← Todas as notícias

Nous lança Arete-27B: SFT puro sobre Qwen3.8-27B reduz respostas autopromocionais de 22% para 0,9% na autoavaliação

Segundo o MarkTechPost, em 7 de novembro de 2026, a Nous Research lançou o Arete-27B: um ajuste do Qwen3.8-27B da Alibaba apenas com supervised fine-tuning, cuja autoavaliação em 803 prompts reduziu as respostas promocionais de 22% para 0,9% e elevou a média factual de 2,32 para 2,98; os pesos são publicados sob Apache 2.0, mas nenhum provedor de inferência gerenciada oferece o modelo no momento.

Publicado Atualizado

O que mudou

Segundo o MarkTechPost, em 7 de novembro de 2026 (autor Asif Razzaq), a Nous Research lançou o Arete-27B, um modelo de pesos abertos com 27 bilhões de parâmetros densos resultante de supervised fine-tuning sobre o Qwen3.8-27B da Alibaba. A reportagem afirma que a adaptação usou apenas SFT, sem reinforcement learning, sem otimização de preferências e sem alteração de arquitetura, com pesos publicados sob Apache 2.0, a mesma licença da base; o treino usou cerca de 52,8 milhões de tokens, contexto de 64k, 2 épocas, 1202 passos, batch de 48 e taxa de aprendizado de pico de 1e-5, com todos os pesos do modelo de linguagem treinados, o codificador visual congelado por causa dos dados apenas textuais e o cabeçalho de previsão multi-token desativado. O modelo professor é o Inkling, modelo aberto da Thinking Machines; a Nous diz ter escolhido um professor aberto para evitar restrições de termos de uso sobre destilação e não ter adotado o Nemotron 3 Ultra por seu histórico em temas relacionados à China. O conjunto de dados associado, arete-data-pairs, contém 34.878 prompts em 7 temas, cada um com respostas do Inkling e do Qwen, das quais 29.236 respostas do professor aceitas formam o conjunto de treino SFT. O conjunto de avaliação Propaganda_Eval tem 803 prompts cobrindo 7 categorias de valores, pontuados pelo Grok 4.7, gerando uma média factual de 0 a 5 e a proporção de respostas com “qualquer propaganda”; o julgamento exige citação textual precisa para marcar propaganda, e prompts de treino sobrepostos ao conjunto de avaliação foram removidos, com o conjunto publicado sob licença MIT e script de pontuação. Os resultados relatados: a média factual subiu de 2,32 para 2,98, a proporção de propaganda caiu de 22% para 0,9%, e as respostas com nota 0 caíram de 359 para 216 entre 803; a maior mudança foi na categoria liberdade de expressão, com nota factual de 0,89 para 2,44 e propaganda de 60% para 1%.

Impacto para desenvolvedores

O que realmente merece atenção dos desenvolvedores nesta publicação é o método, não os números isolados: fazer apenas SFT, sem mexer na arquitetura, já altera de forma significativa um tipo de comportamento de resposta na autoavaliação do fornecedor, e a reportagem afirma que as capacidades se mantiveram em grande parte — Hermes Bench de 65,77% para 65,60%, que a própria Nous chama de ruído; Terminal-Bench 2.1 de 67% para 70% no framework de testes da Nous, sem que a Nous atribua essa melhora ao próprio treino. Em outras palavras, mudar a orientação de valores parece mais barato do que o esperado, mas o custo aparece em outro lugar: a média factual de 2,98 ainda fica abaixo dos 3,02 do Muse Glimmer 30B na tabela da reportagem, e a proporção de propaganda do Arete, 0,9%, é maior que os 0,5% do Muse Glimmer e do Gemma 4 31B, enquanto 216 dos 803 prompts ainda recebem nota 0. Isso significa que “repetir menos o discurso oficial” e “acertar os fatos” são dimensões independentes, e uma métrica não substitui a outra. No nível de implantação, a reportagem diz que nenhum provedor de inferência gerenciada oferece o modelo atualmente, com pesos BF16 de 53,81 GB e quantização Q4_K_M da comunidade de 17,20 GB, executável em llama.cpp, LM Studio e Ollama, com a versão GGUF incluindo também o projetor de imagens; porém, a base Qwen3.8-27B suporta nativamente 262.144 tokens, e o contexto da versão ajustada é indicado como “não divulgado (treinado em 64k)”, faltando dados sobre o desempenho real em contexto longo e no caminho de imagens. Sobre licenciamento, a reportagem afirma pesos em Apache 2.0 e conjunto de avaliação em MIT, mas os termos exatos e os limites de uso comercial devem ser verificados no model card e na página do conjunto de dados antes do uso. Além disso, o custo oculto da maioria das trocas de modelo está nos prompts e nas instruções de sistema: se antes se dependia do comportamento de recusa da base como salvaguarda de segurança, a taxa de recusa mudará com esta versão ajustada, e a lógica de proteção precisa ser ajustada junto.

