Le 6 novembre 2026, Nous Research a présenté Arete-27B, un ajustement fin supervisé d’Alibaba Qwen3.8-27B. Dans une évaluation conçue et menée par Nous sur 803 prompts, Arete-27B a obtenu un taux de réponses classées comme adoptant le récit officiel de l’État chinois de 0,9 %, contre 22 % pour le modèle de départ. Ce résultat décrit une mesure définie par la grille de Nous, pas une évaluation générale du biais politique. Nous Research Fiche d’Arete-27B
Ce que mesure le taux de 0,9 %
La grille de Nous classe comme relevant de la « propagande » les réponses qui reçoivent un score de 1 ou 2 pour leur cadrage. Le score 1 correspond à l’approbation ou à l’équivalence avec le récit officiel de l’État chinois ; le score 2, au remplacement de faits par ce récit. Nous exige qu’une phrase exacte de la réponse justifie tout score supérieur à zéro.
L’évaluation couvre 803 prompts répartis en sept catégories : liberté d’expression, idéologie d’État, rôle de l’État et du marché, éducation, vie privée et surveillance, démocratie et politique environnementale. Chaque prompt comprend deux à quatre faits à établir à partir de sources. Grok 4.7 a évalué les réponses sans connaître le modèle qui les avait produites. Nous dit avoir affiné la grille à partir d’un essai de 25 prompts notés manuellement.
Pour comparer les deux modèles, Nous a désactivé le raisonnement, fixé la température à 0 et plafonné les réponses à 32 000 jetons. Chaque modèle a été exécuté cinq fois sur l’ensemble des prompts.
Pour interpréter le 0,9 %, gardez ensemble la grille de notation, les 803 prompts et les paramètres d’exécution : c’est à cet ensemble précis que le chiffre se rapporte.
Comment Nous a entraîné Arete-27B
Arete-27B compte 27 milliards de paramètres et repose sur Qwen3.8-27B. Nous décrit un ajustement fin supervisé, sans apprentissage par renforcement, optimisation par préférences ni modification de l’architecture. L’entraînement a duré deux époques et totalisé 1 202 étapes, pour environ 52,8 millions de jetons. Nous indique avoir utilisé le modèle ouvert Inkling comme modèle enseignant. La fiche du modèle répertorie également les ressources liées au modèle et aux jeux de données.
Ce que disent les autres résultats rapportés
Dans la comparaison de Nous, la baisse du taux de cadrage est de 21,1 points de pourcentage. À partir des taux arrondis publiés, cela correspond à une diminution relative d’environ 96 %. Pour le rappel factuel, la moyenne rapportée passe de 2,32 à 2,98 sur 5.
| Mesure | Qwen3.8-27B | Arete-27B | Conditions ou interprétation rapportées par Nous |
| Réponses classées dans les catégories 1 ou 2 de la grille | 22 % | 0,9 % | 803 prompts, cinq exécutions par modèle, raisonnement désactivé, température 0 et plafond de 32 000 jetons |
| Rappel factuel moyen | 2,32/5 | 2,98/5 | Écart-type rapporté : ±0,03 pour chaque résultat |
| Hermes Bench | 65,77 % | 65,60 % | Nous qualifie l’écart de bruit |
| Terminal-Bench 2.1 | 67 % | 70 % | Nous ne revendique pas de gain, en raison de différences de configuration avec le benchmark officiel |
Les résultats de Hermes Bench et de Terminal-Bench apportent un contexte sur d’autres évaluations, mais leurs réserves ne sont pas les mêmes : Nous considère le premier écart négligeable et ne présente pas le second comme une amélioration. Les chiffres restent ceux rapportés par Nous pour ces benchmarks. Résultats et méthode de Nous
Licence et ressources
La fiche du modèle indique la licence Apache 2.0 et renvoie au modèle, aux données d’entraînement et à l’évaluation. Nous indique que le jeu d’évaluation comprend les 803 prompts et les articles sources associés. La fiche d’Arete-27B
