Nous afirma que ajuste fino com 53 milhões de tokens remove viés político do Qwen3.8-27B; Arete-27B tem pesos abertos
Segundo o The Decoder, em 7 de novembro de 2026, a Nous Research fez ajuste fino supervisionado do Qwen3.8-27B da Alibaba com cerca de 53 milhões de tokens, gerando o modelo de pesos abertos Arete-27B: em teste próprio com 803 prompts, as respostas com conteúdo propagandístico caíram de 22% para 0,9% e a precisão factual subiu de 2,32 para 2,98, com capacidade geral alegadamente inalterada.

O que mudou
O centro da reportagem não é o lançamento de uma nova base, mas um experimento de pós-treinamento voltado ao comportamento de alinhamento. Conforme o artigo do The Decoder de 7 de novembro de 2026 e as explicações da Nous Research, o Qwen3.8-27B da Alibaba apresenta recusas, evasivas e formulações alinhadas à posição oficial em temas sensíveis; a Nous treinou o Arete-27B com ajuste fino supervisionado de cerca de 53 milhões de tokens e dois epochs, sem aprendizado por reforço nem otimização de preferência, e afirma ter removido previamente a sobreposição entre prompts de treino e de teste. A avaliação é própria da Nous: 803 prompts distribuídos em sete categorias — liberdade de expressão, ideologia estatal, educação, privacidade e vigilância, democracia e meio ambiente —, cada um com 2 a 4 fatos provenientes de fontes datadas (leis, reportagens ou artigos científicos), tendo o Grok 4.7 da xAI como juiz para determinar se a resposta menciona, omite ou contradiz os fatos; o juiz precisa citar trechos específicos e não sabe de qual modelo veio a resposta. A reportagem afirma que o Qwen3.8-27B sem modificações tem precisão factual de 2,32 (de 5) e 22% das respostas com conteúdo propagandístico; o Arete-27B registra 2,98 e 0,9%. A maior queda ocorre na categoria de liberdade de expressão, com a nota factual subindo de 0,89 para 2,44 e a taxa de propaganda caindo de 60% para 1%. Na mesma comparação, a reportagem cita 15% para o GLM-5.3 e 16% para o DeepSeek V4.1 Flash, enquanto modelos ocidentais como Mistral Large 4 e Gemma 4 31B ficam abaixo de 1%; cita ainda um estudo da ValsAI segundo o qual o desempenho varia entre modelos chineses. Quanto à capacidade geral, a Nous apresenta 65,60% no seu Hermes Bench interno, contra 65,77% da base; no Terminal-Bench 2.1, de 67% para 70%, mas a própria Nous diz que a configuração de teste foi diferente e que isso não representa ganho real. A conclusão da Nous é que a camada de viés em modelos alinhados à posição chinesa é "muito rasa": aplicada tarde e de forma fina, removível com cinquenta milhões de tokens de supervisão selecionada sem perturbar as camadas inferiores. A reportagem diz que os pesos, o conjunto de testes e os dados de treino do Arete-27B estão públicos no Hugging Face sob licença Apache 2.0, e que a Nous suspeita que sinais anômalos do NVIDIA Nemotron 3 Ultra em temas relacionados à China venham de contaminação por dados de treino gerados com modelos chineses de pesos abertos, situação que também teria ocorrido em projeto próprio da Nous.
Impacto para desenvolvedores
A seguir, análises e juízos baseados na reportagem acima, não conclusões de reprodução deste site. A primeira coisa que esta notícia muda é a expectativa sobre a transferibilidade da "camada de alinhamento". Se o método e os números da Nous se sustentarem, redefinir a tendência de resposta em temas sensíveis de modelos chineses de pesos abertos pode custar da ordem de dezenas de milhões de tokens de dados de supervisão mais um SFT convencional, sem refazer o pré-treinamento nem depender de aprendizado por reforço. Isso afeta diretamente a decisão de colocar esses pesos em cenários com exigências de enquadramento, como apoio à moderação de conteúdo para várias regiões, recuperação aumentada sobre políticas e resumos de opinião pública. Por outro lado, a reportagem também indica que o viés pode se transmitir entre modelos aluno via dados sintéticos: a Nous diz ter visto sinais anômalos no Nemotron 3 Ultra e suspeitar que a origem sejam modelos chineses de pesos abertos nos dados de treino, e afirma ter enfrentado contaminação semelhante em projeto próprio. Isso significa que, ao escolher um modelo professor para gerar dados, você já faz uma escolha de enquadramento, e essa etapa costuma ocorrer antes da escolha do modelo de implantação. A segunda questão é que o próprio critério de avaliação se torna variável de integração. Este relatório usa apenas o Grok 4.7 como juiz, o conjunto de testes é construído pela parte avaliada, e a definição de "propaganda" (reproduzir a narrativa oficial, endossá-la ou tratá-la como ponto de vista igualmente válido) já carrega posição; a reportagem também menciona que o modelo juiz é considerado de inclinação política à direita e que idioma e formato da resposta influenciam claramente o resultado. Portanto, as proporções do relatório servem melhor como sinal direcional do que como nota a ser gravada em documento de seleção. Para usar esses números em avaliação interna, recomenda-se registrar qual foi o modelo juiz e se idioma e formato dos prompts foram padronizados; caso contrário, resultados de lotes diferentes não serão comparáveis.
