Ai2, Hızlı Bilimsel Rapor Oluşturma için AstaBrief 8B’yi Açık Kaynak Olarak Sunuyor

Allen Institute for AI (Ai2), 2 Ekim 2026 tarihinde AstaBrief 8B’yi açık kaynak olarak sunduğunu açıkladı; bu model, bir araştırma sorusunu ve alınan literatür alıntılarını atıflı bir rapora dönüştürüyor ve model ağırlıklarını ve eğitim verilerini, sistem Asta’da Hızlı modda canlıya geçtiği sırada yayımlıyor. Asta, bilimsel çalışmalar için ajan tabanlı platformudur.

Asta’nın Rapor Oluşturmadaki Hızlı Modu

AstaBrief, Asta’nın “Rapor Oluştur” özelliğinde Hızlı mod olarak mevcuttur ve mevcut Claude destekli Düşünme modunun yanında çalışmaktadır, Ai2 duyurusuna göre. Ai2, hedefinin bilimsel rapor oluşturma için özel olarak eğitilmiş küçük bir açık modelin, kullandıkları tescilli modellerin rapor kalitesiyle eşleşip eşleşmediğini test etmek ve aynı zamanda oluşturma süresi ve hizmet maliyetlerini azaltmak olduğunu belirtiyor. Ai2, tam Asta işlem hattı boyunca Hızlı modun rapor başına ortalama 51,1 saniye, Düşünme modunun ise 178,5 saniye sürdüğünü rapor ediyor; bu farkı yaklaşık 3,5 kat daha hızlı ve tescilli modellerle karşılaştırıldığında oluşturma süresinde neredeyse bir mertebe azalma olarak tanımlıyor.

AstaBrief 8B model kartı, modelin Apache 2.0 lisansı altında olduğunu, Qwen3-8B temelli olduğunu ve Ai2’nin Sorumlu Kullanım Kılavuzları kapsamında araştırma ve eğitim amaçlı kullanılmasını öngördüğünü belirtiyor. Ağırlıkların açık olması nedeniyle Ai2, kurumların modeli kendi donanımlarında, kendi güvenlik duvarlarının arkasında çalıştırabileceklerini, bunun hassas veya yayınlanmamış çalışmalarla ilgili araştırma soruları ortaya çıktığında gerekli olduğunu ifade ediyor. Ağırlıkların yanında, Ai2, araştırmacıların kendi PDF’lerinden rapor üretmek için uyarlayabilecekleri bir örnek iş akışını ai2-scholarqa-lib GitHub deposunda yayımladı.

Eğitim Verileri ve Filtreleme

Ai2, Qwen3-8B’den başlayarak AstaBrief’i denetimli ince ayar (supervised fine-tuning) ve ardından doğrudan tercih optimizasyonu (DPO) ile inşa etti. Duyuru, ekibin takviye öğrenimine (reinforcement learning) dayalı eğitimi değerlendirdiğini, önceki DR Tulu çalışmasının açık ağırlıklı modeller için uzun biçimli rapor oluşturmayı iyileştirebileceğini gösterdiğini, ancak RL eğitiminin istikrarsız ve maliyetli olabileceği ve ekibin daha ucuz ve hata ayıklaması ile yineleme yapması daha kolay bir yapı istediği için daha basit tarifi tercih ettiğini belirtiyor.

Hız için, AstaBrief, kullanıcı sorgusu ve alınan alıntılardan tam raporu tek bir geçişte yazacak şekilde eğitildi; Claude tabanlı Düşünme modunun kullandığı alıntı özetleme ve kümeleme aşamalarını atlayarak bölüm bölüm yazmayı da geçiyor. Ai2, bunun performanstan ödün vermeden mümkün olduğunu belirtiyor.

Eğitim işlem hattı, Asta’nın rapor oluşturmasını destekleyen Ai2’nin ScholarQA çerçevesinin arkasındaki sistem üzerinden gönderilen gerçek kullanıcı sorgularıyla başladı. Ekip, günlükleri kalite, alaka ve gizlilik açısından filtreleyerek beta testçi ve bot trafiğini kaldırdı, anlamlı olmaktan uzak çok kısa sorguları eledi ve LLM tabanlı bir adım kullanarak İngilizce olmayan sorguları, bilim dışı istekleri ve kişisel bilgi içeren komutları yakaladı. Sonuçta 90K araştırma odaklı sorgudan oluşan bir havuz kaldı.

