Ai2 avaa lähdekoodin AstaBrief 8B:lle nopeaa tieteellistä raportin generointia varten

Allen Institute for AI (Ai2) ilmoitti 2. lokakuuta 2026, että se avaa lähdekoodin AstaBrief 8B:lle, mallille, joka muuntaa tutkimuskysymyksen ja haetut kirjallisuusotteet viitteistettyyn raporttiin, julkaisten mallin painot ja koulutusdatan samalla, kun järjestelmä otetaan käyttöön Fast-tilana Asta:ssa, sen tieteelliseen työhön suunnatussa agenttisessa alustassa.

Fast-tila Astan raporttien generoinnissa

AstaBrief on saatavilla Astan “Luo raportti” -toiminnossa Fast-tilana, toimien rinnakkain olemassa olevan Claude-pohjaisen Thinking-tilan kanssa, Ai2:n ilmoitus mukaan. Ai2 kertoo tavoitteensa olleen testata, voisiko pieni, avoin malli, joka on erityisesti koulutettu tieteelliseen raportin generointiin, saavuttaa samankaltaisen raporttilaadun kuin käytössä olleet proprietaariset mallit, samalla kun vähennetään generointiaikaa ja palvelukustannuksia. Ai2 raportoi, että koko Asta-putkessa Fast-tila keskimäärin kestää 51.1 sekuntia per raportti verrattuna 178.5 sekuntiin Thinking-tilassa, mikä on noin 3.5‑kertainen nopeus ja lähes kymmenkertainen lyhennys generointiajassa verrattuna seurattuihin proprietaarisiin malleihin.

AstaBrief 8B mallikortti ilmoittaa, että malli on lisensoitu Apache 2.0 -lisenssillä, perustuu Qwen3-8B:hen ja on tarkoitettu tutkimus- ja koulutuskäyttöön Ai2:n vastuullisen käytön ohjeiden mukaisesti. Koska painot ovat avoimia, Ai2 sanoo, että organisaatiot voivat ajaa mallia omalla laitteistollaan, myös oman palomuurinsa takana, mikä on tarpeen, kun tutkimuskysymykset koskevat arkaluonteista tai julkaisematonta materiaalia. Painojen ohella Ai2 julkaisi esimerkkityönkulun ai2-scholarqa-lib GitHub -varastossaan, jonka tutkijat voivat mukauttaa luodakseen raportteja omista PDF-tiedostoistaan.

Koulutusdata ja suodatus

Ai2 aloitti Qwen3-8B:stä ja rakensi AstaBriefin valvotulla hienosäädöllä, jota seurasi suora mieltymysoptimointi (DPO). Ilmoituksen mukaan tiimi harkitsi vahvistusoppimiseen perustuvaa koulutusta, jonka aiempi DR Tulu -työ oli osoittanut parantavan pitkän muotoisen raportin generointia avoimille painomalleille, mutta valitsi yksinkertaisemman lähestymistavan, koska RL-koulutus voi olla epävakaata ja kallista, ja tiimi halusi edullisemman ja helpommin virheenkorjattavan sekä iteratiivisen ratkaisun.

Nopeuden vuoksi AstaBrief koulutettiin kirjoittamaan koko raportti yhdellä kertaa käyttäjän kysymyksestä ja haetuista otteista, ohittaen otteiden tiivistys- ja ryhmittelyvaiheet, joita Claude-pohjainen Thinking-tila käyttää, sekä ohittaen osio kerrallaan -kirjoittamisen. Ai2 toteaa, että tämä oli mahdollista ilman suorituskyvyn heikkenemistä.

Koulutusputki alkoi todellisista käyttäjäkyselyistä, jotka lähetettiin Ai2:n ScholarQA-viitekehyksen takana toimivan järjestelmän kautta, mikä tukee Astan raporttien generointia. Tiimi suodatti lokit laadun, merkityksellisyyden ja yksityisyyden perusteella, poistaen beta-testaajien ja bottien liikenteen, hyläten liian lyhyet kyselyt, ja käyttäen LLM-pohjaista läpikäyntiä havaitakseen ei-englanninkieliset kyselyt, ei-tieteelliset pyynnöt sekä henkilökohtaisia tietoja sisältävät kehotteet. Tällöin jäi 90K tutkimuslähtöistä kyselyä.

