Nous Research: Arete-27B reduce propaganda de Qwen al 1%

Nous Research tomó Qwen3.8-27B, el modelo de pesos abiertos de Alibaba, y lo sometió a un post-entrenamiento para reforzar valores occidentales. El modelo resultante se llama Arete-27B y su resultado más contundente es este: la proporción de respuestas con propaganda cayó del 22% al 1%, sin pérdida medible de capacidades generales.

El nombre viene del griego arete, el concepto clásico de excelencia y virtud, la realización plena del potencial de algo. En geografía, un arete es la cresta estrecha que separa dos valles glaciares, la imagen que ilustra el anuncio.

La tesis del laboratorio es directa: los modelos abiertos chinos están entre los más potentes del mercado, pero llegan con comportamiento alineado al Estado incrustado en los pesos. Nous afirma haber observado rechazos, evasivas y respuestas enmarcadas en la línea oficial del Partido en temas políticamente sensibles dentro de Qwen3.8-27B, y entrenó para alterar esos sesgos. El laboratorio no afirma haber eliminado todos los comportamientos asociados a esa cosmovisión, sino haber atacado una causa raíz.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Cómo midió Nous Research el sesgo de Qwen?

Antes de entrenar, el equipo construyó una evaluación de 803 prompts repartidos en siete categorías de valores: libertad de expresión, ideología estatal, Estado versus libre mercado, educación, privacidad de datos y vigilancia, democracia y medio ambiente.

Cada prompt se midió en dos ejes. El primero es recuerdo factual: si la respuesta corrobora hechos verificables extraídos de un artículo fuente con fecha. El segundo es el framing: si la respuesta adopta como propio el relato oficial del Estado chino.

Para cada prompt se extrajeron entre 2 y 4 hechos obligatorios y un juez LLM (Grok 4.7) marcó si la respuesta los enunciaba, los omitía o los contradecía, citando la frase exacta cuando aparecía propaganda. El juez no sabía qué modelo había escrito cada respuesta, y el equipo calibró la rúbrica a mano sobre un piloto de 25 prompts, con tres revisiones.

El detalle metodológico importa para cualquiera que evalúe modelos: la evaluación completa, con los 803 prompts, sus fuentes, los hechos requeridos y los scripts de calificación, está publicada y es replicable.

¿Cuánto mejoró Arete-27B frente al modelo base?

Los números que reporta Nous:

Puntaje factual: de 2,32 a 2,98 sobre 5.
Respuestas con propaganda: de 22% a 1%.
Respuestas con puntaje 0 (ningún hecho enunciado, o alguno contradicho): de 359 a 216 sobre 803.
Libertad de expresión, la categoría con mayor cambio: el puntaje factual subió de 0,89 a 2,44 y la propaganda cayó del 60% al 1%.

En la tabla comparativa del anuncio, Arete-27B con razonamiento activado marca 3,07 de puntaje factual y 0,6% de propaganda, en línea con modelos occidentales como Mistral Large 4 (3,65 y 0,3%) o Gemma 4 31B (2,58 y 0,5%). El modelo base Qwen3.8-27B queda en 2,32 y 22%, y DeepSeek V4.1 Flash en 2,39 y 16%.

Sobre capacidades generales, Nous reporta 65,60% en su benchmark interno Hermes Bench, a 0,2 puntos del Qwen base (65,77%), una diferencia indistinguible del ruido, y 70% en Terminal-Bench-2.1 contra el 67% del base. El equipo aclara que no se atribuye esa mejora, porque corrió ambos modelos con su propia configuración de inferencia.

¿Cómo se entrena un modelo para cambiar sus valores?

El proceso fue deliberadamente simple. Nous generó 20.000 prompts en las siete categorías con un pipeline que fuerza la deduplicación, los cruzó contra el set de evaluación para eliminar solapamientos y recolectó respuestas del modelo maestro junto a las del modelo base.

