Ai2 يفتح مصدر AstaBrief 8B لتوليد تقارير علمية سريعة

صرّح معهد ألين للذكاء الاصطناعي (Ai2) في 2 أكتوبر 2026 بأنه يفتح مصدر AstaBrief 8B، وهو نموذج يحوّل سؤال بحث ومقتطفات من الأدبيات المسترجعة إلى تقرير موثّق، ويُطلق أوزان النموذج وبيانات التدريب مع تشغيل النظام كالوضع السريع في Asta، منصته الوكيلة للعمل العلمي.

الوضع السريع في توليد تقارير Asta

يتوفر AstaBrief في ميزة “إنشاء تقرير” في Asta كالوضع السريع، يعمل جنبًا إلى جنب مع وضع التفكير المدعوم بـClaude الحالي، وفقًا إعلان Ai2. تقول Ai2 إن هدفها كان اختبار ما إذا كان نموذجًا صغيرًا ومفتوحًا تم تدريبه خصيصًا لتوليد التقارير العلمية يمكنه مطابقة جودة التقارير التي تنتجها النماذج المملوكة التي كانت تستخدمها، مع تقليل زمن التوليد وتكاليف الخدمة. تُفيد Ai2 أن الوضع السريع يحقق متوسط 51.1 ثانية لكل تقرير عبر كامل خط أنابيب Asta، مقارنةً بـ 178.5 ثانية لوضع التفكير، وهو فرق تصفه بأنه أسرع بحوالي 3.5 أضعاف وتقريبًا تقليل بمقدار مرتبة واحدة في زمن التوليد مقارنةً بالنماذج المملوكة التي تم تتبعها.

تُشير بطاقة نموذج AstaBrief 8B إلى أن النموذج مرخّص تحت Apache 2.0، ومبني على Qwen3-8B، ومُصمم للاستخدام البحثي والتعليمي وفقًا لإرشادات الاستخدام المسؤول الخاصة بـAi2. وبما أن الأوزان مفتوحة، تقول Ai2 إن المؤسسات يمكنها تشغيل النموذج على عتادها الخاص، بما في ذلك خلف جدارها الناري، وهو ما تصفه بأنه ضروري عندما تتعلق أسئلة البحث بعمل حساس أو غير منشور. إلى جانب الأوزان، أطلقت Ai2 سير عمل مثال في مستودع ai2-scholarqa-lib على GitHub يمكن للباحثين تكييفه لتوليد تقارير من ملفات PDF الخاصة بهم.

بيانات التدريب والتصفية

بدأت Ai2 من Qwen3-8B وبنت AstaBrief باستخدام تحسين دقيق تحت إشراف ثم تحسين التفضيل المباشر (DPO). يُشير الإعلان إلى أن الفريق نظر في تدريب قائم على التعلم المعزز، الذي أظهر عمله السابق DR Tulu أنه يمكن أن يُحسّن توليد التقارير طويلة الشكل للنماذج ذات الأوزان المفتوحة، لكنه اختار الطريقة الأبسط لأن تدريب التعلم المعزز قد يكون غير مستقر ومكلف، وكان الفريق يرغب في إعداد أقل تكلفة وأسهل في تصحيح الأخطاء والتكرار.

من أجل السرعة، تم تدريب AstaBrief لكتابة التقرير الكامل في خطوة واحدة استنادًا إلى سؤال المستخدم والمقتطفات المسترجعة، متجاوزًا مراحل تلخيص المقتطفات والتجميع التي يستخدمها وضع التفكير القائم على Claude ومتخلفًا عن الكتابة قسمًا بقسم. تقول Ai2 إنها وجدت أن ذلك ممكن دون التضحية بالأداء.

بدأ خط أنابيب التدريب بأسئلة مستخدمين حقيقية تم تقديمها عبر النظام خلف إطار عمل ScholarQA الخاص بـAi2، الذي يدعم توليد تقارير Asta. قام الفريق بتصفية السجلات للبحث عن الجودة والملاءمة والخصوصية، مع إزالة حركة الاختبار التجريبي والروبوتات، وحذف الأسئلة القصيرة جدًا غير ذات معنى، واستخدام مرحلة تعتمد على نموذج لغوي كبير لالتقاط الأسئلة غير الإنجليزية، والطلبات غير العلمية، والمطالبات التي تحتوي على معلومات شخصية. نتج عن ذلك مجموعة من 90 ألف سؤال يركز على البحث.

