← Toutes les actualités

Nous publie Arete-27B : un SFT pur appliqué à Qwen3.8-27B, les réponses jugées promotionnelles passant de 22 % à 0,9 % selon son auto-évaluation

Selon un article de MarkTechPost du 7 novembre 2026, Nous Research publie Arete-27B, une adaptation d'Alibaba Qwen3.8-27B par apprentissage supervisé uniquement. Dans une auto-évaluation portant sur 803 prompts, les réponses promotionnelles passent de 22 % à 0,9 % et la moyenne factuelle de 2,32 à 2,98. Les poids sont publiés sous Apache 2.0, mais aucun fournisseur d'inférence hébergée ne propose actuellement le modèle.

Publication Mise à jour

Ce qui change

Selon un article de MarkTechPost du 7 novembre 2026 (auteur Asif Razzaq), Nous Research publie Arete-27B, un modèle à poids ouverts de 27 milliards de paramètres denses issu d'un apprentissage supervisé sur Alibaba Qwen3.8-27B. L'article indique que cette adaptation n'utilise que du SFT, sans apprentissage par renforcement, sans optimisation par préférences et sans modification d'architecture. Les poids sont publiés sous Apache 2.0, comme le modèle de base. L'entraînement a porté sur environ 52,8 millions de tokens, avec un contexte de 64k, 2 époques, 1202 étapes, une taille de lot de 48 et un taux d'apprentissage maximal de 1e-5. Tous les poids du modèle de langage sont entraînés, tandis que l'encodeur visuel est gelé faute de données autres que du texte et que la tête de prédiction multi-token est désactivée. Le modèle enseignant est Inkling, modèle ouvert de Thinking Machines ; Nous affirme avoir choisi un enseignant ouvert pour éviter les restrictions de conditions d'utilisation liées à la distillation, et avoir écarté Nemotron 3 Ultra en raison de son historique sur les sujets chinois. Le jeu de données associé, arete-data-pairs, contient 34878 prompts répartis en 7 thèmes ; chaque prompt comporte à la fois une réponse d'Inkling et une de Qwen, et 29236 réponses d'enseignant acceptées constituent le jeu d'entraînement SFT. Le jeu d'évaluation Propaganda_Eval contient 803 prompts couvrant 7 catégories de valeurs, notés par Grok 4.7, qui attribue une moyenne factuelle de 0 à 5 et une proportion de réponses contenant « toute propagande ». La notation exige une citation exacte du libellé pour marquer une propagande ; les prompts d'entraînement chevauchant le jeu d'évaluation ont été supprimés. Le jeu d'évaluation est publié sous licence MIT avec un script de notation. Les résultats rapportés sont les suivants : la moyenne factuelle passe de 2,32 à 2,98, la proportion de propagande de 22 % à 0,9 %, et les réponses notées 0 passent de 359 à 216 sur 803. La catégorie la plus modifiée est celle de la liberté d'expression, avec une note factuelle passant de 0,89 à 2,44 et la propagande de 60 % à 1 %.

Conséquences pour les développeurs

Ce qui mérite vraiment l'attention des développeurs dans cette publication, c'est la méthode plutôt que les scores isolés : un SFT seul, sans toucher à l'architecture, suffit à modifier nettement une catégorie de comportement de réponse dans l'auto-évaluation du fournisseur, et l'article affirme en parallèle que les capacités sont globalement préservées — Hermes Bench passe de 65,77 % à 65,60 %, ce que Nous qualifie lui-même de bruit ; Terminal-Bench 2.1 passe de 67 % à 70 % dans le cadre de test de Nous, qui n'attribue pas cette amélioration à son propre entraînement. Autrement dit, une modification d'orientation des valeurs semble moins coûteuse que prévu, mais le prix se paie ailleurs : la moyenne factuelle de 2,98 reste inférieure à celle de Muse Glimmer 30B, 3,02, dans le tableau de l'article, et la proportion de propagande d'Arete, 0,9 %, reste supérieure aux 0,5 % de Muse Glimmer et de Gemma 4 31B, tandis que 216 réponses sur 803 obtiennent encore 0. Cela signifie que « moins répéter la ligne officielle » et « énoncer correctement les faits » sont deux dimensions distinctes, et qu'un indicateur ne peut remplacer l'autre. Sur le plan du déploiement, l'article indique qu'aucun fournisseur d'inférence hébergée ne propose actuellement le modèle ; les poids BF16 font 53,81 Go, la quantification communautaire Q4_K_M 17,20 Go, exécutable dans llama.cpp, LM Studio et Ollama, et la version GGUF inclut aussi un projecteur d'images. Mais le modèle de base Qwen3.8-27B prend nativement en charge 262144 tokens, tandis que la version affinée est annotée avec un contexte « non divulgué (entraîné sur 64k) » : les performances réelles sur les longs contextes et le chemin image manquent de données. Côté licence, l'article indique des poids sous Apache 2.0 et un jeu d'évaluation sous MIT ; les clauses précises et les limites d'usage commercial doivent néanmoins être vérifiées sur la fiche du modèle et la page du jeu de données avant utilisation. Enfin, le coût caché de la plupart des remplacements de modèle se situe dans les prompts et les messages système : si l'on s'appuyait sur le comportement de refus du modèle de base comme garde-fou de sécurité, le taux de refus changera avec cette version affinée, et la logique de garde-fou devra être ajustée en conséquence.