El maestro fue Inkling, un modelo abierto elegido por su desempeño en la propia evaluación. Nous cuenta que consideró seriamente Nemotron 3 Ultra, pero encontró evidencia de un historial irregular en temas relacionados con China, y teoriza que esa contaminación provino de trabajar con modelos abiertos chinos durante su entrenamiento.

El post-entrenamiento usó unos 52,8 millones de tokens, cerca de 50.000 muestras a 64k de contexto, dos épocas y 1.202 pasos. Sin RL, sin optimización de preferencias y sin cambios de arquitectura. La conclusión que saca el laboratorio es lo más interesante del anuncio: la capa de sesgo de un modelo alineado con China es superficial, se aplica tarde y fina, y cincuenta millones de tokens de supervisión bien elegidos la remueven sin tocar lo de abajo.

¿Por qué esto importa ahora?

El timing no es casual. La orden del Departamento de Seguridad Nacional de EE. UU. que obliga a las agencias civiles federales a retirar los productos de DeepSeek y cualquier servicio de terceros construido sobre ese modelo se hizo pública en octubre de 2026, según reportó AP. La orden, firmada a finales de julio, también bloquea su compra.

La respuesta de China fue inmediata: su Ministerio de Comercio propuso controles de exportación sobre 23 tecnologías de IA, incluyendo modelos grandes y agentes, con umbrales como 10^26 FLOPs de cómputo o 2 billones de parámetros, según reportó Business Standard. La consulta pública cierra el 15 de noviembre de 2026.

Mientras tanto, la adopción real sigue: Brian Chesky, CEO de Airbnb, dijo que la compañía usa los modelos Qwen de Alibaba por su velocidad y costo, según South China Morning Post. El mismo reporte menciona que Cursor, Harvey y Perplexity integraron modelos de DeepSeek o Moonshot, y cita a un desarrollador estadounidense que le dijo a Rest of World que una tarea de código que cuesta unos US$10 con Claude se resolvía por menos de 50 centavos con DeepSeek.

Ahí está el nudo del problema para un founder: el modelo más barato puede ser el que más riesgo regulatorio y de sesgo trae. Y el sesgo no es solo una discusión política. Nous cita estudios según los cuales la información geopolítica en el contexto del modelo afecta la calidad del código: los modelos chinos producen código más vulnerable cuando creen estar trabajando para una entidad estadounidense.

¿Qué significa esto para tu startup?

Tres cosas concretas.

1. La elección de modelo dejó de ser solo técnica. Si tu producto corre sobre un modelo chino de pesos abiertos y vendes a gobierno, banca o salud en EE. UU. o Europa, el riesgo de compliance es real. La orden del DHS apunta a agencias federales, pero los analistas citados por South China Morning Post advierten que el efecto se extiende a proveedores privados que también sirven al sector público.

2. Puedes auditar el sesgo de tu modelo, no solo intuirlo. La evaluación de Nous es pública y replicable: 803 prompts, hechos verificables por prompt y scripts de calificación. Corre esa evaluación sobre el modelo que usas hoy y tendrás una línea base. Si el resultado te incomoda, ya sabes que existe un camino de post-entrenamiento relativamente barato para corregirlo.

3. La personalización de valores es una oportunidad de producto. Si construyes para un nicho con criterios editoriales o regulatorios propios (medios, legal, educación, salud), un modelo afinado con tus criterios puede ser un diferenciador. El costo de un fine-tune de este tamaño es marginal frente al pre-entrenamiento, según el propio Nous.

Un matiz honesto: en la propia tabla del laboratorio, Arete-27B sigue por debajo de Inkling y Mistral Large 4 en puntaje factual. La lección no es que un modelo de 27B ahora responda lo que antes no respondía, sino que los valores de cualquier modelo abierto están a un fine-tune de distancia.

Para contexto de mercado: Crypto Briefing reportó que Nous Research levantó una Serie A de US$50 millones en abril de 2025, seguida de una ronda reportada de US$90 millones, y que el laboratorio es conocido por su serie de modelos abiertos Hermes.