Ai2 zveřejňuje AstaBrief 8B pro rychlé vytváření vědeckých zpráv

Institut Allen pro AI (Ai2) uvedl 2. října 2026, že zveřejňuje AstaBrief 8B, model, který převádí výzkumnou otázku a získané úryvky z literatury na citovanou zprávu, a že uvolní váhy modelu a tréninková data, když systém spustí jako Rychlý režim v Asta, jeho agentické platformě pro vědeckou práci.

Rychlý režim ve generování zpráv v Asta

AstaBrief je k dispozici ve funkci Generovat zprávu v Asta jako Rychlý režim, který běží vedle stávajícího režimu Thinking poháněného Claude, podle oznámení Ai2. Ai2 uvádí, že jeho cílem bylo otestovat, zda malý otevřený model speciálně trénovaný pro generování vědeckých zpráv může dosáhnout kvality zpráv srovnatelné s proprietárními modely, které dosud používal, a zároveň snížit čas generování a provozní náklady. Ai2 uvádí, že v celé pipeline Asta je průměrná doba Rychlého režimu 51.1 s na zprávu oproti 178.5 s u režimu Thinking, což popisuje jako přibližně 3.5‑krát rychlejší a téměř desetinásobné snížení doby generování ve srovnání s proprietárními modely, které sledoval.

Karta modelu karta modelu AstaBrief 8B uvádí, že model je licencován pod licencí Apache 2.0, je založen na Qwen3-8B a je určen pro výzkumné a vzdělávací účely podle Směrnic odpovědného používání společnosti Ai2. Protože jsou váhy otevřené, Ai2 uvádí, že instituce mohou model spouštět na svém vlastním hardware, včetně za vlastním firewallem, což popisuje jako nezbytné, když výzkumné otázky zasahují do citlivých nebo nepublikovaných prací. Vedle vah Ai2 uvolnil ukázkový pracovní postup ve svém úložišti ai2-scholarqa-lib na GitHubu, který výzkumníci mohou přizpůsobit k vytváření zpráv z vlastních PDF souborů.

Tréninková data a filtrování

Ai2 začal s Qwen3-8B a vytvořil AstaBrief pomocí supervidovaného jemného ladění, po kterém následovala přímá optimalizace preferencí (DPO). Oznámení uvádí, že tým zvažoval trénink založený na posilovacím učení, o čemž jeho dřívější práce DR Tulu ukázala, že může zlepšit generování dlouhých zpráv u modelů s otevřenými váhami, ale zvolil jednodušší postup, protože trénink RL může být nestabilní a nákladný a tým chtěl řešení levnější a snazší na ladění a iteraci.

Pro rychlost byl AstaBrief trénován tak, aby napsal celou zprávu v jediném průchodu z uživatelského dotazu a získaných úryvků, obcházel fáze sumarizace úryvků a shlukování, které používá režim Thinking založený na Claude, a vynechal psaní po jednotlivých sekcích. Ai2 uvádí, že zjistil, že je to možné bez ztráty výkonu.

Tréninková pipeline začala skutečnými uživatelskými dotazy odeslanými přes systém za rámcem ScholarQA společnosti Ai2, který podporuje generování zpráv v Asta. Tým filtroval logy podle kvality, relevance a soukromí, odstraňoval provoz od beta-testérů a botů, vyřazoval dotazy příliš krátké na to, aby byly smysluplné, a pomocí průchodu založeného na LLM zachytával neanglické dotazy, ne‑vědecké požadavky a výzvy obsahující osobní informace. Zůstala tak zásoba 90 000 výzkumně zaměřených dotazů.

V supervidované fázi byly cílové kompletní zprávy generovány pomocí vícefázové pipeline ScholarQA podporované kombinací proprietárních systémů: Claude 3.5 Sonnet, Claude 3.7 Sonnet, o3, o4‑mini a GPT‑4.1. Po filtrování kvality zůstalo 47 000 použivatelných příkladů. Pro DPO pocházely páry z oddělené podmnožiny dotazů, které nebyly použity při generování dat SFT: jedna zpráva z pipeline ScholarQA, obvykle podpořená Claude 3.5 nebo 3.7 Sonnet, proti zprávě generované o3, o4‑mini, DeepSeek‑V3 nebo DeepSeek‑R1. Dva hodnotící modely, GPT‑4.1 a DeepSeek‑R1, vybraly vítěze pro každý pár. Ai2 uvádí, že hodnotitelé souhlasili s lidskými preferencemi v 95 procentech případů a pouze páry, na nichž oba hodnotitelé souhlasili, byly zachovány, což vedlo k přibližně 6 000 finálním příkladům. Podle karty modelu byl uvolněný model inicializován z kontrolního bodu AstaBrief‑8B‑SFT a doladěn na AstaBrief_DPO_Mix datové sadě, přičemž trénink DPO byl proveden v rámci open‑instruct společnosti Ai2 na 8 × H100 GPU.

