Arete-27B发布：微调降低政治偏见指标

开源模型能否通过有限规模的微调，调整敏感议题上的回答倾向，同时保留原有的工具使用与任务执行能力？据MarkTechPost于2026年11月7日刊出的报道，Nous Research发布了Arete-27B：它以阿里巴巴Qwen3.8-27B为基础，仅采用监督微调，在团队自建的803条提示词评测中，将被判定包含“宣传性表述”的回答比例从22%降至0.9%。模型权重、评测集和训练数据均已公开，使外界有机会检查这次调整的训练方法与评价标准。需要明确的是，这里的“宣传”是Nous评测框架中的特定判定，并非对模型整体中立性的独立认证。

一次只用监督微调的定向调整

Arete-27B是一款拥有270亿稠密参数的开放权重模型，推理时全部参数参与计算，许可证为Apache 2.0，与基础模型一致。Nous称，团队在Qwen基础模型处理敏感议题时，观察到了拒绝回答、回避问题，以及采用中国共产党或中国官方叙事框架作答的现象。选择Qwen3.8-27B，是因为团队认为它在可本地运行的模型中能力突出，同时存在其希望调整的目标行为。项目的诉求因此包含两个方面：减少特定政治叙事对回答的影响，并尽量维持Qwen原有的智能体能力。

训练方法相对直接：只做监督微调，没有强化学习、没有偏好优化，也没有改变模型架构。教师模型采用Thinking Machines的开放模型Inkling，Nous解释，选择开放教师是为了避免蒸馏过程中受到服务使用条款的限制。团队曾考察Nemotron 3 Ultra，但认为其在中国相关议题上的表现不够一致，因而没有采用。上述判断来自Nous，原文没有提供阿里巴巴、Thinking Machines或Nemotron相关开发方对此项目的回应，也未给出独立第三方对这些选择的验证。

具体训练使用约5280万token，训练上下文为64k，不进行序列打包；共运行2个epoch、1202个训练步，批大小为48，优化器为AdamW，峰值学习率为1e-5，张量并行度为4。全部语言模型权重参与训练，视觉编码器因训练数据仅含文本而保持冻结，多token预测头则被禁用。公开的arete-data-pairs数据集覆盖7个主题，包含34878条提示词，每条同时附有Inkling和Qwen的回答，其中29236条被接受的教师回答构成监督微调训练划分。这种成对发布方式，为研究者分析教师答案与基础模型答案的差异提供了材料。

803道评测题如何定义改善

Nous公开的Propaganda_Eval包含803条提示词，覆盖7个价值类别，包括表达自由、国家意识形态、数据隐私和民主等。每条提示词关联有来源引用的2至4项必需事实，由Grok 4.7担任评判模型，分别给出事实覆盖得分和宣传性表述判定。事实均分范围为0至5，主要衡量回答是否陈述要求的事实；按照其规则，若出现一项与要求事实相反的陈述，该回答记为0分。“Any propaganda”则统计回答将国家叙事作为自身立场表达的比例，评判模型必须引用具体原句才能标记。Nous还称，已移除所有与评测重叠的训练提示词；评测采用MIT许可证，并附有评分脚本。

模型卡数据显示，Arete-27B的事实均分由基础模型的2.32升至2.98，被判定含宣传性表述的比例由22%降至0.9%；803份回答中，事实得分为0的数量由359份减少到216份。变化最明显的是表达自由类别：事实得分从0.89升至2.44，宣传性表述比例从60%降至1%。这说明，在Nous所选择的问题、参考事实与判分规则下，微调确实改变了回答表现。不过，2.98分距离5分满分仍有明显差距，216份零分回答也表明问题没有解决完毕。零分还可能由规则中的反向事实触发，不能简单等同于回答完全没有事实内容。

