Ai2 udostępnia AstaBrief 8B jako otwarte źródło dla szybkiego generowania raportów naukowych

Instytut Allen dla Sztucznej Inteligencji (Ai2) poinformował 2 października 2026, że udostępnia jako otwarte źródło model AstaBrief 8B, który zamienia pytanie badawcze oraz pobrane fragmenty literatury w raport z cytatami, udostępniając wagi modelu i dane treningowe, gdy system zostaje uruchomiony w trybie Fast w Asta, jego agentycznej platformie do pracy naukowej.

Tryb Fast w generowaniu raportów w Asta

AstaBrief jest dostępny w funkcji „Generate a report” w Asta jako tryb Fast, działający równolegle z istniejącym trybem Thinking opartym na Claude, zgodnie z ogłoszeniem Ai2. Ai2 twierdzi, że celem było sprawdzenie, czy mały, otwarty model specjalnie wytrenowany do generowania raportów naukowych może dorównać jakości raportów tworzonych przez własnościowe modele, które dotychczas używano, przy jednoczesnym skróceniu czasu generowania i kosztów obsługi. Ai2 informuje, że w całym potoku Asta tryb Fast generuje raporty średnio w 51.1 sekundy, w porównaniu z 178.5 sekundy w trybie Thinking, co opisuje jako około 3.5‑krotnie szybsze i niemal dziesięciokrotną redukcję czasu generowania w stosunku do monitorowanych własnościowych modeli.

Karta modelu AstaBrief 8B stwierdza, że model jest licencjonowany na zasadach Apache 2.0, oparty jest na Qwen3-8B i przeznaczony do użytku badawczego i edukacyjnego zgodnie z Wytycznymi Odpowiedzialnego Użytkowania Ai2. Ponieważ wagi są otwarte, Ai2 informuje, że instytucje mogą uruchamiać model na własnym sprzęcie, w tym za własną zaporą sieciową, co opisuje jako niezbędne, gdy pytania badawcze dotyczą wrażliwych lub nieopublikowanych prac. Wraz z wagami Ai2 udostępniło przykładowy przepływ pracy w swoim repozytorium ai2-scholarqa-lib GitHub, który badacze mogą dostosować do generowania raportów z własnych plików PDF.

Dane treningowe i filtrowanie

Ai2 rozpoczęło od Qwen3-8B i zbudowało AstaBrief przy użyciu nadzorowanego dopasowywania (fine‑tuning), po którym nastąpiła bezpośrednia optymalizacja preferencji (DPO). Ogłoszenie mówi, że zespół rozważał trening oparty na uczeniu ze wzmocnieniem, co ich wcześniejsze badania DR Tulu wykazały, że może poprawić generowanie długich raportów dla modeli o otwartych wagach, ale wybrano prostszą metodę, ponieważ trening RL może być niestabilny i kosztowny, a zespół chciał rozwiązanie tańsze i łatwiejsze w debugowaniu oraz iteracji.

Dla zwiększenia szybkości AstaBrief został wytrenowany do napisania pełnego raportu w jednym przebiegu na podstawie zapytania użytkownika i pobranych fragmentów, pomijając etapy podsumowywania i grupowania fragmentów stosowane w trybie Thinking opartym na Claude oraz pomijając pisanie sekcja po sekcji. Ai2 twierdzi, że udało się to osiągnąć bez utraty wydajności.

Potok treningowy rozpoczął się od rzeczywistych zapytań użytkowników przekazywanych przez system oparty na frameworku ScholarQA Ai2, który stanowi podstawę generowania raportów w Asta. Zespół przefiltrował logi pod kątem jakości, trafności i prywatności, usuwając ruch beta‑testerów i botów, odrzucając zapytania zbyt krótkie, aby były znaczące, oraz wykorzystując przetwarzanie oparte na LLM do wychwytywania zapytań nieangielskich, nie‑naukowych oraz poleceń zawierających informacje osobiste. Pozostał w ten sposób zbiór 90 000 zapytań skoncentrowanych na badaniach.

Na etapie nadzorowanym cele pełnych raportów były generowane przy użyciu wieloetapowego potoku ScholarQA wspieranego przez mieszankę własnościowych systemów: Claude 3.5 Sonnet, Claude 3.7 Sonnet, o3, o4-mini oraz GPT‑4.1. Po filtracji jakościowej pozostało 47 000 użytecznych przykładów. Dla DPO pary pochodziły z odrębnego podzbioru zapytań nie używanych podczas generowania danych SFT: jeden raport z potoku ScholarQA, zazwyczaj oparty na Claude 3.5 lub 3.7 Sonnet, przeciwko raportowi wygenerowanemu przez o3, o4-mini, DeepSeek‑V3 lub DeepSeek‑R1. Dwa modele oceniające, GPT‑4.1 i DeepSeek‑R1, wybierały zwycięzcę dla każdej pary. Ai2 podaje, że sędziowie zgadzali się z ludzkimi preferencjami w 95 procentach przypadków, a zachowano jedynie pary, w których obaj sędziowie się zgodzili, co dało około 6 000 ostatecznych przykładów. Zgodnie z kartą modelu, udostępniony model został zainicjowany z punktu kontrolnego AstaBrief-8B-SFT i dopasowany w dalszej fazie na AstaBrief_DPO_Mix zestawie danych, przy czym trening DPO przeprowadzono w ramach otwartego frameworku open‑instruct Ai2 na 8 GPU H100.