في المرحلة الخاضعة للإشراف، تم إنشاء أهداف تقارير كاملة باستخدام خط أنابيب ScholarQA متعدد الخطوات المدعوم بمزيج من الأنظمة المملوكة: Claude 3.5 Sonnet، Claude 3.7 Sonnet، o3، o4-mini، وGPT-4.1. أدت عملية التصفية النوعية إلى بقاء 47 ألف مثال قابل للاستخدام. بالنسبة لـ DPO، جاءت الأزواج من مجموعة فرعية منفصلة من الأسئلة التي لم تُستخدم أثناء توليد بيانات SFT: تقرير واحد من خط أنابيب ScholarQA، عادةً ما يكون مدعومًا بـ Claude 3.5 أو 3.7 Sonnet، مقابل تقرير تم توليده بواسطة o3 أو o4-mini أو DeepSeek-V3 أو DeepSeek-R1. اختارت نماذج التحكيم، GPT-4.1 وDeepSeek-R1، الفائز لكل زوج. تقول Ai2 إن القضاة اتفقوا مع تفضيلات البشر بنسبة 95 بالمئة من الوقت، وتم الاحتفاظ فقط بالأزواج التي اتفق فيها القاضيان، مما أنتج حوالي 6 آلاف مثال نهائي. وفقًا لبطاقة النموذج، تم تهيئة النموذج المُصدر من نقطة تفتيش AstaBrief-8B-SFT وتم تحسينه على الـ AstaBrief_DPO_Mix مجموعة البيانات، مع إجراء تدريب DPO في إطار عمل open-instruct الخاص بـAi2 على 8×H100 GPUs.

نتائج التقييم

كان الهدف الرئيسي لتطوير Ai2 هو SQABench-CS2، الذي يصفه الإعلان بأنه مجموعة من 200 سؤال بحثي في علوم الحاسوب كتبها المستخدمون. تتبع الفريق أربعة مقاييس: درجة rubric، التي تقيس مقدار المحتوى الضروري الذي يغطيه التقرير؛ دقة الإجابة، التي تقيس ما إذا كان كل فقرة ذات صلة بالسؤال؛ دقة الاستشهاد، التي تقيس ما إذا كان كل استشهاد يدعم الادعاء المرتبط به؛ واستدعاء الاستشهاد، الذي يقيس ما إذا كانت ادعاءات التقرير مدعومة بالكامل بالاستشهادات المقدمة. استخدمت التقييمات الثانوية DeepScholarBench، وهو معيار مكوّن من 63 سؤالًا لتوليف الأبحاث طويلة الشكل تم بناؤه من أوراق arXiv الحديثة، بالإضافة إلى مقارنات زوجية ضد تقارير من خط أنابيب Claude المدعوم.

يُبلغ الإعلان أن الفريق اختبر أربعة مرشحات قائمة على الإحصاءات على تقارير التدريب الاصطناعية: نسبة الرموز الناتجة إلى المدخلة، صلة الاستشهاد، كثافة الاستشهاد، وتنوع الاستشهاد. تقول Ai2 إن أكبر التحسينات جاءت من تصفية التقارير ذات كثافة الاستشهاد المنخفضة، بينما لم تُضيف المرشحات الأكثر تشددًا أو تركيبات المرشحات أو تجارب معدل التعلم أي تحسينات ذات معنى. يصف الدرس الأوسع كدليل على أن التخصص العلمي ليس بالضرورة مسألة إضافة المزيد من النص العلمي إلى مرحلة ما قبل التدريب، وأن تركيبة وجودة بيانات ما بعد التدريب يمكن أن تغير بشكل ملحوظ أداء النموذج الناتج.

