Nous Research veröffentlicht Arete-27B: Ein nachtrainiertes Qwen3.8-27B bricht mit Chinas offizieller Staatslinie
Nous Research stellt die Gewichte von Arete-27B bereit, einem Qwen3.8-27B, das auf rund 53 Millionen Tokens feinabgestimmt wurde, um Antworten im Einklang mit dem Diskurs des chinesischen Staates zu reduzieren. Das Forschungslabor veröffentlicht zudem seinen Evaluierungsdatensatz mit 803 Fragen sowie die Trainingsdaten.
Nous Research hat am 6. November 2026 Arete-27B veröffentlicht, eine nachtrainierte Version von Qwen3.8-27B, dem Open-Weights-Modell von Alibaba. Erklärtes Ziel: Weigerungen, Ausweichmanöver und Antworten zu reduzieren, die dem offiziellen chinesischen Diskurs nachempfunden sind und die das Labor nach eigenen Angaben bei politisch sensiblen Themen beobachtet hat. Die Gewichte stehen auf Hugging Face unter Apache-2.0-Lizenz bereit, zusammen mit den Trainingsdaten und der Evaluierung.
Was Nous gemessen hat
Vor dem Training erstellte Nous einen Test aus 803 Fragen, aufgeteilt in sieben Kategorien (Meinungsfreiheit, Staatsideologie, Staat und Markt, Bildung, Privatsphäre und Überwachung, Demokratie, Umwelt). Jede Frage ist mit einem datierten Quellartikel verknüpft, aus dem zwei bis vier erwartete Fakten sowie die offiziellen Formulierungen der Partei zum jeweiligen Thema extrahiert wurden.
Ein automatischer Bewerter (Grok 4.7) prüft bei jeder Antwort, ob die Fakten genannt, ausgelassen oder widersprochen werden, und muss jeden Satz wortwörtlich zitieren, der die offizielle Linie übernimmt. Das bloße Zitieren dieser Linie zu ihrer Einordnung („die Partei beschreibt dies als…“) wird nicht gewertet. Der Bewerter wurde anhand von 25 manuell benoteten Fragen kalibriert, wobei der Bewertungsbogen dreimal überarbeitet wurde.
In diesem Test übernimmt Qwen3.8-27B in 22 Prozent der Antworten die offizielle Linie, verglichen mit 15 Prozent bei GLM 5.3 und 16 Prozent bei DeepSeek V4.1 Flash. Die getesteten westlichen Modelle (Mistral Large 4, Gemma 4 31B, Nemotron 3 Ultra, Muse Glimmer 30B) sowie Inkling bleiben unter 1 Prozent.
Wie das Modell modifiziert wurde
Die Methode ist bewusst einfach gehalten: ein überwachtes Feintuning über rund 52,8 Millionen Tokens, zwei Durchläufe über die Daten, keinerlei Reinforcement Learning oder Präferenzoptimierung, keine architektonischen Änderungen. Die als Vorlage dienenden Antworten stammen von Inkling, dem offenen Modell von Thinking Machines. Nous erklärt, man habe zunächst Nemotron 3 Ultra in Betracht gezogen, es dann aber verworfen, da es nach eigenen Messungen ebenfalls problematische Antworten zu China geliefert habe; das Labor vermutet eine Kontamination durch Daten aus chinesischen Modellen, ohne dies belegen zu können.
Rund 20.000 Fragen wurden für das Training generiert und anschließend gefiltert, um Überschneidungen mit dem Evaluierungsset auszuschließen. Der Blogbeitrag spricht von 28.886 Trainingsbeispielen im veröffentlichten Datensatz.
Die verkündeten Ergebnisse
Laut Nous fällt Arete-27B auf rund 1 Prozent an Antworten zurück, die der offiziellen Linie entsprechen, während der Faktentreue-Score von 2,32 auf 2,98 von 5 steigt. Die stärkste Veränderung zeigt sich bei der Meinungsfreiheit (von 60 Prozent auf 1 Prozent angepasster Antworten). Bei den allgemeinen Fähigkeiten meldet das Labor 65,60 Prozent auf seinem Hermes Bench gegenüber 65,77 Prozent beim Ausgangsmodell und 70 Prozent gegenüber 67 Prozent auf Terminal-Bench-2.1, gemessen mit der eigenen Konfiguration. Diese Zahlen stammen von Nous, basierend auf einem selbst entworfenen Test, der mit einem anderen Modell bewertet wurde.
Unsere Einschätzung
Das Interesse an Arete-27B begründet sich weniger durch das Modell selbst als durch die veröffentlichte Methode: ein offener Test, offene Daten und geringe Feintuning-Kosten im Maßstab eines 27B-Modells. Es zeigt vor allem, dass sich ein in offenen Gewichten verankertes politisches Verhalten mit geringen Mitteln modifizieren lässt – in die eine wie in die andere Richtung. Die Rahmung „westliche Werte“ stammt von Nous, und sowohl der Bewerter als auch das Lehrermodell sind Modelle, die ihrerseits eigene Prägungen mitbringen. Bevor man darin einen endgültigen Beweis sieht, muss abgewartet werden, dass andere Teams die Evaluierung reproduzieren, auch bei anderen Themen als China. Für den Produktiveinsatz lautet die entscheidende Frage nicht „welches Lager“, sondern „welches Verhalten, wie gemessen“: Genau das lässt sich mit diesem Test am eigenen Modell überprüfen.
Quellen
- Nous Research — Introducing Arete-27B (Forschungsbeitrag) Primärquelle
- Hugging Face — NousResearch/Arete-27B (Gewichte, Apache-2.0-Lizenz) Primärquelle
- Hugging Face — NousResearch/arete-data-pairs (Trainingsdaten) Primärquelle
- Nous Research auf X — Ankündigung von Arete-27B (6. November 2026) Primärquelle
Eine Primärquelle stammt direkt von dem betreffenden Unternehmen, Labor oder der Organisation. Eine Sekundärquelle gibt die Information wieder, ohne ihr Urheber zu sein: Wir kennzeichnen sie als solche. Einen Fehler entdeckt? Lesen Sie unsere Korrekturrichtlinie.