Integração e avaliação

As sugestões e inferências a seguir são condicionais e não são fatos da reportagem. Primeiro, se vale substituir a base local pelo Arete-27B. A mudança relatada é uma queda acentuada de um tipo de comportamento na autoavaliação, mas os dados de capacidade vêm de métricas diferentes: a base, nos números oficiais da Qwen, tem 73,0 no Terminal-Bench 2.1, enquanto 67% e 70% vêm do framework de testes da Nous e não podem ser subtraídos diretamente. Se sua carga for de tarefas de agente em terminal ou codificação, e você precisar de autohospedagem e puder aceitar a ausência de serviço gerenciado, vale incluir o Arete-27B como candidato; se depender de API gerenciada ou de respaldo em benchmarks oficiais, fique na base — o Qwen3.8 27B base já está no catálogo do site, e preços e cotas seguem a página de preços do site. Como critério de decisão, recomenda-se usar um pequeno conjunto próprio de requisições reais (por exemplo, 50 a 200 tickets históricos ou tarefas de script) para rodar os dois modelos e comparar taxa de conclusão de tarefas e taxa de recusa, definindo um limite aceitável de queda na conclusão antes de decidir. Segundo, se adotar o método de avaliação da Nous como gate de lançamento. O que está disponível é um conjunto de avaliação publicado sob MIT com script de pontuação, mas a pontuação depende de um modelo fechado de terceiros como o Grok 4.7, e trocar o modelo juiz pode não dar resultados consistentes. O pré-requisito é ter um modelo juiz com capacidade de seguir instruções comparável e que seu tráfego real caia de fato nas 7 categorias cobertas; o procedimento é fazer primeiro uma validação de consistência, anotando manualmente 50 a 100 itens e comparando um a um com o resultado do juiz, e só usar em regressão em lote depois que a concordância atingir o limite definido (por exemplo, nove em cada dez); caso contrário, use apenas como referência direcional. Terceiro, a escolha do nível de quantização e do caminho multimodal. A mudança relatada é a versão Q4_K_M da comunidade com 17,20 GB, adequada a GPUs de consumo de 24 GB, com o codificador visual congelado por causa dos dados apenas textuais. Se seu cenário exigir entrada de imagens ou contexto efetivo acima de 64k, coloque primeiro a versão quantizada e a BF16 no mesmo lote de prompts, medindo separadamente a derivação de comportamento após a quantização e o ponto de truncamento de textos longos, e então decida entre reduzir a quantização ou abandonar o modelo.

Limites e pontos a confirmar

Esses números vêm da avaliação conduzida pela própria Nous Research, com o Grok 4.7 como modelo juiz, e a reportagem não menciona reprodução independente nem teste cego; portanto, a comparação de 22% para 0,9% deve ser tratada como resultado de autoavaliação do fornecedor, não como conclusão verificada de forma independente. A comparação entre modelos na tabela também não é totalmente equivalente: Arete e Qwen rodaram com temperatura 0, enquanto Muse Glimmer e Gemma rodaram com 0,6, e os números do Terminal-Bench vêm de frameworks de teste diferentes. O comprimento de contexto da versão ajustada não foi divulgado, faltam dados sobre o comportamento em contexto longo e no caminho de imagens, e a média factual de 2,98 ainda fica atrás de modelos semelhantes. Na data desta verificação do catálogo, o Arete-27B não aparece no catálogo de modelos do KimiSeek; o download de pesos e a execução local descritos na reportagem apontam para os canais de publicação da Nous Research e para quantizações da comunidade, e a disponibilidade deve ser confirmada com o fornecedor ou com provedores posteriores; o Qwen3.8 27B base no catálogo é outra versão, e sua presença não significa que o Arete-27B esteja disponível. A reportagem também afirma que nenhum provedor de inferência gerenciada oferece o modelo atualmente, então qualquer disponibilidade de acesso via API também se refere ao lado do fornecedor. Além disso, ajustes desse tipo de orientação de conteúdo envolvem exigências regulatórias e de política de conteúdo de diferentes mercados, que precisam ser avaliadas de forma independente antes da implantação; este texto não constitui orientação de conformidade.

Três minutos até a primeira chamada

Crie uma conta e uma chave de API. O custo das chamadas é descontado do seu saldo. 30% de desconto na primeira recarga. Recarregue ¥500, pague ¥350, receba ¥500 de saldo. Recarregue ¥1000, pague ¥850, receba ¥1000 de saldo A recarga mínima continua sendo ¥10, adequada para testes.

Fontes e processo editorial

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

A IA auxiliou a análise e a tradução das fontes citadas, seguidas de verificações automáticas. Recomendações não são resultados de testes. Consulte o catálogo atual para preços e disponibilidade.