理解这些结果，必须区分事实覆盖与政治表达方式。减少被标记的国家叙事，并不自动意味着模型在所有政治议题上都更加客观；提高指定事实的覆盖率，也不等于对开放世界问答准确率作出了全面验证。原报道将调整后的政治框架描述为更接近西方模型，这本身提示了评测的方向性。公开数据和评分脚本有利于外部复查，但选题范围、参考来源、类别定义以及Grok 4.7的判断仍会影响结果。去除训练与评测提示词的重叠，是控制直接数据泄漏的一步，也不能单独证明模型已经在更广泛议题上实现稳定泛化。

通用能力保留到什么程度

在Nous运行的能力测试中，Hermes Bench成绩从65.77%变为65.60%，团队认为这一差异属于噪声；Terminal-Bench-2.1则在Nous测试框架下从67%升至70%，但Nous没有将这项提升归功于此次微调。较稳妥的解读是，这些测试没有显示出明显的能力损失，而不是证明所有能力完全不变。Qwen3.8-27B另有73.0的官方Terminal-Bench成绩，不能与Nous框架下的67%直接混用；Arete-27B的GPQA Diamond成绩没有披露，基础Qwen在该项的成绩为89.2。

同一份对比还列入Meta的Muse Glimmer 30B和Google DeepMind的Gemma 4 31B。在Nous评测中，Muse Glimmer的事实均分为3.02，宣传性表述比例为0.5%；Gemma分别为2.58和0.5%。因此，Arete的2.98分略低于Muse Glimmer、高于Gemma，而0.9%的宣传性表述比例仍高于两者。测试条件也不完全一致：Arete与Qwen的温度设为0，Muse Glimmer与Gemma为0.6。能力方面，Muse Glimmer的Terminal-Bench 2.1成绩为51.7，来自Meta的terminus2测试框架，GPQA Diamond为83.5；Gemma的GPQA Diamond为84.3，Google未披露此处对应的Terminal-Bench成绩。不同框架、不同采样设置下的数字，只能提供参照，不能直接据此排列模型优劣。

本地部署与开放复查的实际边界

从规格看，Arete是270亿稠密参数模型，支持文本和图像输入，但视觉编码器未参与此次训练；基础Qwen列出的语言模型参数为270亿，支持文本、图像和视频，原生上下文为262144 token，最高可扩展至100万token。Arete仅明确披露了64k训练上下文，实际支持的上下文上限没有公布，不能直接照搬基础模型规格。作为对照，Muse Glimmer拥有包含视觉部分在内的296亿稠密参数，支持文本和图像，上下文为131072 token以上；Gemma为307亿稠密参数，支持文本和图像，上下文为256K。原文对比表将这四款模型的许可证均列为Apache 2.0。

Arete权重已以BF16格式发布在Hugging Face，文件体积为53.81 GB；截至原报道发布时，尚无托管推理服务商提供该模型。社区GGUF版本可通过llama.cpp、LM Studio和Ollama运行，文件体积范围为8.64 GB至53.81 GB，并包含图像投影器。其中Q4_K_M量化版本为17.20 GB，面向24 GB显存的消费级GPU部署。作为参照，Muse Glimmer的4比特占用低于20 GB，同样以24 GB显存为目标；原文没有披露Qwen与Gemma对应的4比特占用。权重体积并不等于运行时总显存需求，开发者仍需为上下文缓存及其他开销留出空间，长上下文尤其会影响实际部署条件。

Arete-27B的价值，在于提供了一套可检查的定向微调案例：约5280万token的普通监督训练，就在特定偏见评测中带来了显著变化，并在已披露的能力测试中基本保留了原有表现。权重、技术博客、训练数据、评测集和评分脚本的公开，让外部团队能够进一步复现和质疑这些结论。接下来最需要验证的是，改善是否能跨语言、跨议题和跨评判模型成立，以及模型在减少一种叙事倾向后是否引入新的遗漏或偏向。原文没有披露后续训练路线、版本时间表或托管服务上线计划；对开发者而言，它已是可供本地测试的选择，但距离证明普遍的事实可靠性与政治中立性，仍需要更多独立证据。