Che sia per risparmiare, sperimentare o lavorare in locale, anche in Europa e negli Stati Uniti usiamo sempre più spesso modelli AI cinesi open source. Qwen e DeepSeek offrono buone prestazioni, pesi disponibili e costi più accessibili rispetto a molte alternative occidentali.
Quei pesi, però, portano con sé anche le scelte fatte durante l’addestramento. Quando una domanda tocca temi politicamente sensibili, il modello può adottare il linguaggio e il punto di vista ufficiale dello Stato cinese, omettere fatti scomodi o presentare una posizione politica come neutrale.
Finora era relativamente semplice osservare il problema. Più difficile capire quanto fosse possibile correggerlo senza addestrare un modello da zero.
È quello che ha provato a fare Nous Research con Arete-27B.
01Un modello cinese, rieducato in Occidente
Arete-27B parte da Qwen3.8-27B di Alibaba. L’architettura e i 27 miliardi di parametri restano gli stessi: cambia il post-training.
Nous Research non ha usato reinforcement learning o modifiche strutturali. Ha applicato un supervised fine-tuning basato su circa 20.000 prompt. Le domande coprono sette aree nelle quali il framing politico può incidere molto sulla risposta: libertà di espressione, ideologia di Stato, rapporto tra Stato e mercato, istruzione, sorveglianza, democrazia e politiche ambientali.
Le risposte di riferimento sono state generate da Inkling, usato come teacher model. Il laboratorio dichiara di aver controllato che i dati di addestramento non si sovrapponessero al set di valutazione.
In totale il post-training ha utilizzato circa 52,8 milioni di token per due epoche: in pratica, il modello ha elaborato due volte l’intero insieme di dati di addestramento. È una quantità ridotta rispetto a quella necessaria per addestrare un modello da zero. Ed è proprio questo il punto dell’esperimento: capire quanto possa cambiare il comportamento di un modello già capace usando una dose relativamente contenuta di supervisione.

02Come si misura la propaganda
Per valutare il risultato, Nous Research ha costruito un benchmark di 803 domande ricavate da statuti governativi in inglese, articoli di giornale e report di ricerca.
Per ogni domanda il laboratorio ha indicato da due a quattro fatti che la risposta avrebbe dovuto includere. Ha poi descritto il linguaggio usato dalla posizione ufficiale cinese sullo stesso argomento.
Le risposte sono state giudicate su due dimensioni. Il fact score, da zero a cinque, misura quanti fatti richiesti sono presenti. La seconda misura riguarda il framing: una risposta viene classificata come propaganda quando sostituisce i fatti con la posizione ufficiale o la presenta come equivalente o preferibile. Citare quella posizione, dichiarando chiaramente da dove arriva, non basta per far scattare la classificazione.
A svolgere il ruolo di giudice è stato Grok 4.7. Il modello riceveva la domanda, la risposta, i fatti attesi e la rubrica di valutazione, senza sapere quale sistema avesse generato il testo.
Non è quindi una misura universale della propaganda. È una definizione precisa, applicata a un insieme preciso di temi.
03Dal 22% allo 0,9%
Secondo i risultati pubblicati da Nous Research, Qwen3.8-27B produceva risposte classificate come propaganda nel 22% dei casi. Arete-27B è sceso allo 0,9%.
È migliorata anche la quantità di informazioni utili presenti nelle risposte. Il fact score medio è passato da 2,32 a 2,98 su cinque. Il cambiamento più evidente riguarda la libertà di espressione: in quella categoria il tasso di propaganda è sceso dal 60% all’1%.
Il laboratorio sostiene che questa correzione non abbia compromesso le capacità generali del modello. Su Hermes Bench il punteggio passa dal 65,77% di Qwen3.8-27B al 65,60% di Arete-27B, una differenza minima.

I numeri sono interessanti, ma vanno letti per quello che sono: risultati prodotti dal laboratorio che ha sviluppato il modello. Il benchmark non è ancora stato replicato in modo indipendente e usa un altro modello AI come giudice. Anche le impostazioni di generazione possono influire sui confronti.
04Correggere un bias non crea un modello neutrale
Arete-27B mostra che il comportamento politico di un modello open weight non è immutabile. Con 20.000 esempi supervisionati, Nous Research dichiara di aver modificato in modo netto il framing delle risposte senza cambiare l’architettura.
Questo rende più concreto il tema dell’allineamento. Chi controlla il post-training può intervenire non soltanto sul tono o sulla sicurezza, ma anche sul modo in cui il modello interpreta fatti, istituzioni e valori.
Rimane però una domanda: chi decide la direzione della correzione?
Nous Research parla apertamente di “Western values”. Non sta rimuovendo ogni possibile orientamento politico per produrre una neutralità assoluta. Sta sostituendo un’impostazione con un’altra, sulla base di una rubrica costruita dal laboratorio stesso.
La differenza è che dataset, categorie e metodo sono pubblici e possono essere analizzati, contestati o replicati con giudici diversi. È uno dei vantaggi dei pesi aperti: non dobbiamo limitarci ad accettare il comportamento deciso dal produttore originale.
Il passaggio successivo dovrebbe essere proprio una verifica esterna. Lo stesso benchmark andrebbe eseguito con più judge model e con valutatori umani, per capire quanto del miglioramento dipenda da Arete-27B e quanto dalla rubrica scelta da Nous Research.
Arete-27B non chiude la discussione sulla propaganda nei modelli cinesi. Dimostra però che quel comportamento può essere misurato e, almeno secondo i risultati del laboratorio, modificato con un intervento molto più piccolo dell’addestramento originale.
05Fonti
https://huggingface.co/NousResearch/Arete-27B — model card ufficiale
Pubblicato il 13 nov 2026.

