Ai2 publică în open source AstaBrief 8B pentru generarea rapidă de rapoarte științifice

Institutul Allen pentru Inteligență Artificială (Ai2) a declarat pe 2 octombrie 2026 că publică în open source AstaBrief 8B, un model care transformă o întrebare de cercetare și fragmente de literatură recuperate într-un raport citat, lansând greutățile modelului și datele de antrenament pe măsură ce sistemul devine disponibil în modul Rapid în Asta, platforma sa agentică pentru muncă științifică.

Modul Rapid în generarea rapoartelor în Asta

AstaBrief este disponibil în funcția „Generează un raport” a lui Asta ca Mod Rapid, rulând alături de modul existent de gândire alimentat de Claude, conform Anunțul Ai2. Ai2 spune că scopul său a fost să testeze dacă un model mic, open, antrenat special pentru generarea de rapoarte științifice ar putea egala calitatea rapoartelor modelelor proprietare pe care le folosea, reducând în același timp timpul de generare și costurile de servire. Ai2 raportează că, în întregul pipeline Asta, Modul Rapid are în medie 51,1 secunde pe raport, comparativ cu 178,5 secunde pentru modul de gândire, o diferență pe care o descrie ca fiind aproximativ 3,5 ori mai rapidă și aproape o reducere de ordin de mărime în timpul de generare față de modelele proprietare monitorizate.

Fișa modelului AstaBrief 8B precizează că modelul este licențiat sub Apache 2.0, se bazează pe Qwen3-8B și este destinat utilizării în cercetare și educație conform Ghidurilor de Utilizare Responsabilă ale Ai2. Deoarece greutățile sunt deschise, Ai2 afirmă că instituțiile pot rula modelul pe propriul hardware, inclusiv în spatele propriului firewall, pe care îl descrie ca fiind necesar atunci când întrebările de cercetare ating subiecte sensibile sau lucrări nepublicate. Pe lângă greutăți, Ai2 a lansat un flux de lucru exemplu în depozitul său GitHub ai2-scholarqa-lib, pe care cercetătorii îl pot adapta pentru a genera rapoarte din propriile PDF-uri.

Date de antrenament și filtrare

Ai2 a pornit de la Qwen3-8B și a construit AstaBrief prin ajustare fină supravegheată, urmată de optimizarea directă a preferințelor (DPO). Anunțul spune că echipa a luat în considerare antrenamentul bazat pe învățare prin recompensă, pe care munca sa anterioară DR Tulu demonstrase că poate îmbunătăți generarea de rapoarte de lungă durată pentru modele cu greutăți deschise, dar a ales rețeta mai simplă deoarece antrenamentul RL poate fi instabil și costisitor, iar echipa dorea o configurație mai ieftină și mai ușor de depanat și iterat.

Pentru viteză, AstaBrief a fost antrenat să scrie raportul complet într-un singur pas, pornind de la interogarea utilizatorului și fragmentele recuperate, ocolind etapele de rezumat și grupare a fragmentelor pe care le folosește modul de gândire bazat pe Claude și sărind scrierea secțiune cu secțiune. Ai2 afirmă că a constatat că acest lucru este posibil fără a sacrifica performanța.

Pipeline-ul de antrenament a început cu interogări reale ale utilizatorilor trimise prin sistemul din spatele cadrului ScholarQA al Ai2, care susține generarea de rapoarte în Asta. Echipa a filtrat jurnalele pentru calitate, relevanță și confidențialitate, eliminând traficul de beta-testeri și roboți, eliminând interogările prea scurte pentru a fi semnificative și utilizând un pas bazat pe LLM pentru a detecta interogări non-engleze, cereri non-științifice și solicitări care conțin informații personale. Acest lucru a lăsat un pool de 90 000 de interogări axate pe cercetare.

Pentru etapa supravegheată, țintele de raport complet au fost generate cu pipeline-ul multi-step ScholarQA susținut de un amestec de sisteme proprietare: Claude 3.5 Sonnet, Claude 3.7 Sonnet, o3, o4-mini și GPT-4.1. Filtrarea de calitate a lăsat 47 000 de exemple utilizabile. Pentru DPO, perechile au provenit dintr-un subset separat de interogări neutilizat în generarea datelor SFT: un raport din pipeline-ul ScholarQA, de obicei susținut de Claude 3.5 sau 3.7 Sonnet, comparat cu un raport generat de o3, o4-mini, DeepSeek-V3 sau DeepSeek-R1. Două modele de judecată, GPT-4.1 și DeepSeek-R1, au ales un câștigător pentru fiecare pereche. Ai2 spune că judecătorii au fost de acord cu preferințele umane în 95% din cazuri, iar numai perechile pe care ambii judecători au fost de acord au fost păstrate, producând aproximativ 6 000 de exemple finale. Conform fișei modelului, modelul lansat a fost inițializat din punctul de control AstaBrief-8B-SFT și ajustat fin pe AstaBrief_DPO_Mix setul de date, cu antrenament DPO realizat în cadrul cadrului open-instruct al Ai2 pe 8 GPU-uri H100.

