Arete-27B: por qué evaluar cada variante de IA

Nous Research presentó en noviembre de 2026 el Arete-27B, una variante del Qwen3.8-27B postentrenada para reforzar valores occidentales. Según la ficha del modelo, consultada el 10 de noviembre de 2026, las respuestas que la rúbrica clasificó como adoptantes de la posición oficial del Estado chino cayeron de 22,0% a 0,9%, cerca de 21 puntos porcentuales menos, y la puntuación factual media de esa evaluación pasó de 2,32 a 2,98 (+0,66) en escala de 0 a 5; los benchmarks de capacidad quedaron cerca. La evaluación no demuestra neutralidad general.

Datos clave: el Arete-27B parte del Qwen3.8-27B; los resultados son de Nous Research y valen para las condiciones de las pruebas publicadas. El contexto de entrenamiento no es un límite de inferencia.

¿Qué cambió el Arete-27B en el modelo base?

Nous Research aplicó ajuste fino supervisado, o SFT, al Qwen3.8-27B, modelo de Alibaba, para producir el Arete-27B. Según la ficha de Nous, el procedimiento ajustó los pesos sin alterar la arquitectura. El cambio está en el modelo postentrenado, no en un componente que el comprador active o desactive.

Figura producida para este artículo a partir de la ficha del modelo Arete-27B y del anuncio oficial; no es una captura del repositorio ni un registro independiente de laboratorio.

Los pesos cambiaron. La ficha describe una variante con pesos ajustados después del SFT, no una configuración aplicada sobre pesos intactos que el comprador pueda activar o quitar a voluntad. La ficha declara que todos los pesos del modelo de lenguaje fueron entrenados, que el codificador visual permaneció congelado y que la cabeza de predicción multi-token (MTP) se desactivó durante el entrenamiento. El método informado no usó aprendizaje por refuerzo ni optimización por preferencias; eso no vuelve el comportamiento independiente de la capacidad del modelo.

El Arete-27B tampoco sustituye automáticamente la base dentro de una política ya aprobada. Aunque el equipo reconozca la familia del modelo, necesita saber qué variante atiende la solicitud y en qué condiciones se produjo la respuesta. Ese registro permite atribuir un resultado a la versión efectivamente probada.

¿Por qué la misma base ahora exige dos decisiones?

La primera decisión es elegir un modelo base adecuado para la tarea; la segunda es aprobar la variante postentrenada que responderá al usuario. El caso Arete-27B muestra por qué las dos no deben confundirse: Nous reporta diferencias de comportamiento incluso sin cambiar la arquitectura de partida.

Compartir arquitectura no significa compartir respuestas. Una evaluación de la base puede orientar la investigación, pero no autoriza extender sus resultados al Arete-27B. Es necesario verificar si la variante cumple los criterios de la aplicación, incluso en los casos en que una respuesta incorrecta o incompleta exige revisión humana.

Variante, checkpoint y endpoint no son sinónimos. La variante identifica la versión postentrenada; el checkpoint identifica los pesos usados; el endpoint es el punto de acceso al servicio. Una aprobación útil registra los tres, además del proveedor y de las condiciones de ejecución que el equipo logró verificar.

La decisión de hospedaje es otra parte de ese análisis. La gobernanza en la elección entre pesos abiertos y modelos hospedados trata de la responsabilidad sobre el despliegue; aquí el punto es no dejar que la elección de la variante desaparezca dentro del nombre de la familia.

¿Cómo se hizo el postentrenamiento del Arete-27B?

Según Nous Research, el Arete-27B se obtuvo por SFT sobre el Qwen3.8-27B, con respuestas de un modelo profesor llamado Inkling. La empresa informa que eligió al profesor con base en benchmarks y en el juicio de sus investigadores. Los datos siguientes describen el entrenamiento reportado, no la operación de un endpoint.

Precisión no es capacidad. La página describe cómputo en BF16 durante el entrenamiento, con pesos maestros y estados del optimizador en FP32; esa información describe el método reportado, pero no basta para estimar la memoria necesaria en cualquier despliegue ni para deducir el desempeño de un servicio.