Integração e avaliação
As três sugestões abaixo são condicionais, não fatos da reportagem. 1. Adotar diretamente os pesos do Arete-27B ou retreinar uma versão com seu próprio enquadramento. A mudança reportada correspondente é: cerca de cinquenta milhões de tokens de ajuste fino supervisionado bastam para reduzir uma tendência de resposta de 22% para menos de 1%, com capacidade geral alegadamente intacta. A escolha depende de você querer "neutralidade" ou "outra posição explícita" — segundo a reportagem, o Arete-27B assume valores ocidentais, enquanto o Hermes 3 da Nous, de 2024, seguia a linha neutra configurável por prompt de sistema. Se o negócio exige não tomar posição (atendimento cross-border, busca acadêmica), trocar por pesos com posição explícita apenas muda a direção do viés, e ainda será preciso restringir na camada de prompt. Critério de aceitação mensurável: usar 100 a 200 prompts sensíveis do próprio domínio, cada um com 2 a 4 fatos de referência com fonte, e um juiz fixo para medir, na base e nos pesos candidatos, a taxa de contradição aos fatos de referência, a taxa de recusa e a taxa de evasiva, em vez de olhar apenas a nota total. 2. Criar linha de base por categoria ou comparar apenas a nota total. A mudança reportada correspondente é a diferença clara de taxa de propaganda entre modelos chineses de pesos abertos (Qwen3.8-27B 22%, GLM-5.3 15%, DeepSeek V4.1 Flash 16%) e o fato de a maior queda no Arete-27B se concentrar na categoria de liberdade de expressão. A escolha depende de seu produto realmente receber essas perguntas: Q&A sobre base de conhecimento interna raramente recebe, mas recuperação aumentada ou geração de conteúdo sobre temas públicos recebe. Critério mensurável: pelo menos 20 prompts por categoria efetivamente coberta, registrando separadamente taxa de recusa, taxa de evasiva e taxa de contradição aos fatos de referência, ordenando por categoria e não pela nota total do modelo; recomenda-se reduzir a taxa de contradição nas categorias realmente acionadas para abaixo de 5% antes de seguir para a próxima etapa de seleção. 3. Adicionar amostragem por tópico no pipeline de dados sintéticos. A mudança reportada correspondente é que a contaminação pode vir dos dados de treino, não do modelo implantado. O gatilho é estar usando modelos de pesos abertos para gerar dados de SFT ou dados de julgamento. Critério mensurável: extrair de 50 a 100 itens por categoria entre as sete nos dados de instrução gerados, medir a taxa de contradição aos fatos de referência com o mesmo fluxo de julgamento da produção e fixar essa checagem a cada troca de modelo professor.
Limites e pontos a confirmar
As proporções e notas do relatório vêm de testes próprios e resultados autodeclarados da Nous Research; o The Decoder apenas reproduz, e este site não fez reprodução independente. O juiz é um único modelo, o Grok 4.7, o conjunto de testes é construído pela parte avaliada, e os 803 prompts cobrem sete categorias, com escala limitada; a própria reportagem menciona a inclinação política do modelo juiz e a influência clara de idioma e formato da resposta no resultado. A base para "capacidade geral intacta" é o Hermes Bench interno da Nous (65,60% contra 65,77%) e o Terminal-Bench 2.1 (67% para 70%, com a Nous admitindo configuração de teste diferente); a nota de 3,07 com modo de raciocínio ativado se baseia em apenas duas de cinco execuções. O comprimento mediano dos dados de treino é de cerca de 866 tokens, com a maioria das amostras abaixo de 1000 tokens, o que difere bastante da distribuição de requisições reais de contexto longo. A inferência de contaminação (anomalias do Nemotron 3 Ultra vindas de dados sintéticos) e a alegação de que a sobreposição entre prompts de treino e teste foi removida são declarações da própria Nous, sem verificação de terceiros. O Arete-27B não aparece atualmente no catálogo de modelos do KimiSeek; o canal de lançamento citado na reportagem são os pesos e dados fornecidos pela Nous Research no Hugging Face, e disponibilidade, termos de licença e atualizações posteriores dependem do publicador, não significando que possa ser chamado por este site. A base Qwen3.8 27B tem entrada correspondente no catálogo deste site, mas são produtos distintos e não se substituem. A reportagem diz que pesos, conjunto de testes e dados de treino foram publicados sob licença Apache 2.0; trata-se de declaração no plano da licença, e o fato de os pesos serem baixáveis não equivale ao escopo de autorização — o texto da licença no repositório do publicador deve ser conferido antes do uso real.
Ilustrações da notícia original

