NousがArete-27Bを公開:Qwen3.8-27Bを純粋なSFTで調整、自己評価で宣伝的回答が22%から0.9%に低下
MarkTechPostの2026年11月7日の報道によると、Nous ResearchはArete-27Bを公開した。AlibabaのQwen3.8-27Bを教師あり微調整のみで改変したもので、803件のプロンプトによる自己評価で宣伝的な回答が22%から0.9%に下がり、事実平均は2.32から2.98に上昇した。重みはApache 2.0で公開されているが、現時点でこのモデルを提供するホスト型推論事業者はない。
主な変更
MarkTechPostの2026年11月7日の記事(執筆者Asif Razzaq)によると、Nous ResearchはArete-27Bを公開した。AlibabaのQwen3.8-27Bに教師あり微調整を施した、270億の密なパラメータを持つオープンウェイトモデルである。報道によれば、今回の改変はSFTのみで、強化学習も選好最適化もアーキテクチャの変更もなく、重みはベースモデルと同じApache 2.0で公開された。訓練は約5280万トークン、64kコンテキスト、2エポック、1202ステップ、バッチサイズ48、ピーク学習率1e-5で、言語モデルの重みはすべて訓練し、視覚エンコーダはデータが純粋なテキストであるため凍結し、マルチトークン予測ヘッドは無効化した。教師モデルはThinking MachinesのオープンモデルInklingで、Nousは蒸留に関する利用規約の制限を避けるためオープンな教師を選んだと述べ、Nemotron 3 Ultraは中国関連の話題における記録を理由に採用しなかった。 付随するデータセットarete-data-pairsは34878件のプロンプトを7つのテーマにわたり収録し、各プロンプトにはInklingとQwenの回答が併記されている。そのうち採用された教師回答29236件がSFT訓練セットを構成する。評価セットPropaganda_Evalは803件のプロンプトを7つの価値カテゴリにわたり収録し、Grok 4.7が採点して、0から5の事実平均と「いかなる宣伝」に該当する回答の割合をそれぞれ出す。採点では正確な言い回しを引用できた場合にのみ宣伝と判定することを求めており、評価セットと重複する訓練プロンプトは削除済みで、評価セットはMITライセンスで採点スクリプト付きで公開された。報道が示す結果は、事実平均が2.32から2.98に上昇、宣伝の割合が22%から0.9%に低下、0点の回答が803件中359件から216件に減少したというものだ。最も変化が大きかったのは言論の自由のカテゴリで、事実スコアは0.89から2.44に、宣伝は60%から1%になった。
開発者への影響
開発者が今回の公開で本当に注目すべきは個々のスコアではなく手法である。SFTのみでアーキテクチャに手を付けずに、ベンダー自身の評価においてある種の回答行動を大きく変えられる一方、報道によれば能力はおおむね維持されている。Hermes Benchは65.77%から65.60%で、Nous自身がこれをノイズと呼んでいる。Terminal-Bench 2.1はNousのテスト枠組みで67%から70%に上昇したが、Nousはこの上昇を自社の訓練の成果とはしていない。つまり価値観の方向付けの変更は見かけ上安価だが、代償は別のところに記録される。事実平均2.98は報道の表にあるMuse Glimmer 30Bの3.02をなお下回り、宣伝の割合でもAreteの0.9%はMuse GlimmerとGemma 4 31Bの0.5%より高く、803件のうち216件は依然0点である。これは「公式見解の繰り返しを減らすこと」と「事実を正しく述べること」が独立した二つの軸であり、一方の指標で他方を代替できないことを意味する。配備面では、報道によれば現時点でこのモデルを提供するホスト型推論事業者はなく、BF16の重みは53.81 GB、コミュニティのQ4_K_M量子化版は17.20 GBで、llama.cpp、LM Studio、Ollamaで動作し、GGUF版には画像プロジェクタも付く。ただしベースのQwen3.8-27Bはネイティブで262144トークンをサポートするのに対し、微調整版のコンテキストは「未公開(64kで訓練)」と記載され、長いコンテキストと画像経路の実際の性能にはデータが乏しい。ライセンス面では、報道は重みがApache 2.0、評価セットがMITだとしているが、具体的な条項と商用利用の境界は使用前にモデルカードとデータセットのページで確認すべきである。また、多くのモデル差し替えに伴う隠れたコストはプロンプトとシステム語にある。従来ベースの拒否行動を安全策の最後の砦にしていた場合、この微調整版に替えると拒否率が変わるため、その仕組みも合わせて調整する必要がある。
