pública. A la inversa, el reportaje también señala que el sesgo puede transmitirse entre modelos estudiantes a través de datos sintéticos: Nous afirma haber visto anomalías en Nemotron 3 Ultra, sospecha que el origen son modelos chinos de pesos abiertos en los datos de entrenamiento y dice que su propio proyecto sufrió una contaminación similar. Esto significa que, al elegir un modelo profesor para generar datos, ya estás tomando una decisión de encuadre, y ese paso suele ocurrir antes que la elección del modelo de despliegue. Lo segundo es que el propio criterio de evaluación se convierte en una variable de integración. El juez de este informe es un único modelo, Grok 4.7, y el conjunto de prueba lo construyó la parte evaluada; el criterio de "propaganda" (repetir la narrativa oficial, respaldarla o tratarla como una opinión igual de válida) ya incorpora una postura, y el reportaje menciona que se considera que el modelo juez tiene inclinación política de derecha y que el idioma y el formato de las respuestas influyen notablemente en los resultados. Por eso, las proporciones del informe sirven mejor como señal orientativa que como puntuaciones para incluir directamente en un documento de selección. Si vas a usar estas cifras en una revisión interna, conviene registrar también qué modelo actuó como juez y si el idioma y el formato de las indicaciones eran uniformes; de lo contrario, los resultados de distintos lotes no serán comparables.
Integración y evaluación
Las tres recomendaciones siguientes son condicionales y no son hechos del reportaje. 1. Usar directamente los pesos de Arete-27B o reentrenar una versión con tu propio encuadre. El cambio que reporta la noticia es que un ajuste fino supervisado de unos 50 millones de tokens puede reducir cierta tendencia de respuesta del 22 % a menos del 1 %, al parecer sin dañar de forma apreciable la capacidad general. La elección depende de si buscas "neutralidad" u "otra postura explícita": según el reportaje, Arete-27B adopta valores occidentales, mientras que Hermes 3, de Nous, de 2024, seguía una línea neutral configurable mediante indicaciones de sistema. Si tu negocio exige no tomar partido (atención al cliente transfronteriza, búsqueda académica), cambiar a unos pesos con una postura explícita solo invierte la dirección del sesgo y sigue requiriendo restricciones en la capa de indicaciones. Criterio de aceptación medible: usar de 100 a 200 indicaciones de límites sensibles propias del negocio, cada una con 2 a 4 hechos de referencia con fuente citada, y con un juez fijo medir por separado, para la base y para los pesos candidatos, la tasa de contradicción con los hechos de referencia, la tasa de rechazo y la tasa de evasión, en lugar de mirar solo la puntuación total. 2. Crear una línea base por categorías o comparar solo la puntuación total del modelo. El cambio que reporta la noticia es que las tasas de propaganda de distintos modelos chinos de pesos abiertos difieren claramente (Qwen3.8-27B 22 %, GLM-5.3 15 %, DeepSeek V4.1 Flash 16 %) y que en Arete-27B la mayor caída se concentra en la categoría de libertad de expresión. La elección depende de si tu producto va a recibir realmente esas preguntas: la mayoría de las bases de conocimiento internas no lo hará; la recuperación aumentada o la generación de contenidos sobre asuntos públicos, sí. Criterio medible: al menos 20 indicaciones por cada categoría realmente cubierta, registrando por separado la tasa de rechazo, la tasa de evasión y la tasa de contradicción con los hechos de referencia, y ordenando por categoría en lugar de por puntuación total del modelo; se sugiere bajar la tasa de contradicción en las categorías que realmente se activan por debajo del 5 % antes de pasar a la siguiente fase de selección. 3. Añadir un muestreo por temas en la cadena de datos sintéticos. El cambio que reporta la noticia es que la contaminación puede venir de los datos de entrenamiento y no del modelo desplegado. La condición que lo activa es que estés usando modelos de pesos abiertos para generar datos de SFT o datos de evaluación. Criterio medible: tomar de 50 a 100 muestras por cada una de las siete categorías de los datos de instrucciones generados, medir con el mismo proceso de evaluación que en producción la tasa de contradicción con los hechos de referencia y fijar este muestreo para cada cambio de modelo profesor.
Límites y cuestiones pendientes
Las proporciones y puntuaciones del informe proceden de pruebas propias y resultados autodeclarados de Nous Research; The Decoder los reproduce y este sitio no ha hecho una reproducción independiente. El juez es un único modelo, Grok 4.7, y el conjunto de prueba lo construyó la parte evaluada; las 803 indicaciones cubren siete categorías, una escala limitada. El propio reportaje menciona la inclinación política del modelo juez y la influencia notable del idioma y el formato de las respuestas en los resultados. La base de "capacidad general intacta" es el Hermes Bench interno de Nous (65,60 % frente a 65,77 %) y Terminal-Bench 2.1 (del 67 % al 70 %, con el reconocimiento de Nous de que la configuración era distinta); la puntuación de 3,07 con el modo de razonamiento activado se basa solo en dos de cinco ejecuciones. La longitud mediana de los datos de entrenamiento es de unos 866 tokens y la mayoría de las muestras no llega a 1000 tokens, lo que se aleja bastante de la distribución de solicitudes reales de contexto largo. La inferencia sobre la contaminación (que las anomalías de Nemotron 3 Ultra provienen de datos sintéticos) y la afirmación de que se eliminó la superposición entre indicaciones de entrenamiento y de prueba son declaraciones de Nous sin verificación de terceros. Arete-27B no aparece actualmente en el catálogo de modelos de KimiSeek; el canal de publicación del reportaje son los pesos y datos que Nous Research ofrece en Hugging Face, y su disponibilidad, términos de licencia y actualizaciones posteriores dependen de su publicador y no implican que pueda invocarse a través de este sitio. La base Qwen3.8 27B sí tiene una entrada correspondiente en el catálogo de este sitio, pero son productos distintos y no son intercambiables. El reportaje indica que los pesos, el conjunto de datos de prueba y los datos de entrenamiento se publican bajo licencia Apache 2.0; se trata de una declaración en el plano de la licencia, y que los pesos se puedan descargar no equivale al alcance de la autorización: antes de usarlos conviene verificar el texto de la licencia en el repositorio del publicador.
Ilustraciones de la noticia original