El límite de inferencia sigue sin confirmación en la ficha. El valor de 64k se refiere al contexto de entrenamiento. En cambio, el techo de generación de 32k tokens (32.768) aparece en las ejecuciones de la evaluación de comportamiento; no debe convertirse en ventana general del modelo. Mezclar esas medidas produce una especificación que la fuente no ofrece.

¿Qué muestran realmente los benchmarks del Arete-27B?

Nous Research reporta diferencias en el comportamiento medido y resultados cercanos en pruebas de capacidad al comparar el Qwen3.8-27B con el Arete-27B. La tabla reúne los valores publicados en la ficha, consultada el 10 de noviembre de 2026. Cada fila tiene un significado propio; ninguna funciona como nota universal del modelo.

La definición cambia la lectura. En la comparación de comportamiento, la rúbrica mide la porción de respuestas que el juez clasificó como que adoptaban como propia la posición oficial del Estado chino, de modo que los porcentajes no miden propaganda en general ni demuestran ausencia de sesgo en otras tareas.

Nous informa que la evaluación usó 803 prompts en cinco rondas, con Grok 4.7 como juez, rúbrica fija, temperatura cero y razonamiento desactivado en los dos modelos. Según la ficha, el juez no recibió la identidad del modelo autor de cada respuesta. La ficha reporta un piloto de 25 prompts puntuado a mano y tres revisiones de la rúbrica antes de la evaluación principal. El techo de generación de 32k tokens (32.768) vale para esas rondas.

El conjunto de evaluación reservado está vinculado en la ficha y no es el conjunto de entrenamiento. Incluso con esos detalles, el resultado depende de los prompts, de la rúbrica y del juez elegidos. La ficha no autoriza concluir que las respuestas serán equivalentes fuera de las pruebas publicadas.

¿Qué aún no está demostrado?

Los resultados presentados son mediciones reportadas por la propia Nous Research, en condiciones específicas. No establecen equivalencia general entre el Arete-27B y el Qwen3.8-27B, ni dicen cómo se comportará la variante en documentos, idiomas e instrucciones de una empresa. El camino de aprobación empieza donde termina el benchmark.

Hay límites distintos para preguntas distintas. Un puntaje factual mayor en la rúbrica de los autores no elimina la necesidad de contrastar respuestas con las fuentes que usa la aplicación. Un resultado cercano en Hermes Bench no garantiza que una tarea interna, con sus formatos y criterios de aceptación, tenga el mismo resultado.

La sección Limitations del Propaganda_Eval informa que el conjunto es solo en inglés, por lo que ninguna medición de esta evaluación se hizo en español. Esa misma sección registra fuentes de 2025 y 2026 y advierte que los modelos con corte de entrenamiento anterior quedan en desventaja en esos prompts, de modo que parte de la ganancia de 2,32 a 2,98 puede reflejar exposición temporal a los datos de postentrenamiento, no solo un cambio de comportamiento.

La ficha tampoco informa el precio de inferencia del Arete-27B. La ausencia de precio en la ficha no prueba que no existan ofertas de otros proveedores. En la página oficial de QwenCloud para la región de Singapur, la tarifa de la base se consultó el 10 de noviembre de 2026:

Las filas no permiten calcular una diferencia de precio entre variantes. Caché, procesamiento por lotes, latencia y costo total tampoco están confirmados para esa comparación. Antes de contratar cualquier servicio, el comprador necesita verificar las condiciones del endpoint que pretende usar y la tarifa vigente.

¿Cómo aprobar y enrutar variantes en producción?

La recomendación es probar cada variante con criterios de la propia carga y registrar el endpoint aprobado antes de enviar solicitudes. Eso separa lo que Nous midió de lo que la empresa necesita aceptar en operación. La tabla muestra un cambio de procedimiento, no una función comprobada de un producto específico.

El orden del trabajo importa:

1. Registrar la identidad. Documentar modelo base, variante, checkpoint cuando esté disponible y origen de la información. Si el proveedor no identifica los pesos usados, registrar la laguna antes de aprobar.
2. Definir la prueba. Seleccionar tareas representativas de la aplicación, respuestas de referencia y criterios de aceptación, incluidas las situaciones que exigen revisión humana. Mantener las mismas instrucciones al comparar variantes, cuando sea técnicamente posible.
3. Aprobar el servicio. Confirmar la disponibilidad de la variante en el endpoint elegido y registrar proveedor y parámetros de ejecución. La aprobación de un endpoint no debe transferirse automáticamente a otro.
4. Seguir los cambios. Guardar las condiciones de la prueba y revisar la decisión cuando haya un cambio verificable de checkpoint, proveedor o configuración. Una ruta alternativa también necesita criterios propios antes de recibir tráfico.

