Ai2 gjør AstaBrief 8B åpen kildekode for rask vitenskapelig rapportgenerering

Allen Institute for AI (Ai2) kunngjorde 2. oktober 2026 at de gjør AstaBrief 8B åpen kildekode, en modell som omformer et forskningsspørsmål og hentede litteraturutdrag til en sitert rapport, og frigir modellvektene og treningsdataene når systemet lanseres som Fast-modus i Asta, deres agentbaserte plattform for vitenskapelig arbeid.

Fast-modus i Astas rapportgenerering

AstaBrief er tilgjengelig i Astas Generer en rapport-funksjon som Fast-modus, som kjører parallelt med den eksisterende Claude-drevne Thinking-modus, ifølge Ai2’s kunngjøring. Ai2 sier at målet var å teste om en liten, åpen modell trent spesifikt for vitenskapelig rapportgenerering kunne matche rapportkvaliteten til de proprietære modellene de hadde brukt, samtidig som genereringstiden og betjeningskostnadene reduseres. Ai2 rapporterer at gjennom hele Astas pipeline er Fast-modus i gjennomsnitt 51,1 sekunder per rapport sammenlignet med 178,5 sekunder for Thinking-modus, en forskjell de beskriver som omtrent 3,5 ganger raskere og som en reduksjon på nesten en størrelsesorden i genereringstid i forhold til de proprietære modellene de målte.

Modellkortet for AstaBrief 8B oppgir at modellen er lisensiert under Apache 2.0, er basert på Qwen3-8B, og er ment for forsknings- og utdanningsbruk i henhold til Ai2s retningslinjer for ansvarlig bruk. Siden vektene er åpne, sier Ai2 at institusjoner kan kjøre modellen på egen maskinvare, også bak sin egen brannmur, noe de beskriver som nødvendig når forskningsspørsmål berører sensitivt eller upublisert arbeid. Sammen med vektene har Ai2 publisert en eksempelarbeidsflyt i sitt ai2-scholarqa-lib GitHub‑depot som forskere kan tilpasse for å generere rapporter fra sine egne PDF‑filer.

Treningsdata og filtrering

Ai2 startet fra Qwen3-8B og bygde AstaBrief med veiledet finjustering etterfulgt av direkte preferanseoptimalisering (DPO). Kunngjøringen sier at teamet vurderte forsterkningslæringsbasert trening, som deres tidligere DR Tulu‑arbeid hadde vist kan forbedre langtidsrapportgenerering for modeller med åpne vekter, men valgte den enklere metoden fordi RL‑trening kan være ustabil og kostbar, og teamet ønsket et oppsett som var billigere og enklere å feilsøke og iterere på.

For hastighet ble AstaBrief trent til å skrive hele rapporten i ett pass fra brukerspørsmålet og hentede utdrag, og omgått oppsummerings- og klyngestegene for utdrag som Claude-drevet Thinking-modus bruker, samt hoppet over skriving av rapporten seksjon for seksjon. Ai2 sier at de fant dette mulig uten å gå på kompromiss med ytelsen.

Treningspipen startet med ekte brukerforespørsler sendt gjennom systemet bak Ai2s ScholarQA‑rammeverk, som ligger til grunn for Astas rapportgenerering. Teamet filtrerte loggene for kvalitet, relevans og personvern, fjernet betatester- og bot‑trafikk, droppet forespørsler som var for korte til å være meningsfulle, og brukte et LLM‑basert pass for å fange opp ikke‑engelske forespørsler, ikke‑vitenskapelige henvendelser og prompt som inneholdt personlig informasjon. Dette etterlot en pool på 90 000 forskningsorienterte forespørsler.

For den veiledede fasen ble fullstendige rapportmål generert med den flertrinns ScholarQA‑pipen støttet av en blanding av proprietære systemer: Claude 3.5 Sonnet, Claude 3.7 Sonnet, o3, o4-mini og GPT‑4.1. Kvalitetsfiltrering etterlot 47 000 brukbare eksempler. For DPO kom parene fra et eget delsett av forespørsler som ikke ble brukt under SFT‑datagenerering: én rapport fra ScholarQA‑pipen, vanligvis støttet av Claude 3.5 eller 3.7 Sonnet, mot en rapport generert av o3, o4-mini, DeepSeek‑V3 eller DeepSeek‑R1. To dommermodeller, GPT‑4.1 og DeepSeek‑R1, valgte en vinner for hvert par. Ai2 sier at dommerne var enige med menneskelige preferanser 95 prosent av gangene, og kun par der begge dommere var enige ble beholdt, noe som ga omtrent 6 000 endelige eksempler. I henhold til modellkortet ble den frigjorte modellen initialisert fra AstaBrief-8B‑SFT‑kontrollpunktet og finjustert på AstaBrief_DPO_Mix datasettet, med DPO‑trening utført i Ai2s open‑instruct‑rammeverk på 8 × H100‑GPU‑er.