Valvotussa vaiheessa täyden raportin kohteet luotiin monivaiheisella ScholarQA-putkella, jota tukivat useat proprietaariset järjestelmät: Claude 3.5 Sonnet, Claude 3.7 Sonnet, o3, o4-mini ja GPT-4.1. Laadunsuodatus jätti 47K käyttökelpoista esimerkkiä. DPO:ta varten parit otettiin erillisestä kyselyjoukosta, jota ei käytetty SFT-datan generoinnissa: yksi raportti ScholarQA-putkesta, tyypillisesti Claude 3.5:n tai 3.7 Sonnetin tukema, vastaan raportti, jonka on tuottanut o3, o4-mini, DeepSeek-V3 tai DeepSeek-R1. Kaksi arviointimallia, GPT-4.1 ja DeepSeek-R1, valitsivat voittajan jokaiselle parille. Ai2 kertoo, että tuomarit olivat 95 prosenttia samaa mieltä ihmisten mieltymysten kanssa, ja vain ne parit, joilla molemmat tuomarit olivat yhtä mieltä, säilytettiin, mikä tuotti noin 6K lopullista esimerkkiä. Mallikortin mukaan julkaistu malli alustettiin AstaBrief-8B-SFT -tarkistuspisteestä ja hienosäädettiin AstaBrief_DPO_Mix tietoaineistoon, ja DPO-koulutus toteutettiin Ai2:n open-instruct -kehyksessä 8xH100 GPU:illa.

Arviointitulokset

Ai2:n tärkein kehityskohde oli SQABench-CS2, jonka ilmoitus kuvaa 200 käyttäjän kirjoittamasta tietojenkäsittelyn tutkimuskysymyksestä koostuvaksi joukko. Tiimi seurasi neljää mittaria: rubriikkipistemäärä, joka mittaa, kuinka paljon tarvittavaa sisältöä raportti kattaa; vastausprecisio, joka mittaa, onko kukin kappale relevantti kysymykseen; viiteprecisio, joka mittaa, tukevatko viitteet niihin liitettyjä väitteitä; ja viitepalautus, joka mittaa, ovatko raportin väitteet täysin tuettuina annetuilla viitteillä. Toissijaisissa arvioissa käytettiin DeepScholarBenchia, 63 kysymystä sisältävää mittaria pitkän muotoisen tutkimusyhteenvedon syntetisoimiseksi tuoreista arXiv-papereista, sekä parillisia vertailuja Claude-pohjaisen putken raporteihin.

Ilmoitus kertoo, että tiimi testasi neljää tilastoperusteista suodatinta synteettisissä koulutusraporteissa: syötteen ja tulosteen token-suhde, viitteiden merkityksellisyys, viitteiden tiheys ja viitteiden monimuotoisuus. Ai2 sanoo, että suurimmat parannukset saatiin suodattamalla pois raportit, joilla oli alhainen viitteiden tiheys, kun taas aggressiivisempi suodatus, suodatinyhdistelmät ja oppimisnopeuden säätö eivät tuoneet merkittäviä etuja. Se kuvaa laajemman opituksen todisteena siitä, että tieteellinen erikoistuminen ei välttämättä ole pelkästään enemmän tieteellistä tekstiä esikoulutukseen lisäämistä, ja että jälkikoulutuksen datan koostumus ja laatu voivat merkittävästi muuttaa mallin suorituskykyä.

