--- title: "Американська лабораторія Nous Research «перевиховала» китайську модель Alibaba Qwen3.8: так з'явилася Arete" description: "Американська лабораторія Nous Research перенавчила модель Alibaba Qwen3.8-27B, знявши з неї «китайський» ідеологічний пласт: частка пропагандистських відповідей впала з 22 % до 1 %, а точність зросла. Так з'явилася модель Arete." date: 2026-11-13T11:06:11.942Z lang: uk url: https://xab.info/uk/posts/nous-research-arete-alibaba-zapadni-tsinnosti tags: [ai, alibaba, qwen, nous-research, fine-tuning, open-source-ai, china-ai] author: "Олександр Буран" publisher: "XAB.info" --- # Американська лабораторія Nous Research «перевиховала» китайську модель Alibaba Qwen3.8: так з'явилася Arete ![Вивіска з помаранчевим логотипом Alibaba на скляній будівлі штаб-квартири серед гілок з білими квітами](https://xab.info/media/2026/11/13/nous-research-arete-alibaba-qwen38-zapadnie-tsennosti/nous-research-arete-alibaba-qwen38-zapadnie-tsennosti-1.webp) ## Ключові тези - Nous Research перенавчила Alibaba Qwen3.8-27B та перейменувала її на Arete, щоб «утвердити західні цінності». - Частка пропагандистських відповідей знизилася з 22 % до 1 %, фактична точність зросла з 2,32 до 2,98 за 5-бальною шкалою. - Кейс Hirundo на Qwen3.6-35B-A3B показав зниження контенту з перевагами Пекіна з 89,8 % до 2,8 %. - Для перенавчання обрали відкриту модель Inkling від Thinking Machines Lab; ідеологічний пласт знімається на ~50 млн токенів. Американська лабораторія штучного інтелекту Nous Research завершила процедуру додаткового навчання (fine-tuning) популярної відкритої моделі Alibaba Qwen3.8-27B, щоб, за виразом розробників, «позбавити її китайського коріння». У результаті перенавчання модель отримала нове ім'я — Arete — і почала генерувати відповіді, які творці оригінальної моделі в Alibaba, ймовірно, не вважали б прийнятними. Заявлену мету проєкту сформульовано прямо: «утвердити західні цінності в моделі, спочатку навченій у Китаї». ### Чому «китайське коріння» стало проблемою Задум проєкту зумовлений міркуваннями про те, що китайські моделі з відкритими вагами є одними з найпотужніших на сьогодні, проте в їхніх вагах, на думку американських розробників, «спочатку закладено поведінку, що відповідає державній ідеології Китаю». Саме це, як пояснюють у Nous Research, робить пряме використання таких моделей ризикованим для західних продуктів і сервісів, де потрібна нейтральна або відповідна локальним нормам видача. ### Загрози ширші за ідеологію: вразливий код Пов'язані з китайськими ШІ-моделями ризики, за оцінкою дослідників, не завжди зводяться лише до просування ідеології Пекіна. За певних умов деякі з таких моделей здатні генерувати вразливий програмний код, що становить практичну загрозу для безпеки додатків. Це розширює мотивацію «очищення» відкритих ваг від закладених при навчанні патернів поведінки. ### Прецедент Hirundo: від 89,8 % до 2,8 % Показовим прикладом ефективності перенавчання став досвід компанії Hirundo, яка застосувала методи fine-tuning до моделі Alibaba Qwen3.6-35B-A3B. У результаті обсяг контенту, що відображає переваги Пекіна, різко скоротився: якщо до початку процесу цим установкам відповідали 89,8 % відповідей моделі, то після перенавчання показник впав до 2,8 %. Цей кейс підтверджує, що ідеологічний пласт у відкритих китайських моделях піддається корекції. ### Як саме перенавчали Arete Дослідники Nous Research домоглися менш ефектних, але помітних результатів: фактична точність моделі Arete-27B зросла з 2,32 до 2,98 за п'ятибальною шкалою, а частка відповідей, що містять пропаганду, знизилася з 22 % до 1 % — показники, порівнянні з протестованими в лабораторії західними моделями. При виборі інструменту для перенавчання фахівці розглядали модель Nvidia Nemotron 3 Ultra, проте виявили, що і вона «демонструвала неоднозначний підхід до пов'язаних із Китаєм тем», що пов'язали з можливим використанням китайських моделей при навчанні самої Nemotron. У підсумку вибір припав на відкриту модель Inkling, випущену американською лабораторією Thinking Machines Lab. Практика показала, що пропагандистський пласт в Alibaba Qwen3.8-27B має поверхневий характер і відносно легко усувається на навчальному обсязі даних близько 50 млн токенів. ### Що це означає для ринку відкритих моделей Випадок Arete ілюструє зростаючий тренд на «переналаштування» потужних відкритих китайських моделей під західні стандарти поведінки та безпеки. З одного боку, це підтверджує, що ідеологічна складова у вагах таких моделей не є незворотною і може бути знята відносно невеликим обсягом даних. З іншого — порушує питання про те, наскільки глибоко і стійко можна контролювати поведінку відкритих ваг, які після публікації вільно поширюються і можуть бути модифіковані будь-яким користувачем. ## Перевірка фактів і джерела - [Американские разработчики привили китайской ИИ-модели Alibaba Qwen3.8 западные ценности](https://3dnews.ru/1151261) - Першоджерело: всі цифри (22%→1%, 2.32→2.98, 89.8%→2.8%, 50 млн токенів), назви моделей та цитати взяті з тексту. - [Американские разработчики привили китайской ИИ-модели Alibaba Qwen3.8 западные ценности](https://3dnews.ru/1151261/amerikanskie-razrabotchiki-privili-kitayskoy-iimodeli-alibaba-qwen38-zapadnie-tsennosti) - Дублююче посилання на той самий матеріал; зміст збігається з першоджерелом. ## Часті запитання ### Що таке модель Arete? Arete — це перейменована після додаткового навчання версія моделі Alibaba Qwen3.8-27B, яку американська лабораторія Nous Research модифікувала, щоб прибрати закладений у ній «китайський» ідеологічний пласт. ### Яких результатів досягла Nous Research? Фактична точність моделі зросла з 2,32 до 2,98 за п'ятибальною шкалою, а частка відповідей, що містять пропаганду, знизилася з 22 % до 1 %. ### Який інструмент використовували для перенавчання? У підсумку вибір припав на відкриту модель Inkling від американської лабораторії Thinking Machines Lab; раніше розглядувану Nvidia Nemotron 3 Ultra відхилили через «неоднозначний підхід до тем, пов'язаних із Китаєм». ### Наскільки глибоко сидить ідеологічний пласт у Qwen3.8-27B? За даними Nous Research, він має поверхневий характер і відносно легко усувається на навчальному обсязі даних близько 50 млн токенів.