La recomendación es editorial. No es un resultado del experimento de Nous, y corresponde al equipo responsable definir quién aprueba un cambio y qué evidencia debe permanecer disponible para la revisión. El nombre comercial por sí solo no responde a esas preguntas.

Preguntas frecuentes

El Arete-27B es una variante postentrenada, y sus resultados publicados deben leerse junto con las condiciones de prueba. Las respuestas siguientes se limitan a la ficha de Nous Research y a la recomendación de evaluación descrita arriba. No establecen disponibilidad en proveedores ni aprobación para una carga específica.

¿Qué es el Arete-27B?

Es la variante que Nous Research obtuvo al aplicar SFT al Qwen3.8-27B, según la ficha del modelo. Los pesos cambiaron. La arquitectura siguió igual, pero eso no significa que las dos versiones respondan de la misma forma.

¿Cómo se postentrenó el Arete-27B?

Nous describe un ajuste fino supervisado con el profesor Inkling, sin aprendizaje por refuerzo y sin optimización por preferencias. El contexto informado de 64k es el del entrenamiento; la ficha no confirma el límite de contexto de inferencia.

¿Qué mide la evaluación de comportamiento del Arete-27B?

Según Nous Research, la proporción de respuestas que el juez clasificó como adoptantes de la posición oficial del Estado chino cayó de 22,0% en el Qwen3.8-27B a 0,9% en el Arete-27B. La comparación usó 803 prompts, cinco rondas, Grok 4.7 como juez, temperatura cero y razonamiento desactivado. El resultado vale para la rúbrica de los autores, no para propaganda en general.

¿El Arete-27B conservó la capacidad del modelo base?

En Hermes Bench, Nous reporta 65,77% para el Qwen3.8-27B y 65,60% para el Arete-27B, diferencia que interpreta como ruido. Eso describe una prueba específica, no una demostración de equivalencia en todas las tareas.

¿Cómo evaluar variantes de IA antes de producción?

Registrar la variante y el endpoint, probar las tareas de la aplicación con criterios definidos y aprobar la configuración observada. Si la identidad de los pesos o las condiciones del servicio cambian, el equipo debe revisar la aprobación en lugar de suponer que la prueba anterior sigue vigente.

Referencias y lectura complementaria

Las fuentes siguientes permiten consultar el método y los resultados reportados por Nous Research. La ficha es la fuente de las medidas presentadas; el conjunto vinculado describe el material de evaluación, mientras que el anuncio oficial aporta el mes de presentación. Las tarifas pertenecen al servicio identificado, no a la variante Arete-27B.

• Ficha del Arete-27B, Nous Research.
• Conjunto de evaluación vinculado a la ficha.
• Anuncio oficial de Nous Research.
• Tarifas públicas de QwenCloud en Singapur.

La ficha es la fuente primaria. Para revisar la comparación, el comprador puede consultar también el conjunto de evaluación y observar qué preguntas y criterios sostienen los porcentajes divulgados por Nous Research, sin extrapolarlos a otras tareas.

¿Cuál es el siguiente paso para el comprador?

El siguiente paso es montar una prueba comparable para la tarea que la empresa pretende ejecutar y registrar qué variante y qué endpoint produjeron cada resultado. El Nexforce Router ofrece una API para acceso y enrutamiento y permite probar un prompt en varios modelos disponibles. La disponibilidad del Arete-27B en el Router no está confirmada.

La prueba exige identificación. La infraestructura también ofrece reglas por clave y rastreo de llamadas, recursos que pueden apoyar la organización de pruebas con modelos y endpoints disponibles, sin sustituir la verificación de qué servicio produjo cada respuesta. Eso no comprueba reconocimiento automático de variantes ni aplicación de políticas por checkpoint. La decisión de aprobación sigue siendo del equipo, con base en los resultados y las condiciones que logró verificar.