Nous Research trainiert Alibabas Qwen-Modell als Arete-27B um

Regierungsnahe Antworten sinken von 22 auf 0,9 Prozent

Zur Messung entwickelte Nous einen Test mit 803 Fragen in sieben Kategorien: Meinungsfreiheit, Staatsideologie, freie Marktwirtschaft, Bildung, Datenschutz und Überwachung, Demokratie sowie Umwelt. Laut den Tests des Unternehmens übernahm Qwen3.8-27B in 22 Prozent der Antworten die offizielle Linie der chinesischen Regierung als eigene Sicht. Bei Arete-27B waren es 0,9 Prozent. Der „Fact Score“ auf einer Skala bis 5 stieg von 2,32 auf 2,98.

Am stärksten war die Veränderung bei der Meinungsfreiheit: Der Fact Score stieg von 0,89 auf 2,44, der Anteil offizieller Narrative fiel von 60 auf 1 Prozent.

Einschränkend gilt: Die Auswertung stammt von Nous selbst, Grok 4.7 übernahm die Bewertung, und Menschen prüften sie zunächst nur an 25 Fragen. Eine unabhängige Bestätigung gibt es nicht. Weniger regierungsnahe Antworten bedeuten zudem weder politische Neutralität noch durchweg korrekte Angaben.

Allgemeine Leistung bleibt stabil

Im internen Hermes Bench erreichte Qwen3.8-27B 65,77 Prozent, Arete-27B 65,60 Prozent; Nous wertet die Differenz als Messrauschen. Im Terminal-Bench-2.1, der die Aufgabenerledigung von KI-Agenten misst, kam Arete-27B auf 70 Prozent, das Basismodell auf 67 Prozent. Das Unternehmen führt dies wegen abweichender Testkonfigurationen nicht auf sein Training zurück.

Als Lehrermodell diente Inkling. Aus rund 20.000 Prompts in den sieben Kategorien entstand ein Datensatz mit 28.886 Trainingsbeispielen. Gewichte, Trainingsdaten und Testset liegen auf Hugging Face, sodass Forschende die Ergebnisse unabhängig prüfen können.

Nous sieht das Kernergebnis darin, dass sich Wertvorstellungen in Open-Weight-Modellen mit vergleichsweise wenig Zusatztraining deutlich verschieben lassen.