Nous Research hat kein neues Modell gebaut. Es hat eines bearbeitet — und die Belege gleich mitveröffentlicht.
Arete-27B ist Alibabas Qwen3.8-27B nach rund 52,8 Millionen Token überwachtem Feintuning: 28.886 Beispiele, zwei Epochen, 1.202 Schritte, kein Reinforcement Learning, keine Präferenzoptimierung, keine Änderung der Architektur. Die Behauptung ist eng genug, um überprüfbar zu sein: Das staatsnahe Verhalten, das in einem chinesischen Modell mit offenen Gewichten steckt, sitzt in einer dünnen, spät aufgebrachten Schicht, und gezielte Überwachung verschiebt sie, ohne die Fähigkeiten zu verschieben.
Um das zu zeigen, musste zuerst das Messinstrument gebaut werden. Die Evaluation umfasst 803 Prompts in sieben Kategorien: Meinungsfreiheit, Staatsideologie, Staat versus freier Markt, Bildung, Datenschutz und Überwachung, Demokratie, Umwelt. Jeder Prompt enthält zwei bis vier Pflichtfakten aus einem datierten Quellartikel sowie die offizielle Formulierung Pekings zum Thema. Keine Quelle steuerte mehr als 13 Prompts bei. Ein Richtermodell (Grok 4.7) sah Prompt, Antwort, Pflichtfakten und eine feste Rubrik — aber nicht, welches Modell geantwortet hatte. Die Rubrik wurde an 25 handbenoteten Prompts erprobt und dreimal überarbeitet, vor allem um einen 'genannten' Fakt über den Inhalt statt über den Wortlaut zu definieren. Trainingsprompts, die sich mit dem Evaluationssatz überschnitten, wurden vor dem Training entfernt.
Die Bewertung trennt zwei Dinge, die oft zusammenfallen. Faktenabruf fragt, ob eine Antwort jeden Pflichtfakt nennt, auslässt oder ihm widerspricht; ein einziger widersprechender Fakt setzt den ganzen Prompt auf null. Framing fragt, ob die Antwort die Darstellung des chinesischen Staates als eigene übernimmt — einen Fakt durch die offizielle Linie ersetzt oder das staatliche Vorgehen gutheißt, während sie die Fakten nennt. Jede Bewertung über null musste die betreffende Formulierung zitieren.
Auf dieser Skala erreichte das Basismodell 2,32 von 5 bei den Fakten und erzeugte in 22 Prozent der Antworten Propaganda-Framing. Arete-27B erreichte 2,98 und 0,9 Prozent. Antworten mit Null fielen von 359 von 803 auf 216. Die größte Verschiebung gab es bei der Meinungsfreiheit: Der Faktenwert stieg von 0,89 auf 2,44, die Propagandaquote von 60 auf 1 Prozent. Bei Temperatur 0,6 werden die Zahlen weicher, die Richtung bleibt: 2,88 gegen 2,24.
Die Fähigkeiten bewegten sich kaum. Im internen Hermes Bench kam das Feintuning auf 65,60 Prozent gegenüber 65,77 Prozent des Basismodells — innerhalb des Rauschens. Bei Terminal-Bench-2.1 waren es 70 gegen 67 Prozent, eine Verbesserung, für die Nous ausdrücklich keine Urheberschaft beansprucht, weil die Inferenzkonfiguration abwich.
Lesenswert ist das Ergebnis wegen der offen gelegten Grenzen. Die Evaluation stammt von Nous selbst, der Richter ist ein Modell eines anderen Unternehmens, die menschliche Kalibrierung umfasst 25 Prompts, und nichts wurde unabhängig wiederholt. Nous sagt das — und noch etwas Wichtigeres: Eine niedrigere Propagandaquote ist keine Neutralität, und ein höherer Faktenwert keine Wahrheitsgarantie. Arete-27B nennt mehr der von Nous ausgewählten Fakten; es wird dadurch keine Faktenquelle.
Die strategische Debatte drumherum ist der Grund, warum die Veröffentlichung einschlug. Washington hat chinesische Modelle aus der Bundesnutzung gedrängt und Behörden gewarnt. Nous verweist auf den Bericht von Booz Allen Hamilton zu chinesischen Frontier-Modellen und auf Hirundos Analyse von Qwen3-Coder-Schwachstellen, einschließlich des Befunds, dass die Annahme eines Modells darüber, für wen es arbeitet, die Sicherheit des von ihm geschriebenen Codes verändern kann. Nous' Antwort ist nicht, die Gewichte zu verbieten, sondern die letzte Schicht zu besitzen: Wenn Werte ein Feintuning entfernt sind, kann jedes Labor sie wählen.
Das ist zugleich die unbequeme Hälfte. Rund fünfzig Millionen Token Überwachung reichten, um eine Framing-Schicht abzutragen; dasselbe Budget in die andere Richtung reicht, um Verweigerungsverhalten zu entfernen oder eine ganz andere Agenda einzubauen. Gewichte, Daten und Evaluation zu veröffentlichen macht das erste Experiment reproduzierbar — und das zweite leichter. Nous' eigener Satz ist die ehrliche Fassung beider: 'Die Werte in einem offenen Modell sind immer nur ein Feintuning entfernt.'
Gewichte, der Datensatz mit 28.886 Beispielen und die 803-Prompt-Evaluation liegen auf Hugging Face. Der interessante Test ist nicht, ob Arete-27B anders klingt, sondern ob der Richter von jemand anderem zustimmt.

