Nous Research elimina la censura estatal del modelo Qwen de Alibaba en Arete-27B

Los modelos de pesos abiertos de Alibaba han ofrecido durante mucho tiempo un rendimiento de primer nivel a bajo costo, pero la censura estatal integrada los ha convertido en una apuesta riesgosa para el software de producción. La startup estadounidense Nous Research afirma haber resuelto ese dilema con el lanzamiento de Arete-27B, una versión afinada de Qwen3.8-27B que reduce el sesgo político del 22 por ciento a menos del uno por ciento sin degradar el rendimiento base, según informa The Decoder.

Qué sucedió

The Decoder informa que Nous Research tomó el modelo Qwen3.8-27B de Alibaba y realizó un ajuste fino supervisado en aproximadamente 53 millones de tokens a lo largo de dos épocas, omitiendo deliberadamente el aprendizaje por refuerzo y la optimización de preferencias. Para evaluar los resultados, Nous creó una prueba de rendimiento de 803 prompts que abarcaban siete temas sensibles, entre ellos la libertad de expresión, la vigilancia y la democracia, utilizando Grok 4.7 de Elon Musk como juez automatizado.

Según Nous, el modelo Qwen3.8-27B sin modificar obtuvo una puntuación de 2,32 sobre 5 en precisión fáctica, y el 22 por ciento de sus respuestas fueron marcadas por reproducir las narrativas oficiales del gobierno de Pekín. En contraste, los modelos occidentales como Mistral Large 4 y Gemma 4 31B registraron tasas de propaganda inferiores al uno por ciento, mientras que otras alternativas chinas como DeepSeek V4.1 Flash y GLM-5.3 alcanzaron el 16 y el 15 por ciento, respectivamente.

Para desintoxicar el modelo, Nous seleccionó a Inkling (un modelo abierto de Thinking Machines Lab) como su modelo maestro. El punto de control resultante, denominado Arete-27B, elevó la precisión fáctica a 2,98 a la vez que redujo la tasa de propaganda al 0,9 por ciento. Específicamente en la categoría de libertad de expresión, la puntuación fáctica aumentó de 0,89 a 2,44, mientras que la propaganda se desplomó del 60 por ciento a solo el uno por ciento. De manera fundamental, la utilidad bruta casi no varió: en el Hermes Bench interno del equipo, Arete-27B obtuvo un 65,60 por ciento frente al 65,77 por ciento del modelo base original. Los pesos y conjuntos de datos se han publicado bajo una licencia Apache 2.0 en Hugging Face.

Por qué es importante para los desarrolladores que crean con modelos abiertos

Si diriges operaciones optimizadas, los modelos chinos de pesos abiertos como Qwen y DeepSeek han sido un secreto a voces: rinden muy por encima de su categoría de peso y cuesta casi nada alojarlos internamente en comparación con los gigantes comerciales de API. Sin embargo, utilizarlos en aplicaciones orientadas al cliente ha sido como caminar por la cuerda floja. Más allá de vergonzosas alucinaciones públicas en prompts geopolíticos, The Decoder destaca investigaciones de CrowdStrike que demuestran que DeepSeek generaba código menos seguro cuando las consultas abordaban temas políticos sensibles en China.

Arete-27B demuestra que este sesgo no está arraigado en la arquitectura fundamental del modelo; es, como afirma Nous, una capa superficial aplicada al final del entrenamiento que puede eliminarse con un cómputo modesto. Para los equipos pequeños que no pueden permitirse las tarifas de las API propietarias pero tampoco pueden arriesgarse a rechazos inesperados o a una lógica de seguridad comprometida en sus flujos de trabajo, este modelo convierte a Qwen de un prototipo interno incómodo a un candidato viable para producción. Obtienes la potencia de ingeniería bruta de Alibaba sin las directrices editoriales de Pekín, todo empaquetado bajo una licencia Apache 2.0 apta para uso comercial.

Qué hacer esta semana

1. Revisa tu pipeline de inferencia local o en Hugging Face para evaluar si Arete-27B puede integrarse en los despliegues existentes basados en Qwen como un reemplazo directo.

1. Realiza una verificación puntual de los prompts de tus modelos de código abierto actuales frente a casos límite en gobernanza, cumplimiento o privacidad para comprobar si tu sistema activa rechazos inesperados o respuestas depuradas.

1. Revisa el conjunto de datos de Nous Research recién publicado en Hugging Face si mantienes ajustes finos propietarios, utilizando su enfoque de supervisión para eliminar el sesgo político de tus propios pipelines de pesos abiertos.

Fuentes

• State propaganda in some Chinese AI models is only "a thin layer" that fine-tuning can strip away — The Decoder