Rezultatele evaluării

Principalul obiectiv de dezvoltare al Ai2 a fost SQABench-CS2, pe care anunțul îl descrie ca un set de 200 de întrebări de cercetare în informatică scrise de utilizatori. Echipa a urmărit patru metrici: scorul rubricii, care măsoară cât de mult conținut necesar acoperă un raport; precizia răspunsului, care evaluează dacă fiecare paragraf este relevant pentru întrebare; precizia citării, care verifică dacă fiecare citare susține afirmația la care este atașată; și acoperirea citărilor, care măsoară dacă afirmațiile unui raport sunt pe deplin susținute de citările furnizate. Evaluările secundare au folosit DeepScholarBench, un benchmark de 63 de interogări pentru sinteza de cercetare pe termen lung construit din lucrări recente de pe arXiv, plus comparații pereche contra rapoarte din pipeline-ul alimentat de Claude.

Anunțul raportează că echipa a testat patru filtre bazate pe statistici pe rapoarte de antrenament sintetice: raportul token‑output la token‑input, relevanța citărilor, densitatea citărilor și diversitatea citărilor. Ai2 spune că cele mai mari câștiguri au venit din filtrarea rapoartelor cu densitate scăzută a citărilor, în timp ce filtrarea mai agresivă, combinațiile de filtre și ajustările ratei de învățare nu au adus câștiguri semnificative. Descrie lecția mai largă ca dovadă că specializarea științifică nu este neapărat o chestiune de a adăuga mai mult text științific la pre-antrenare și că compoziția și calitatea datelor post‑antrenament pot schimba în mod semnificativ performanța modelului rezultat.

Ai2 spune că punctele de control SFT timpurii au îmbunătățit calitatea generală a conținutului, dar au rămas în urma conductei alimentate de Claude în ceea ce privește precizia răspunsurilor și calitatea citărilor, și că etapa DPO a adus AstaBrief în intervalul conductei Claude și al DR Tulu la generarea rapoartelor. Fișa modelului raportează că, pe setul de testare ScholarQA‑CS2, AstaBrief‑8B a înregistrat o medie de 87 la metricile urmărite, comparativ cu 83,7 pentru punctul de control SFT și 77,3 pentru Qwen3‑8B de bază, AstaBrief‑8B obținând 90,2 la reamintirea ingredientelor, 89 la precizia răspunsului, 90,5 la precizia citării și 78,2 la reamintirea citărilor. Fișa mai raportează rate de câștig evaluate de LLM pentru AstaBrief‑8B față de conducta Asta ScholarQA de 55 % pe segmentul de dezvoltare și 72 % pe segmentul de testare, și enumeră scoruri DeepScholarBench de 53,50 pentru AstaBrief‑8B, 60,25 pentru Asta ScholarQA și 56,26 pentru DR‑Tulu‑8B.

Într-un studiu uman separat descris în anunț, trei cercetători științifici au contribuit fiecare cu patru până la cinci întrebări dintr-un set de 14 întrebări și au clasificat rapoartele celor trei sisteme în funcție de preferință generală, completitudine, relevanță, organizare și acuratețea citărilor, cu posibilitatea egalităților. Ai2 raportează că DR Tulu a câștigat în preferința generală, în timp ce doi dintre cei trei cercetători au preferat AstaBrief față de celelalte sisteme în ceea ce privește acuratețea citărilor.

Ai2 avertizează că majoritatea antrenamentului și evaluării a fost finalizată în 2025, că modelele proprietare utilizate pentru a genera datele de antrenament și ca puncte de comparație reflectă frontieră de atunci, și că nu a reluat evaluarea completă împotriva modelelor de frontieră actuale.

Utilizare timpurie și pașii următori declarați

Ai2 raportează că, dintre cei 374 de utilizatori Asta care au încercat modul Fast, 29,1 % l-au folosit în două sau mai multe zile, utilizatorii au generat în medie 3,67 fire de rapoarte, 23 % nu s-au mai întors la modul Thinking pentru firele viitoare, iar alți 18 % au alternat între moduri în funcție de obiective, utilizând modul Fast pentru aproximativ 40 % din firele lor. Feedbackul pozitiv a fost de 84,2 % pentru modul Fast versus 85,2 % pentru modul Thinking, pe care Ai2 îl caracterizează ca un ritm similar, menționând totuși că feedbackul este în general prea sărac pentru a susține concluzii puternice.

Ai2 spune că explorează învățarea preferințelor mai fină, abordări RAG‑plus‑RL mai puternice, capabilități multi‑turn și multi‑tool, surse suplimentare de date științifice și descompunerea interogărilor, alături de evaluări care testează dacă un model păstrează domeniul probator al surselor sale în loc să extindă ceea ce studiile de bază au stabilit. Anunțul plasează munca în cadrul eforturilor mai largi ale Ai2 de modele științifice, inclusiv NSF OMAI, o inițiativă națională a SUA condusă de Ai2 pentru a construi infrastructură și modele AI complet deschise pentru descoperirea științifică, și descrie AstaBrief ca un experiment într-o serie mai lungă de lucrări care pornesc de la ScholarQA și DR Tulu până la viitoarele versiuni ale Olmo.