Výsledky hodnocení

Hlavním vývojovým cílem Ai2 byl SQABench‑CS2, který oznámení popisuje jako sadu 200 uživateli vytvořených výzkumných otázek z oblasti informatiky. Tým sledoval čtyři metriky: skóre rubriky, které měří, kolik potřebného obsahu zpráva pokrývá; přesnost odpovědí, která měří, zda je každý odstavec relevantní k otázce; přesnost citací, která měří, zda každá citace podporuje připojené tvrzení; a úplnost citací, která měří, zda jsou tvrzení zprávy plně podložena poskytnutými citacemi. Sekundární hodnocení použilo DeepScholarBench, benchmark s 63 dotazy pro dlouhou syntézu výzkumu založený na nedávných článcích z arXivu, plus párové srovnání se zprávami z pipeline poháněné Claude.

Oznámení uvádí, že tým testoval čtyři filtry založené na statistikách na syntetických tréninkových zprávách: poměr tokenů výstup/vstup, relevance citací, hustota citací a rozmanitost citací. Ai2 uvádí, že nejsilnější zisky pocházely z filtrování zpráv s nízkou hustotou citací, zatímco agresivnější filtrování, kombinace filtrů a prohledávání učebních rychlostí nepřinesly žádné významné zlepšení. Popisuje širší ponaučení jako důkaz toho, že vědecká specializace není nutně otázkou přidání více vědeckého textu do předtréninku, a že složení a kvalita dat po tréninku mohou podstatně změnit výkon výsledného modelu.

Ai2 říká, že rané SFT checkpointy zlepšily celkovou kvalitu obsahu, ale stále zaostávaly za pipeline poháněnou Claude v přesnosti odpovědí a kvalitě citací, a že fáze DPO přivedla AstaBrief do úrovně pipeline Claude a DR Tulu při generování zpráv. Modelová karta uvádí, že na testové sadě ScholarQA‑CS2 dosáhl AstaBrief‑8B průměru 87 napříč sledovanými metrikami, ve srovnání s 83,7 pro SFT checkpoint a 77,3 pro základní Qwen3‑8B, přičemž AstaBrief‑8B získal 90,2 v připomenutí ingrediencí, 89 v přesnosti odpovědí, 90,5 v přesnosti citací a 78,2 v připomenutí citací. Karta také uvádí, že LLM‑hodnocené poměry výher pro AstaBrief‑8B proti pipeline Asta ScholarQA jsou 55 % na vývojovém rozdělení a 72 % na testovacím rozdělení, a uvádí skóre DeepScholarBench: 53,50 pro AstaBrief‑8B, 60,25 pro Asta ScholarQA a 56,26 pro DR‑Tulu‑8B.

V samostatné lidské studii popsané v oznámení se tři vědci podíleli a každý přispěl čtyřmi až pěti otázkami v rámci sady 14 otázek a hodnotili zprávy ze tří systémů podle celkové preference, úplnosti, relevance, organizace a přesnosti citací, přičemž byly povoleny remízy. Ai2 uvádí, že DR Tulu vyhrál v celkové preferenci, zatímco dva ze tří výzkumníků upřednostnili AstaBrief před ostatními systémy v přesnosti citací.

Ai2 upozorňuje, že většina tréninku a hodnocení byla dokončena v roce 2025, že proprietární modely použité k vytvoření tréninkových dat a sloužící jako srovnávací body odrážely tehdejší špičku, a že neprovedl kompletní nové hodnocení proti současným špičkovým modelům.

Počáteční používání a uvedené další kroky

Ai2 uvádí, že mezi 374 uživateli Asta, kteří vyzkoušeli režim Fast, 29,1 % jej použilo dva nebo více dní, uživatelé vytvořili v průměru 3,67 vláken zpráv, 23 % se nikdy nevrátilo k režimu Thinking u budoucích vláken a dalších 18 % střídalo režimy podle svých cílů, přičemž režim Fast použili zhruba 40 % svých vláken. Pozitivní zpětná vazba dosáhla 84,2 % pro režim Fast oproti 85,2 % pro režim Thinking, což Ai2 charakterizuje jako podobnou míru, přičemž poznamenává, že zpětná vazba je obecně příliš řídká na to, aby podporovala silné závěry.

Ai2 říká, že zkoumá podrobnější učení preferencí, silnější přístupy RAG‑plus‑RL, schopnosti více tahů a více nástrojů, další vědecké datové zdroje a rozklad dotazů, spolu s hodnoceními, která testují, zda model zachovává důkazní rozsah svých zdrojů místo rozšiřování toho, co původní studie stanovily. Oznámení umisťuje tuto práci do širších vědeckých modelových snah Ai2, včetně NSF OMAI, národní iniciativy vedené Ai2 k vytvoření plně otevřené AI infrastruktury a modelů pro vědecký objev, a popisuje AstaBrief jako jeden experiment v delší řadě prací sahajících od ScholarQA a DR Tulu po budoucí verze Olmo.