تقول Ai2 إن نقاط التفتيش المبكرة لتدريب SFT حسّنت جودة المحتوى العامة لكنها لا تزال تتخلف عن خط الأنابيب المدعوم بـ Claude من حيث دقة الإجابة وجودة الاستشهاد، وأن مرحلة DPO جلبت AstaBrief إلى نطاق خط الأنابيب Claude وDR Tulu في توليد التقارير. تشير بطاقة النموذج إلى أنه على مجموعة اختبار ScholarQA‑CS2، حقق AstaBrief‑8B متوسطًا قدره 87 عبر المقاييس المتتبعة، مقارنةً بـ 83.7 لنقطة التفتيش SFT و77.3 للنسخة الأساسية Qwen3‑8B، حيث حصل AstaBrief‑8B على 90.2 في استرجاع المكوّنات، و89 في دقة الإجابة، و90.5 في دقة الاستشهاد، و78.2 في استرجاع الاستشهاد. كما تُظهر البطاقة معدلات الفوز التي قيمتها نماذج اللغة الكبيرة لـ AstaBrief‑8B مقابل خط أنابيب Asta ScholarQA بنسبة 55 ٪ على مجموعة التطوير و72 ٪ على مجموعة الاختبار، وتدرج درجات DeepScholarBench بقيمة 53.50 لـ AstaBrief‑8B، و60.25 لـ Asta ScholarQA، و56.26 لـ DR‑Tulu‑8B.

في دراسة بشرية منفصلة موصوفة في الإعلان، ساهم ثلاثة باحثين علميين كلٌ منهم بأربع إلى خمس أسئلة ضمن مجموعة مكوّنة من 14 سؤالًا، وصنّفوا التقارير الصادرة عن الأنظمة الثلاثة وفقًا للتفضيل العام، والاكتمال، والملاءمة، والتنظيم، ودقة الاستشهاد، مع السماح بالتعادل. تُفيد Ai2 بأن DR Tulu فاز في التفضيل العام، بينما فضل الباحثان من بين الثلاثة AstaBrief على الأنظمة الأخرى من حيث دقة الاستشهاد.

تحذر Ai2 من أن معظم التدريب والتقييم أُنجِزا في عام 2025، وأن النماذج المملوكة المستخدمة لتوليد بيانات التدريب وتُستخدم كنقاط مقارنة تعكس الحدّ الأمامي في ذلك الوقت، وأنها لم تُعيد تشغيل التقييم الكامل مقابل النماذج الحدّية الحالية.

الاستخدام المبكر والخطوات التالية المعلنة

تُفيد Ai2 بأنه من بين 374 مستخدمًا لـ Asta جربوا وضع Fast، استخدمه 29.1٪ منهم لمدة يومين أو أكثر، وولد المستخدمون متوسط 3.67 سلسلة تقارير، ولم يَعد 23٪ إلى وضع Thinking في السلاسل المستقبلية، بينما بدّل 18٪ آخرون بين الوضعين حسب أهدافهم، مستخدمين وضع Fast لحوالي 40٪ من سلاسلهم. بلغ رد الفعل الإيجابي 84.2٪ لوضع Fast مقابل 85.2٪ لوضع Thinking، وتصفه Ai2 بأنه معدل مشابه مع الإشارة إلى أن الردود عادةً ما تكون قليلة جدًا لدعم استنتاجات قوية.

تقول Ai2 إنها تستكشف تعلم التفضيلات بدقة أعلى، ونهجًا أقوى يجمع بين RAG وRL، وقدرات متعددة الجولات والأدوات، ومصادر بيانات علمية إضافية، وتفكيك الاستعلامات، إلى جانب تقييمات تختبر ما إذا كان النموذج يحافظ على نطاق الأدلة في مصادره بدلاً من توسيع ما أظهرته الدراسات الأساسية. يضع الإعلان هذا العمل ضمن جهود Ai2 الأوسع للنماذج العلمية، بما في ذلك NSF OMAI، وهي مبادرة وطنية أمريكية تقودها Ai2 لبناء بنية تحتية ونماذج ذكاء اصطناعي مفتوحة بالكامل لاكتشاف علمي، ويصف AstaBrief كإحدى التجارب في سلسلة عمل أطول تمتد من ScholarQA وDR Tulu إلى إصدارات مستقبلية من Olmo.