Wyniki oceny

Głównym celem rozwojowym Ai2 był SQABench‑CS2, który według ogłoszenia stanowi zestaw 200 pytań badawczych z dziedziny informatyki napisanych przez użytkowników. Zespół monitorował cztery metryki: wynik rubryki, który mierzy, jak dużo niezbędnej treści obejmuje raport; precyzję odpowiedzi, oceniającą, czy każdy akapit jest istotny dla pytania; precyzję cytowań, sprawdzającą, czy każde cytowanie wspiera powiązane twierdzenie; oraz przywołanie cytowań, mierzące, czy twierdzenia w raporcie są w pełni poparte dostarczonymi cytatami. Dodatkowe oceny wykorzystano DeepScholarBench, benchmark składający się z 63 zapytań do syntezy długich prac badawczych oparty na najnowszych artykułach arXiv, oraz porównania parami z raportami z potoku opartego na Claude.

Ogłoszenie informuje, że zespół przetestował cztery filtry oparte na statystykach w raportach treningowych generowanych syntetycznie: stosunek liczby tokenów wyjściowych do wejściowych, trafność cytowań, gęstość cytowań oraz różnorodność cytowań. Ai2 podaje, że największe zyski uzyskano dzięki odrzuceniu raportów o niskiej gęstości cytowań, podczas gdy bardziej agresywne filtrowanie, kombinacje filtrów i przeszukiwania zakresów współczynników uczenia nie przyniosły istotnych korzyści. Opisuje to jako szerszą lekcję, że specjalizacja naukowa nie polega jedynie na dodawaniu większej ilości tekstu naukowego do wstępnego treningu, a skład i jakość danych po‑treningowych mogą znacząco wpłynąć na wydajność powstałego modelu.

Ai2 mówi, że wczesne punkty kontrolne SFT poprawiły ogólną jakość treści, ale nadal pozostawały w tyle za pipeline’em opartym na Claude pod względem precyzji odpowiedzi i jakości cytowań, oraz że etap DPO przybliżył AstaBrief do poziomu pipeline’u Claude i DR Tulu w generowaniu raportów. Karta modelu informuje, że w zestawie testowym ScholarQA‑CS2 AstaBrief‑8B osiągnął średnią 87 we wszystkich monitorowanych metrykach, w porównaniu z 83.7 dla punktu kontrolnego SFT i 77.3 dla bazowego Qwen3‑8B, przy czym AstaBrief‑8B uzyskał 90.2 w przywoływaniu składników, 89 w precyzji odpowiedzi, 90.5 w precyzji cytowań i 78.2 w przywoływaniu cytowań. Karta podaje także wygrane oceniane przez LLM dla AstaBrief‑8B w porównaniu z pipeline’em Asta ScholarQA: 55 % w podziale rozwojowym i 72 % w podziale testowym, oraz wymienia wyniki DeepScholarBench: 53.50 dla AstaBrief‑8B, 60.25 dla Asta ScholarQA i 56.26 dla DR‑Tulu‑8B.

W odrębnym badaniu z udziałem ludzi opisanym w ogłoszeniu trzej naukowcy każdy wnieśli od czterech do pięciu pytań w zestawie 14 pytań i oceniali raporty z trzech systemów pod kątem ogólnej preferencji, kompletności, trafności, organizacji i dokładności cytowań, przy dopuszczeniu remisów. Ai2 podaje, że DR Tulu wygrał pod względem ogólnej preferencji, podczas gdy dwaj z trzech badaczy preferowali AstaBrief względem pozostałych systemów pod kątem dokładności cytowań.

Ai2 ostrzega, że większość treningu i oceny została zakończona w 2025 r., że własnościowe modele użyte do generowania danych treningowych i służące jako punkty odniesienia odzwierciedlają stan techniki z tamtego okresu, oraz że nie przeprowadzono ponownej pełnej oceny w stosunku do aktualnych modeli wiodących.

Wczesne wykorzystanie i określone kolejne kroki

Ai2 podaje, że wśród 374 użytkowników Asta, którzy wypróbowali tryb Fast, 29.1 % używało go przez dwa lub więcej dni, użytkownicy generowali średnio 3.67 wątków raportów, 23 % nigdy nie powróciło do trybu Thinking w kolejnych wątkach, a kolejne 18 % przełączało się między trybami w zależności od celów, używając trybu Fast w około 40 % swoich wątków. Pozytywna opinia wyniosła 84.2 % dla trybu Fast w porównaniu z 85.2 % dla trybu Thinking, co Ai2 opisuje jako podobny wskaźnik, zauważając jednocześnie, że opinie są zazwyczaj zbyt rzadkie, aby wyciągać mocne wnioski.

Ai2 informuje, że bada bardziej szczegółowe uczenie preferencji, silniejsze podejścia RAG‑plus‑RL, możliwości wielokrokowe i wielonarzędziowe, dodatkowe źródła danych naukowych oraz dekompozycję zapytań, wraz z ocenami sprawdzającymi, czy model zachowuje zakres dowodowy swoich źródeł, zamiast rozszerzać to, co ustaliły pierwotne badania. Ogłoszenie umieszcza tę pracę w szerszych działaniach Ai2 związanych z modelami naukowymi, w tym w NSF OMAI, amerykańskiej inicjatywie narodowej prowadzonej przez Ai2 w celu budowy w pełni otwartej infrastruktury AI i modeli dla odkryć naukowych, i opisuje AstaBrief jako jeden eksperyment w dłuższej serii prac, począwszy od ScholarQA i DR Tulu, aż po przyszłe wersje Olmo.