Ai2 disponibiliza código aberto do AstaBrief 8B para geração rápida de relatórios científicos

O Allen Institute for AI (Ai2) informou em 2 de outubro de 2026 que está disponibilizando o código aberto do AstaBrief 8B, um modelo que transforma uma pergunta de pesquisa e trechos de literatura recuperados em um relatório com citações, liberando os pesos do modelo e os dados de treinamento à medida que o sistema entra em operação como Modo Rápido no Asta, sua plataforma agente para trabalho científico.

Modo Rápido na geração de relatórios do Asta

O AstaBrief está disponível no recurso Gerar um relatório do Asta como Modo Rápido, funcionando ao lado do modo Thinking, alimentado por Claude, de acordo com anúncio da Ai2. A Ai2 afirma que seu objetivo era testar se um modelo pequeno e aberto, treinado especificamente para a geração de relatórios científicos, poderia igualar a qualidade dos relatórios dos modelos proprietários que vinha usando, ao mesmo tempo em que reduzia o tempo de geração e os custos de serviço. A Ai2 relata que, em todo o pipeline do Asta, o Modo Rápido tem média de 51.1 segundos por relatório, comparado a 178.5 segundos para o modo Thinking, diferença que descreve como cerca de 3.5 vezes mais rápido e quase uma ordem de magnitude menor no tempo de geração em relação aos modelos proprietários monitorados.

O cartão de modelo AstaBrief 8B afirma que o modelo está licenciado sob Apache 2.0, baseia‑se no Qwen3-8B e destina‑se ao uso em pesquisa e educação de acordo com as Diretrizes de Uso Responsável da Ai2. Como os pesos são abertos, a Ai2 diz que instituições podem executar o modelo em seu próprio hardware, inclusive atrás de seu próprio firewall, o que descreve como necessário quando questões de pesquisa envolvem trabalhos sensíveis ou não publicados. Junto aos pesos, a Ai2 lançou um fluxo de trabalho de exemplo em seu repositório ai2-scholarqa-lib GitHub, que os pesquisadores podem adaptar para gerar relatórios a partir de seus próprios PDFs.

Dados de treinamento e filtragem

A Ai2 partiu do Qwen3-8B e construiu o AstaBrief com ajuste fino supervisionado seguido de otimização direta de preferência (DPO). O anúncio afirma que a equipe considerou treinamento baseado em aprendizado por reforço, que seu trabalho anterior DR Tulu demonstrou poder melhorar a geração de relatórios extensos para modelos de pesos abertos, mas optou pela receita mais simples porque o treinamento por reforço pode ser instável e caro, e a equipe queria uma configuração mais barata e mais fácil de depurar e iterar.

Para ganhar velocidade, o AstaBrief foi treinado para escrever o relatório completo em uma única passagem a partir da consulta do usuário e dos trechos recuperados, contornando as etapas de sumarização e agrupamento de trechos que o modo Thinking baseado em Claude utiliza e pulando a escrita seção por seção. A Ai2 afirma que descobriu que isso era possível sem sacrificar o desempenho.

O pipeline de treinamento começou com consultas reais de usuários enviadas através do sistema por trás da estrutura ScholarQA da Ai2, que sustenta a geração de relatórios do Asta. A equipe filtrou os registros quanto à qualidade, relevância e privacidade, removendo tráfego de beta‑testers e bots, descartando consultas muito curtas para serem significativas e usando uma passagem baseada em LLM para capturar consultas não‑inglês, solicitações não científicas e prompts contendo informações pessoais. Isso resultou em um conjunto de 90 mil consultas focadas em pesquisa.

Na fase supervisionada, os alvos de relatórios completos foram gerados com o pipeline multi‑etapa ScholarQA, apoiado por uma combinação de sistemas proprietários: Claude 3.5 Sonnet, Claude 3.7 Sonnet, o3, o4-mini e GPT‑4.1. A filtragem de qualidade deixou 47 mil exemplos utilizáveis. Para o DPO, os pares foram obtidos de um subconjunto separado de consultas que não foram usadas durante a geração de dados SFT: um relatório do pipeline ScholarQA, tipicamente apoiado por Claude 3.5 ou 3.7 Sonnet, contra um relatório gerado por o3, o4-mini, DeepSeek‑V3 ou DeepSeek‑R1. Dois modelos de julgamento, GPT‑4.1 e DeepSeek‑R1, escolheram um vencedor para cada par. A Ai2 afirma que os juízes concordaram com as preferências humanas 95 por cento das vezes, e apenas os pares nos quais ambos os juízes concordaram foram mantidos, produzindo cerca de 6 mil exemplos finais. Segundo o cartão de modelo, o modelo lançado foi inicializado a partir do checkpoint AstaBrief-8B-SFT e afinado no AstaBrief_DPO_Mix conjunto de dados, com o treinamento DPO realizado na estrutura open‑instruct da Ai2 em GPUs 8×H100.

