Il confine tra accettare i valori di un modello e costruirne uno da zero è più mobile di quanto il dibattito sui Large Language Models lasci intendere. Arete-27B, pubblicato da Nous Research, parte da Qwen3.8-27B di Alibaba e usa il solo supervised fine-tuning per spostarne l'orientamento su sette aree politicamente sensibili: libertà di espressione, ideologia di Stato, Stato contro libero mercato, istruzione, privacy e sorveglianza, democrazia e politica ambientale. Non ci sono modifiche architetturali, né reinforcement learning, né preference optimization. L'intervento si basa su dati testuali e su un contesto di addestramento da 64k token.

Il gruppo ha separato due livelli che spesso vengono confusi: la capacità di citare fonti verificabili e la cornice con cui una risposta adotta il punto di vista dello Stato cinese. Su questa distinzione, Arete-27B ha alzato il fact score da 2,32 a 2,98 su 5 e ha ridotto le risposte contenenti propaganda dal 22% allo 0,9 per cento. Il miglioramento è rimasto stabile in tutte e sette le categorie, senza regressioni significative nei benchmark sulle capacità generali e agentiche. In altre parole, non si è sacrificata la competenza del modello per correggerne l'inclinazione politica.

La scelta del solo SFT ha un valore tecnico preciso. Rispetto a pipeline di reinforcement learning o di ottimizzazione delle preferenze, il fine-tuning supervisionato richiede meno passaggi e può essere replicato da team con risorse contenute, anche in un ambiente self-hosted. Per chi gestisce modelli open source dentro i propri sistemi, questo riduce la dipendenza da infrastrutture complesse e consente di intervenire sui comportamenti senza rimettere in discussione l'architettura. Arete-27B non pretende di aver corretto tutti i comportamenti ereditati dal modello cinese, ma mostra che un intervento mirato sui dati di addestramento può cambiare l'inquadramento delle risposte in modo misurabile.

C'è anche un segnale strutturale. I modelli open source diventano materie prime che i laboratori possono modellare verso preferenze diverse: i valori con cui un modello viene distribuito non devono essere gli unici disponibili per chi lo usa. Questo sposta una parte del potere dal vendor verso chi possiede dataset curati e competenze di post-training. Le aziende che valutano un deployment on-premise non devono più scegliere solo tra accettare un modello allineato altrove o affrontare un addestramento completo: possono lavorare su uno strato intermedio, con costi più bassi e tempi più rapidi. Per chi valuta deployment on-premise, esistono trade-off tra costi di fine-tuning e controllo dei comportamenti; AI-RADAR offre framework analitici su /llm-onpremise per valutarli.

Per le organizzazioni soggette a vincoli di sovranità o a normative locali, il fine-tuning on-premise si intreccia con il controllo del dato: i dataset usati per il riallineamento non devono uscire dai confini aziendali. Arete-27B offre un esempio concreto di come un modello esistente possa essere riorientato senza appoggiarsi a servizi esterni. Resta il fatto che il punteggio fattuale, pur migliorato, si ferma sotto i 3 punti su 5: la propaganda è crollata, ma l'affidabilità delle risposte non è ancora un punto di forza. La dimostrazione non è che il problema dei valori sia risolto, ma che il post-training può funzionare come leva chirurgica, almeno per spostare la cornice politica senza ripartire da zero.