導入と評価の提案
以下は条件付きの提案と推論であり、報道された事実ではない。第一に、ローカルのベースモデルをArete-27Bに置き換えるかどうか。報道されている変化は同種の行動が自己評価で大きく減ったことだが、能力のデータは出所が異なる。ベースはQwen公式の枠組みでTerminal-Bench 2.1が73.0なのに対し、67%と70%はNousのテスト枠組みの数字であり、直接引き算はできない。あなたの負荷が端末やコーディング系のエージェントタスクで、同時にセルフホストが必須でホスト型サービスがなくても許容できる場合に限り、Arete-27Bを候補に入れる価値がある。ホスト型APIに依存する場合や公式ベンチマークの裏付けが必要な場合は、まずベースに留まるべきだ。ベースのQwen3.8 27Bは当サイトの掲載一覧にあり、料金と枠はサイトの料金ページによる。判断基準としては、自分の小さな実リクエスト群(例えば過去のチケットやスクリプトタスク50〜200件)で両方を走らせ、タスク通過率と拒否率を比べ、通過率の低下について許容できるしきい値を決めてから判断することを勧める。第二に、Nousの評価手法をリリース前のゲートとして採用するかどうか。利用できる変化は評価セットがMITで採点スクリプト付きで公開されたことだが、採点はGrok 4.7のような第三者のクローズドモデルに依存し、採点モデルを替えると同じ結果になるとは限らない。前提として、指示追従能力が同等の採点モデルを手元に持ち、あなたの本番トラフィックが実際にそれが覆う7カテゴリに収まる必要がある。進め方はまず一貫性の検証で、50〜100件を人手で注釈し、採点結果と一件ずつ突き合わせ、一致率が設定したしきい値(例えば9割)に達してから一括回帰に使う。そうでなければ方向性の参考にとどめる。第三に、量子化の段階とモダリティ経路の選択。報道が示す変化は、24GBのコンシューマ向けVRAMに対応するコミュニティのQ4_K_M、17.20 GB版であり、同時に視覚エンコーダは純粋なテキストデータで凍結されている。あなたの用途が画像入力や64kを超える有効コンテキストを必要とするなら、量子化版とBF16版を同じプロンプト群で比較し、量子化後の行動のずれと長文の切り詰め位置をそれぞれ測ってから、圧縮段階を選ぶかこのモデルを諦めるかを決めるべきだ。
制限と未確認事項
これらの数字はNous Research自身が実施した評価によるもので、採点モデルはGrok 4.7であり、報道は第三者の再現やブラインドテストに触れていない。したがって22%から0.9%という比較はベンダー自身の評価結果として扱うべきで、独立に検証された結論ではない。表のモデル間比較も条件が完全には同一でない。AreteとQwenは温度0で実行され、Muse GlimmerとGemmaは0.6で実行され、Terminal-Benchの数字は異なるテスト枠組みに由来する。微調整版のコンテキスト長は未公開で、長いコンテキストと画像経路の挙動にはデータが乏しく、事実平均2.98も同種モデルになお後れを取っている。今回のカタログ確認時点で、Arete-27BはKimiSeekのモデルカタログには現れていない。報道が述べる重みのダウンロードとローカル実行の方法はNous Researchの公開チャネルとコミュニティの量子化版を指しており、その可用性はベンダーまたは後続の事業者の発表によるべきである。カタログにあるベースのQwen3.8 27Bは別のバージョンであり、それが収録されていることはArete-27Bが利用可能であることを意味しない。報道はまた、現時点でこのモデルを提供するホスト型推論事業者はないとしており、API接続の可用性も同様にベンダー側を指す。さらに、この種の内容の方向付けの調整は市場ごとのコンプライアンスとコンテンツポリシーの要件に関わるため、配備前に独立した評価が必要であり、本稿はコンプライアンス上の助言を構成しない。