Intégration et évaluation

Les points suivants sont des recommandations conditionnelles et des déductions, non des faits rapportés. Premièrement, faut-il remplacer le modèle de base local par Arete-27B ? Le changement rapporté est une forte baisse d'un comportement de même nature dans l'auto-évaluation, mais les données de capacités proviennent de cadres différents : le Terminal-Bench 2.1 du modèle de base selon les chiffres officiels de Qwen est de 73,0, tandis que 67 % et 70 % viennent du cadre de test de Nous et ne peuvent être soustraits directement. Si votre charge de travail consiste en tâches d'agent de terminal ou de codage, que vous devez auto-héberger et que l'absence de service hébergé est acceptable, alors seulement Arete-27B mérite d'entrer dans les candidats ; si vous dépendez d'une API hébergée ou avez besoin d'une validation par des benchmarks officiels, restez d'abord sur le modèle de base — Qwen3.8 27B figure déjà dans le catalogue du site, et la tarification et les quotas sont ceux de la page de tarifs du site. Comme critère de décision, faites tourner les deux modèles sur un petit ensemble de vos vraies requêtes (par exemple 50 à 200 tickets historiques ou tâches de script) et comparez le taux de réussite des tâches et le taux de refus, en fixant à l'avance un seuil acceptable de baisse du taux de réussite. Deuxièmement, faut-il adopter la méthode d'évaluation de Nous comme critère de mise en production ? Le changement exploitable est que le jeu d'évaluation est publié sous MIT avec un script de notation, mais la notation dépend d'un modèle tiers fermé comme Grok 4.7, et les résultats ne seraient pas nécessairement identiques avec un autre modèle de notation. La condition préalable est de disposer d'un modèle de notation de capacité comparable en suivi d'instructions, et que votre trafic en ligne tombe réellement dans les 7 catégories couvertes ; la méthode consiste à vérifier d'abord la cohérence en annotant manuellement 50 à 100 exemples et en les comparant un à un aux résultats de notation, puis à utiliser le dispositif pour des régressions par lots seulement si le taux de concordance atteint le seuil que vous fixez (par exemple 90 %) ; sinon, ne le prenez que comme indication de tendance. Troisièmement, le choix du niveau de quantification et du chemin modal. Le changement rapporté est qu'une carte graphique grand public de 24 Go de mémoire correspond à la version Q4_K_M communautaire de 17,20 Go, et que l'encodeur visuel a été gelé sur des données purement textuelles. Si votre cas d'usage nécessite une entrée d'image ou un contexte effectif supérieur à 64k, comparez d'abord la version quantifiée et la version BF16 sur le même lot de prompts, en mesurant séparément la dérive de comportement due à la quantification et le point de troncature des textes longs, avant de décider de réduire le niveau de quantification ou d'abandonner ce modèle.

Limites et points à confirmer

Ces chiffres proviennent d'une évaluation menée par Nous Research lui-même, avec Grok 4.7 comme modèle de notation ; l'article ne mentionne ni reproduction par un tiers ni test en aveugle, si bien que la comparaison de 22 % à 0,9 % doit être considérée comme un résultat d'auto-évaluation du fournisseur, et non comme une conclusion validée indépendamment. La comparaison entre modèles dans le tableau n'est pas non plus à conditions strictement égales : Arete et Qwen tournent à température 0, Muse Glimmer et Gemma à 0,6, et les chiffres de Terminal-Bench proviennent de cadres de test différents. La longueur de contexte de la version affinée n'est pas divulguée, les données manquent sur le comportement en contexte long et sur le chemin image, et la moyenne factuelle de 2,98 reste en retard sur des modèles comparables. Au moment de cette vérification du catalogue, Arete-27B n'apparaît pas dans le catalogue de modèles de KimiSeek ; le téléchargement des poids et l'exécution locale décrits dans l'article renvoient aux canaux de publication de Nous Research et aux versions quantifiées communautaires, dont la disponibilité dépend de ce que publieront le fournisseur ou d'éventuels fournisseurs de services ultérieurs ; le Qwen3.8 27B du catalogue est une autre version, et sa présence ne signifie pas qu'Arete-27B est disponible. L'article indique aussi qu'aucun fournisseur d'inférence hébergée ne propose actuellement ce modèle, si bien que toute disponibilité via une API dépend également du côté du fournisseur. En outre, ce type d'ajustement d'orientation de contenu touche aux exigences de conformité et de politique de contenu de différents marchés, qu'il convient d'évaluer indépendamment avant tout déploiement ; cet article ne constitue pas un avis de conformité.

Trois minutes jusqu’au premier appel

Créez un compte et une clé API. Le coût des appels est déduit de votre solde. 30 % de réduction sur la première recharge. Rechargez ¥500, payez ¥350, recevez ¥500 de crédit. Rechargez ¥1000, payez ¥850, recevez ¥1000 de crédit Vous pouvez toujours commencer par une recharge d’essai de ¥10.

Sources et méthode éditoriale

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

L’IA a assisté l’analyse et la traduction des sources citées, suivies de contrôles automatiques. Les conseils ne sont pas des résultats de tests. Consultez le catalogue actuel pour les prix et la disponibilité.