Nous 发布 Arete-27B:对 Qwen3.8-27B 做纯 SFT,自评宣传性回答从 22% 降到 0.9%
据 MarkTechPost 2026 年 11 月 7 日报道,Nous Research 发布 Arete-27B:仅用监督微调改造阿里巴巴 Qwen3.8-27B,其 803 条提示自评中宣传性回答从 22% 降到 0.9%,事实均值从 2.32 升到 2.98,权重以 Apache 2.0 发布,但目前没有托管推理服务商提供该模型。
发生了什么
据 MarkTechPost 2026 年 11 月 7 日报道(作者 Asif Razzaq),Nous Research 发布 Arete-27B,是对阿里巴巴 Qwen3.8-27B 做监督微调后的 270 亿稠密参数开放权重模型。报道称这次改造只用了 SFT,没有强化学习、没有偏好优化、没有改架构,权重以 Apache 2.0 发布,与基座一致;训练约 5280 万 tokens、64k 上下文、2 个 epoch、1202 步、批大小 48,峰值学习率 1e-5,语言模型权重全部训练,视觉编码器因数据为纯文本而冻结,多 token 预测头被禁用。教师模型是 Thinking Machines 的开放模型 Inkling,Nous 称选开放教师是为避开蒸馏方面的使用条款限制,并因 Nemotron 3 Ultra 在中国话题上的记录而未采用它。 配套数据集 arete-data-pairs 含 34878 条提示、7 个主题,每条提示同时有 Inkling 与 Qwen 的回答,其中 29236 条被接受的教师回答构成 SFT 训练集。评估集 Propaganda_Eval 含 803 条提示、覆盖 7 个价值类别,由 Grok 4.7 打分,分别给出 0 到 5 的事实均值与“任何宣传”的回答占比,判分要求引用准确措辞才可标记为宣传,与评估集重叠的训练提示已被删除,评估集以 MIT 许可发布并附评分脚本。报道给出的结果是:事实均值从 2.32 升到 2.98,宣传比例从 22% 降到 0.9%,得 0 分的回答从 803 条中的 359 条降到 216 条;变化最大的是言论自由类别,事实分从 0.89 升到 2.44,宣传从 60% 降到 1%。
对开发者的影响
这次发布真正值得开发者留意的是方法而非单点分数:只做 SFT、不动架构,就能在厂商自评里显著改变一类回答行为,而报道同时称能力大体守住——Hermes Bench 从 65.77% 到 65.60%,Nous 自己把这称为噪声;Terminal-Bench 2.1 在 Nous 的测试框架里从 67% 升到 70%,Nous 并未把这一提升归功于自己的训练。换句话说,价值观取向的改动看起来比预期便宜,但代价被记在别处:事实均值 2.98 仍然低于报道表格中 Muse Glimmer 30B 的 3.02,而宣传比例上 Arete 的 0.9% 也高于 Muse Glimmer 与 Gemma 4 31B 的 0.5%,同时 803 条里仍有 216 条得 0 分。这意味着“少复述官方口径”与“把事实讲对”是两个独立维度,不能用一个指标替代另一个。部署层面,报道称目前没有托管推理服务商提供该模型,BF16 权重为 53.81 GB,社区 Q4_K_M 量化版 17.20 GB,可在 llama.cpp、LM Studio、Ollama 运行,GGUF 版本还带图像投影器;但基座 Qwen3.8-27B 原生支持 262144 tokens,微调版的上下文标注为“未披露(训练于 64k)”,长上下文与图像路径的实际表现缺少数据。许可方面,报道称权重为 Apache 2.0、评估集为 MIT,具体条款与商用边界在使用前仍应回到模型卡与数据集页面核对。另外,多数模型替换的隐性成本在提示与系统词:如果原来依赖基座的拒答行为做安全兜底,换成这一微调版后拒答率会变化,兜底逻辑要跟着调整。
接入与评估建议
以下为条件性建议与推断,不是报道事实。其一,是否用 Arete-27B 替换本地基座。报道中的变化是同类行为在自评里大幅下降,但能力数据来自不同口径:基座在 Qwen 官方口径下的 Terminal-Bench 2.1 是 73.0,而 67% 与 70% 来自 Nous 的测试框架,不能直接相减。如果你的负载是终端或编码类智能体任务,同时必须自托管并能接受没有托管服务,才值得把 Arete-27B 放进候选;如果依赖托管接口或需要官方基准背书,先留在基座——基座 Qwen3.8 27B 已在站内上架列表中,计价与额度以站内定价页为准。判断标准建议用自己的一小套真实请求(例如 50 到 200 条历史工单或脚本任务)同时跑两者,比较任务通过率与拒答率,把通过率下降设定成可接受阈值再决定。其二,是否采用 Nous 的评估方法作为上线门禁。可用的变化是评估集以 MIT 发布并附带评分脚本,但判分依赖 Grok 4.7 这类第三方闭源模型,换判分模型结果未必一致。前提条件是你手上有指令遵循能力相当的判分模型,且你的线上流量确实落在它覆盖的 7 个类别里;做法是先做一致性验证,抽取 50 到 100 条人工标注,与判分结果逐条对照,一致率达到你设定的阈值(例如九成)后再用于批量回归,否则只把它当成方向性参考。其三,量化档位和模态路径的选择。报道给出的变化是 24GB 消费级显存对应社区 Q4_K_M 的 17.20 GB 版本,同时视觉编码器在纯文本数据上被冻结。如果你的场景需要图像输入,或需要超过 64k 的有效上下文,就应先把量化版与 BF16 版放在同一批提示上对照,分别测量量化后的行为漂移与长文本截断位置,再决定是压缩档位还是放弃该模型。
限制与待确认事项
这些数字来自 Nous Research 自己运行的评估,判分模型是 Grok 4.7,报道没有提到第三方复现或盲测,因此 22% 到 0.9% 的对比应视为厂商自评结果,而不是独立验证的结论。表格中的跨模型比较也不完全同条件:Arete 与 Qwen 在温度 0 下运行,Muse Glimmer 和 Gemma 在 0.6 下运行,Terminal-Bench 数字来自不同测试框架。微调版的上下文长度未披露,长上下文与图像路径的行为缺少数据,事实均值 2.98 也仍落后于同类模型。截至本次目录核查时点,Arete-27B 并未出现在 KimiSeek 的模型目录中,报道描述的权重下载与本地运行方式指向 Nous Research 的发布渠道与社区量化版本,其可用性应以厂商或后续服务商公布为准;目录中的基座 Qwen3.8 27B 是另一个版本,它被收录不代表 Arete-27B 可用。报道还称目前没有托管推理服务商提供该模型,因此任何 API 接入的可用性同样指厂商一侧。此外,此类内容取向的调整涉及不同市场的合规与内容政策要求,部署前需要独立评估,本文不构成合规建议。