Nous发布Arete-27B：基于Qwen3.8-27B微调，称官方叙事类回答从22%降至0.9%

Nous Research在11月6日发布了Arete-27B，一个基于阿里开源模型Qwen3.8-27B后训练得到的版本。按Nous自己的说法，训练目的是“在一个中国训练的模型上强化西方价值观”。

衡量方式也由Nous自己设计。评测集包含803条提示，覆盖七个价值类别，由LLM评审Grok 4.7在不知道答案出自哪个模型的情况下，按固定评分标准打分。Nous称，被标记为“Any propaganda”、即采用中国官方叙事的回答占比，从基座模型的22%降至0.9%；事实得分则从2.32提高到2.98（满分5分）。

换算下来，被标记回答减少了约96%。同时，803条回答中得分为0的数量从359条降到216条。

训练方法并不复杂。Nous表示只做了监督微调，没有强化学习，没有偏好优化，也没有修改模型架构；数据量约5280万token，训练两个epoch。教师模型是Thinking Machines的开源模型Inkling，Nous称它是其目标方向上最好的开源模型，用开源教师也避开了蒸馏相关的使用条款限制。

在同一张对比表里，Inkling为0.3%，Mistral Large 4为0.3%，GLM 5.3为15%，DeepSeek V4.1 Flash为16%，后两者在关闭思考模式的情况下测试。Nous还表示，这次调整在其运行的通用能力与Agent基准上没有出现明显退化。

这份成绩单需要打上几个折扣。模型和评测集由同一团队构建，结果属于自报；对比模型与Arete-27B、Qwen3.8-27B的解码设置并不一致——前两者在温度0下运行，其他模型为0.6。Nous自己也写明，“这些并非所有模型都相同的解码设置”。

外部复现同样缺位。目前没有第三方团队验证过这组数字，Nous称其“处理了一个潜在根因”，但并未声称修复了所有行为；报道称阿里方面尚未就此回应。

这起发布的意义在于示范了一条路径：不重训基座、不改架构，仅靠监督微调就能明显改变一个开源模型的价值取向。对于希望调整模型立场的开发者，这是一种成本可控的做法；对于评估体系而言，它也提出了老问题——当模型和考卷出自同一批人之手时，分数该信几分。