Resultados da avaliação

O principal objetivo de desenvolvimento da Ai2 foi o SQABench‑CS2, que o anúncio descreve como um conjunto de 200 questões de pesquisa em ciência da computação escritas por usuários. A equipe acompanhou quatro métricas: pontuação de rubrica, que mede quanto conteúdo necessário um relatório cobre; precisão de resposta, que mede se cada parágrafo é relevante para a questão; precisão de citação, que mede se cada citação sustenta a afirmação a que está vinculada; e recall de citação, que mede se as afirmações do relatório são totalmente suportadas pelas citações fornecidas. Avaliações secundárias usaram o DeepScholarBench, um benchmark de 63 consultas para síntese de pesquisa de longo formato construído a partir de artigos recentes do arXiv, além de comparações pareadas contra relatórios do pipeline alimentado por Claude.

O anúncio relata que a equipe testou quatro filtros baseados em estatísticas em relatórios de treinamento sintéticos: razão de tokens de saída para entrada, relevância de citação, densidade de citação e diversidade de citação. A Ai2 afirma que os maiores ganhos vieram da filtragem de relatórios com baixa densidade de citação, enquanto filtragens mais agressivas, combinações de filtros e varreduras de taxa de aprendizado não trouxeram ganhos significativos. Descreve a lição mais ampla como evidência de que a especialização científica não é necessariamente uma questão de acrescentar mais texto científico ao pré‑treinamento, e que a composição e a qualidade dos dados pós‑treinamento podem mudar materialmente o desempenho do modelo resultante.

Ai2 afirma que os checkpoints iniciais de SFT melhoraram a qualidade geral do conteúdo, mas ainda ficaram atrás da pipeline alimentada por Claude em termos de precisão das respostas e qualidade das citações, e que a fase DPO trouxe o AstaBrief para um nível comparável ao da pipeline Claude e ao DR Tulu na geração de relatórios. O cartão do modelo relata que, no conjunto de teste ScholarQA‑CS2, o AstaBrief‑8B obteve média de 87 nas métricas acompanhadas, comparado a 83,7 para o checkpoint SFT e 77,3 para o Qwen3‑8B base, com o AstaBrief‑8B alcançando 90,2 em recordação de ingredientes, 89 em precisão de respostas, 90,5 em precisão de citações e 78,2 em recordação de citações. O cartão também informa taxas de vitória avaliadas por LLM para o AstaBrief‑8B contra a pipeline Asta ScholarQA de 55 % na divisão de desenvolvimento e 72 % na divisão de teste, e lista pontuações do DeepScholarBench de 53,50 para o AstaBrief‑8B, 60,25 para o Asta ScholarQA e 56,26 para o DR‑Tulu‑8B.

Em um estudo humano separado descrito no anúncio, três pesquisadores científicos contribuíram com quatro a cinco perguntas cada em um conjunto de 14 questões e classificaram os relatórios dos três sistemas quanto à preferência geral, completude, relevância, organização e precisão das citações, permitindo empates. A Ai2 relata que o DR Tulu venceu em preferência geral, enquanto dois dos três pesquisadores preferiram o AstaBrief em relação aos demais sistemas quanto à precisão das citações.

Ai2 alerta que a maior parte do treinamento e da avaliação foi concluída em 2025, que os modelos proprietários usados para gerar os dados de treinamento e servir como pontos de comparação refletem o estado da arte daquela época, e que não foi reexecutada a avaliação completa contra os modelos de ponta atuais.

Uso Inicial e Próximos Passos Declarados

Ai2 relata que, entre 374 usuários do Asta que experimentaram o modo Rápido, 29,1 % o utilizou em dois ou mais dias, os usuários geraram em média 3,67 tópicos de relatório, 23 % nunca retornaram ao modo Pensamento para tópicos futuros, e outros 18 % alternaram entre os modos conforme seus objetivos, usando o modo Rápido em aproximadamente 40 % de seus tópicos. O feedback positivo foi de 84,2 % para o modo Rápido versus 85,2 % para o modo Pensamento, o que a Ai2 caracteriza como taxa semelhante, observando que o feedback geralmente é escasso demais para sustentar conclusões fortes.

Ai2 afirma que está explorando aprendizado de preferência mais granular, abordagens RAG‑plus‑RL mais robustas, capacidades de multi‑turno e multi‑ferramenta, fontes de dados científicas adicionais e decomposição de consultas, juntamente com avaliações que testam se um modelo preserva o escopo evidencial de suas fontes em vez de ampliar o que os estudos subjacentes estabeleceram. O anúncio enquadra o trabalho dentro dos esforços mais amplos da Ai2 em modelos científicos, incluindo o NSF OMAI, uma iniciativa nacional dos EUA liderada pela Ai2 para construir infraestrutura e modelos de IA totalmente abertos para a descoberta científica, e descreve o AstaBrief como um experimento em uma linha de trabalho mais longa que vai de ScholarQA e DR Tulu a futuras versões do Olmo.