Evalueringsresultater

Ai2s hovedutviklingsmål var SQABench‑CS2, som kunngjøringen beskriver som et sett med 200 bruker‑skrevne forskningsspørsmål innen datavitenskap. Teamet fulgte fire måleparametere: rubrikkpoeng, som måler hvor mye nødvendig innhold en rapport dekker; svarpresisjon, som måler om hvert avsnitt er relevant for spørsmålet; siteringspresisjon, som måler om hver referanse støtter påstanden den er knyttet til; og siteringsgjenkalling, som måler om rapportens påstander er fullt støttet av de oppgitte referansene. Sekundære evalueringer benyttet DeepScholarBench, en benchmark med 63 spørsmål for langtidsforskningssynthese bygget på nylige arXiv‑artikler, samt parvise sammenligninger mot rapporter fra den Claude‑drevne pipen.

Kunngjøringen rapporterer at teamet testet fire statistikkbaserte filtre på syntetiske treningsrapporter: token‑forhold mellom output og input, siteringsrelevans, siteringstetthet og siteringsmangfold. Ai2 sier at de sterkeste forbedringene kom fra å filtrere bort rapporter med lav siteringstetthet, mens mer aggressiv filtrering, filterkombinasjoner og justering av læringsrate ikke ga noen meningsfulle gevinster. De beskriver den bredere lærdommen som bevis på at vitenskapelig spesialisering ikke nødvendigvis handler om å legge til mer vitenskapelig tekst i forhåndstreningen, og at sammensetningen og kvaliteten på data etter trening kan endre hvordan den resulterende modellen presterer.

Ai2 opplyser at tidlige SFT-sjekkpunkter forbedret den samlede innholdskvaliteten, men fortsatt lå bak den Claude-baserte prosessen når det gjaldt svarpresisjon og kvaliteten på kildehenvisningene. DPO-trinnet brakte AstaBrief nær Claude-prosessen og DR Tulu ved rapportgenerering. Modellkortet oppgir at AstaBrief-8B på testsettet ScholarQA-CS2 oppnådde et gjennomsnitt på 87 på tvers av de målte kriteriene, mot 83,7 for SFT-sjekkpunktet og 77,3 for grunnmodellen Qwen3-8B. AstaBrief-8B fikk 90,2 for gjenfinning av innholdselementer, 89 for svarpresisjon, 90,5 for kildehenvisningenes presisjon og 78,2 for gjenfinning av kildehenvisninger. Kortet oppgir også LLM-bedømte seiersandeler for AstaBrief-8B mot Asta ScholarQA-prosessen på 55 prosent på utviklingsdelen og 72 prosent på testdelen, og DeepScholarBench-poengsummer på 53,50 for AstaBrief-8B, 60,25 for Asta ScholarQA og 56,26 for DR-Tulu-8B.

I en separat menneskelig studie beskrevet i kunngjøringen bidro tre vitenskapelige forskere hver med fire til fem spørsmål i et sett på 14 spørsmål, og rangerte rapporter fra de tre systemene etter samlet preferanse, fullstendighet, relevans, organisering og siteringsnøyaktighet, med mulighet for likt resultat. Ai2 rapporterer at DR Tulu vant på samlet preferanse, mens to av de tre forskerne foretrakk AstaBrief fremfor de andre systemene på siteringsnøyaktighet.

Ai2 advarer om at mesteparten av treningen og evalueringen ble fullført i 2025, at de proprietære modellene som ble brukt til å generere treningsdata og fungere som sammenligningspunkter reflekterer frontlinjen på den tiden, og at de ikke har kjørt den fullstendige evalueringen på nytt mot nåværende frontlinjemodeller.

Tidlig bruk og oppgitte neste steg

Ai2 rapporterer at blant 374 Asta‑brukere som har prøvd Fast‑modus, brukte 29,1 % den på to eller flere dager, brukerne genererte i gjennomsnitt 3,67 rapporttråder, 23 % byttet aldri tilbake til Thinking‑modus for fremtidige tråder, og ytterligere 18 % vekslet mellom modusene avhengig av målene sine, og brukte Fast‑modus for omtrent 40 % av trådene sine. Positiv tilbakemelding var på 84,2 % for Fast‑modus versus 85,2 % for Thinking‑modus, noe Ai2 karakteriserer som en lik rate, samtidig som de påpeker at tilbakemeldingen generelt er for sparsom til å støtte sterke konklusjoner.

Ai2 sier at de utforsker mer finkornet preferanselæring, sterkere RAG‑plus‑RL‑tilnærminger, fler‑tur‑ og fler‑verktøy‑kapasiteter, ytterligere vitenskapelige datakilder og spørrings‑dekomponering, sammen med evalueringer som tester om en modell bevarer det bevismessige omfanget av kildene sine i stedet for å utvide det som de underliggende studiene fastsatte. Kunngjøringen plasserer arbeidet innenfor Ai2s bredere vitenskapelige modell‑innsats, inkludert NSF OMAI, et amerikansk nasjonalt initiativ ledet av Ai2 for å bygge fullt åpen AI‑infrastruktur og modeller for vitenskapelig oppdagelse, og beskriver AstaBrief som ett eksperiment i en lengre rekke arbeid som strekker seg fra ScholarQA og DR Tulu til fremtidige versjoner av Olmo.