Nous Research sort Arete-27B, un modèle open-source de réalignement de valeurs

Introduction : Une expérience de réalignement audacieuse

Le 6 novembre 2026, Nous Research a marqué un tournant dans le domaine de l'IA open-source avec la sortie d'Arete-27B. Ce modèle n'est pas une simple itération de plus dans la course aux paramètres ; il s'agit d'une expérience de recherche appliquée visant à démontrer comment le cadrage idéologique d'un modèle peut être modifié par un post-entraînement ciblé.

En utilisant le modèle Qwen3.8-27B d'Alibaba comme base, l'équipe de Nous Research a cherché à répondre à une problématique croissante pour les développeurs internationaux : la présence de refus, de déviations et de réponses cadrées par l'État chinois sur des sujets politiquement sensibles. Arete-27B propose une alternative où les valeurs de liberté d'expression et de neutralité factuelle sont restaurées.

• Date de sortie : 6 novembre 2026
• Développeur : Nous Research
• Licence : Apache-2.0
• Base : Qwen3.8-27B

Architecture et méthodologie d'entraînement

Contrairement aux approches classiques qui reposent sur le Reinforcement Learning from Human Feedback (RLHF) ou l'optimisation de préférence (DPO), Arete-27B a été développé exclusivement via un Supervised Fine-Tuning (SFT). Cette approche minimaliste vise à prouver que la couche d'alignement étatique est superficielle et peut être 'nettoyée' sans modifications architecturales complexes.

L'entraînement a été réalisé sur un corpus de 52,8 millions de tokens, comprenant environ 28 886 exemples issus de 20 000 prompts originaux. Pour garantir l'éthique et la conformité, Nous Research a utilisé le modèle open-source 'Inkling' comme modèle enseignant (teacher model), évitant ainsi les restrictions d'utilisation liées à la distillation de modèles propriétaires.

Le processus s'est déroulé sur deux époques avec un total de 1 202 commits, supportant une fenêtre de contexte de 64k tokens, ce qui permet une manipulation efficace de documents longs et de contextes complexes.

• Méthode : Supervised Fine-Tuning (SFT) uniquement
• Volume de données : 52.8M tokens
• Fenêtre de contexte : 64k tokens
• Modèle enseignant : Inkling (Open Source)

Performances et benchmarks de réalignement

L'évaluation d'Arete-27B repose sur un protocole rigoureux de 803 prompts répartis sur sept catégories de valeurs (liberté d'expression, idéologie d'État, marché libre vs État, éducation, confidentialité des données, démocratie et environnement). Le résultat est sans appel : le score de facticité est passé de 2,32 à 2,98/5, tandis que le taux de réponses contenant un cadrage étatique a chuté de 22% à seulement 0,9%.