Nous Research débarrasse le Qwen d'Alibaba de la censure d'État dans Arete-27B

Les modèles open-weight d'Alibaba ont longtemps offert des performances de premier ordre à moindre coût, mais leur censure d'État intégrée en a fait un pari risqué pour les logiciels de production. La startup américaine Nous Research affirme avoir résolu ce dilemme en publiant Arete-27B, une version affinée de Qwen3.8-27B qui réduit les biais politiques de 22 % à moins de 1 % sans dégrader les performances de base, selon The Decoder.

Ce qui s'est passé

The Decoder rapporte que Nous Research a pris le Qwen3.8-27B d'Alibaba et a effectué un affinage supervisé sur environ 53 millions de tokens sur deux époques, en évitant délibérément l'apprentissage par renforcement et l'optimisation des préférences. Pour évaluer les résultats, Nous a créé un benchmark de 803 prompts couvrant sept sujets sensibles, dont la liberté d'expression, la surveillance et la démocratie, en utilisant Grok 4.7 d'Elon Musk comme juge automatisé.

Selon Nous, le Qwen3.8-27B non modifié a obtenu un score de 2,32 sur 5 en termes de précision factuelle, avec 22 % de ses sorties signalées comme reproduisant les récits officiels de l'État de Pékin. En revanche, les modèles occidentaux comme Mistral Large 4 et Gemma 4 31B ont enregistré des taux de propagande inférieurs à un pour cent, tandis que d'autres alternatives chinoises comme DeepSeek V4.1 Flash et GLM-5.3 ont atteint respectivement 16 et 15 pour cent.

Pour nettoyer le modèle, Nous a sélectionné Inkling – un modèle ouvert de Thinking Machines Lab – comme modèle enseignant. Le point de contrôle résultant, baptisé Arete-27B, a fait passer la précision factuelle à 2,98 tout en ramenant le taux de propagande à 0,9 %. Dans la catégorie de la liberté d'expression spécifiquement, le score factuel est passé de 0,89 à 2,44 tandis que la propagande a chuté de 60 % à seulement un pour cent. Surtout, l'utilité brute a à peine bougé : sur le Hermes Bench interne de l'équipe, Arete-27B a obtenu un score de 65,60 % contre 65,77 % pour le modèle de base d'origine. Les poids et les jeux de données ont été publiés sous une licence Apache 2.0 sur Hugging Face.

Pourquoi c'est important pour les développeurs qui construisent avec des modèles ouverts

Si vous gérez des opérations allégées, les modèles chinois open-weight comme Qwen et DeepSeek sont un secret de polichinelle : ils surpassent largement leur catégorie de poids et ne coûtent presque rien à auto-héberger par rapport aux géants des API commerciales. Mais les utiliser dans des applications destinées aux clients a toujours été comme marcher sur une corde raide. Au-delà des hallucinations publiques embarrassantes sur des prompts géopolitiques, The Decoder souligne une recherche de CrowdStrike montrant que DeepSeek générait un code moins sécurisé lorsque les requêtes touchaient à des sujets politiques chinois sensibles.

Arete-27B prouve que ce biais n'est pas intégré à l'architecture fondamentale du modèle – il s'agit, comme le dit Nous, d'une couche superficielle appliquée tardivement dans l'entraînement qui peut être retirée avec une puissance de calcul modeste. Pour les petites équipes qui ne peuvent pas se permettre les tarifs des API propriétaires mais ne peuvent pas risquer des refus inattendus ou une logique de sécurité compromise dans leurs flux de travail, ce modèle transforme Qwen d'un prototype interne maladroit en un candidat de production viable. Vous obtenez la puissance d'ingénierie brute d'Alibaba sans les directives éditoriales de Pékin, le tout sous une licence Apache 2.0 compatible avec le commerce.

Ce qu'il faut faire cette semaine

1. Vérifiez votre pipeline d'inférence Hugging Face ou local pour évaluer si Arete-27B peut remplacer directement les déploiements existants basés sur Qwen.

1. Effectuez un contrôle ponctuel des prompts de votre modèle open-source actuel par rapport aux cas limites en matière de gouvernance, de conformité ou de confidentialité pour voir si votre système déclenche des refus inattendus ou des réponses aseptisées.

1. Examinez le nouveau jeu de données Nous Research publié sur Hugging Face si vous maintenez des affinages propriétaires, en utilisant leur approche de supervision pour éliminer les biais politiques de vos propres pipelines open-weight.

Sources

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