Ai2 kertoo, että varhaiset SFT‑tarkistuspisteet paransivat kokonaisvaltaista sisällön laatua, mutta ne jäivät edelleen jälkeen Claude‑pohjaisesta putkesta vastaus‑tarkkuudessa ja viitteiden laadussa, ja että DPO‑vaihe toi AstaBriefin lähelle Claude‑putkea ja DR Tulu‑mallia raporttien tuottamisessa. Mallikortti raportoi, että ScholarQA‑CS2‑testijoukossa AstaBrief‑8B saavutti keskiarvona 87 seuratuissa mittareissa, verrattuna 83,7 SFT‑tarkistuspisteeseen ja 77,3 perus‑Qwen3‑8B:hen, ja että AstaBrief‑8B sai 90,2 ainesosien palautuksessa, 89 vastaustarkkuudessa, 90,5 viitteiden tarkkuudessa ja 78,2 viitteiden palautuksessa. Kortti myös raportoi LLM‑arvioidut voittoprosentit AstaBrief‑8B:n ja Asta ScholarQA‑putken välillä 55 % kehitys‑jakaumassa ja 72 % testijakaumassa, sekä listaa DeepScholarBench‑pisteet 53,50 AstaBrief‑8B:lle, 60,25 Asta ScholarQA:lle ja 56,26 DR‑Tulu‑8B:lle.

Erillisessä ihmistutkimuksessa, joka kuvattiin ilmoituksessa, kolme tieteellistä tutkijaa antoivat jokainen neljä‑viisi kysymystä 14‑kysymyksen sarjassa ja arvioivat raportteja kolmesta järjestelmästä kokonaisvaluisen mieltymyksen, täydellisyyden, merkityksellisyyden, organisoinnin ja viitteiden tarkkuuden perusteella, sallien tasapisteet. Ai2 raportoi, että DR Tulu voitti kokonaisvaltaisessa mieltymyksessä, kun taas kaksi kolmesta tutkijasta suosivat AstaBriefiä muiden järjestelmien sijaan viitteiden tarkkuudessa.

Ai2 varoittaa, että suurin osa koulutuksesta ja arvioinnista suoritettiin vuonna 2025, että koulutustietoa tuottavina ja vertailupisteinä käytetyt omistusoikeudelliset mallit heijastavat tuon ajan rajapintaa, eikä se ole suorittanut täyttä arviointia nykyisiä rajapintamalleja vastaan.

Varhainen käyttö ja ilmoitetut seuraavat askeleet

Ai2 raportoi, että 374 Asta‑käyttäjästä, jotka ovat kokeilleet Fast‑tilaa, 29,1 % käytti sitä kahdessa tai useammassa päivässä, käyttäjät loivat keskimäärin 3,67 raporttiketjua, 23 % ei koskaan siirtynyt takaisin Thinking‑tilaan tulevia ketjuja varten, ja toinen 18 % vaihteli tilojen välillä tavoitteidensa mukaan käyttäen Fast‑tilaa noin 40 % ketjuistaan. Positiivinen palaute oli 84,2 % Fast‑tilassa verrattuna 85,2 % Thinking‑tilassa, minkä Ai2 kuvaa samankaltaiseksi tasoksi, mutta huomauttaa, että palaute on yleensä liian niukkaa vahvojen johtopäätösten tueksi.

Ai2 sanoo tutkivansa tarkempaa mieltymyksen oppimista, vahvempia RAG‑plus‑RL‑lähestymistapoja, monen vuoron ja monen työkalun kykyjä, lisätieteellisiä tietolähteitä ja kyselyn jakamista, sekä arviointeja, jotka testaavat, säilyttääkö malli lähteidensä todistuksellisen laajuuden sen sijaan, että laajentaisi, mitä taustatutkimukset ovat osoittaneet. Ilmoitus sijoittaa työn Ai2:n laajempiin tieteellisiin mallihankkeisiin, mukaan lukien NSF OMAI, Yhdysvaltain kansallinen aloitus, jota Ai2 johtaa täysin avoimen tekoäly‑infrastruktuurin ja -mallien rakentamiseksi tieteelliseen löytöön, ja kuvaa AstaBriefiä yhtenä kokeiluna pidemmällä aikajanalla, joka ulottuu ScholarQA:sta ja DR Tulu:sta tuleviin Olmo‑versioihin.