Denetimli aşama için, tam rapor hedefleri, Claude 3.5 Sonnet, Claude 3.7 Sonnet, o3, o4-mini ve GPT-4.1 gibi bir dizi tescilli sistem tarafından desteklenen çok adımlı ScholarQA işlem hattı ile oluşturuldu. Kalite filtresi sonrasında 47 000 kullanılabilir örnek kaldı. DPO için, çiftler SFT veri üretimi sırasında kullanılmayan ayrı bir sorgu alt kümesinden geldi: ScholarQA işlem hattından bir rapor, genellikle Claude 3.5 veya 3.7 Sonnet tarafından desteklenirken, diğer rapor o3, o4-mini, DeepSeek-V3 veya DeepSeek-R1 tarafından üretildi. İki yargı modeli, GPT-4.1 ve DeepSeek-R1, her çift için bir kazanan seçti. Ai2, yargıların insan tercihleriyle %95 oranında aynı fikirde olduğunu ve yalnızca her iki yargının da aynı fikirde olduğu çiftlerin tutulduğunu, bu sayede yaklaşık 6 000 son örnek üretildiğini belirtiyor. Model kartına göre, yayımlanan model AstaBrief-8B-SFT kontrol noktasından başlatıldı ve AstaBrief_DPO_Mix veri kümesi üzerinde, DPO eğitimi Ai2’nin open-instruct çerçevesinde 8xH100 GPU’lar üzerinde gerçekleştirildi.

Değerlendirme Sonuçları

Ai2’nin ana geliştirme hedefi, duyurunun 200 kullanıcı tarafından yazılmış bilgisayar bilimi araştırma sorusundan oluşan bir set olarak tanımladığı SQABench-CS2 idi. Ekip dört metriği izledi: rubrik puanı, bir raporun ne kadar gerekli içeriği kapsadığını ölçen; cevap kesinliği, her paragrafın soruyla ne kadar ilgili olduğunu ölçen; atıf kesinliği, her atıfın ona ekli iddiayı destekleyip desteklemediğini ölçen; ve atıf hatırlama, bir raporun iddialarının sağlanan atıflarla tamamen desteklenip desteklenmediğini ölçen. İkincil değerlendirmeler, son zamanlardaki arXiv makalelerinden oluşturulan uzun biçimli araştırma sentezi için 63 sorgulu bir ölçüt olan DeepScholarBench’i ve Claude destekli işlem hattından gelen raporlarla çift karşılaştırmalarını kullandı.

Duyuru, ekibin sentetik eğitim raporları üzerinde dört istatistik temelli filtreyi test ettiğini bildiriyor: çıktı‑girdi token oranı, atıf alaka düzeyi, atıf yoğunluğu ve atıf çeşitliliği. Ai2, en büyük kazanımların düşük atıf yoğunluğuna sahip raporların filtrelenmesinden geldiğini, daha agresif filtreleme, filtre kombinasyonları ve öğrenme oranı taramalarının ise anlamlı bir kazanç sağlamadığını belirtiyor. Daha geniş ders olarak, bilimsel uzmanlaşmanın mutlaka ön eğitimde daha fazla bilimsel metin eklemekle ilgili olmadığını ve eğitim sonrası veri bileşimi ve kalitesinin ortaya çıkan modelin performansını maddi olarak değiştirebileceğini vurguluyor.

Ai2, erken SFT kontrol noktalarının genel içerik kalitesini artırdığını ancak yanıt doğruluğu ve atıf kalitesi açısından Claude destekli hattın gerisinde kaldığını ve DPO aşamasının AstaBrief’i rapor üretiminde Claude hattı ve DR Tulu ile aynı seviyeye getirdiğini söylüyor. Model kartı, ScholarQA-CS2 test setinde AstaBrief-8B’nin izlenen metriklerde ortalama 87 puan aldığını, SFT kontrol noktasının 83.7 ve temel Qwen3-8B’nin 77.3 puan aldığını bildiriyor; AstaBrief-8B, içerik hatırlama puanında 90.2, yanıt doğruluğunda 89, atıf doğruluğunda 90.5 ve atıf hatırlamada 78.2 puan elde etti. Kart ayrıca, AstaBrief-8B’nin Asta ScholarQA hattına karşı geliştirme bölümü üzerinde %55 ve test bölümü üzerinde %72 LLM tarafından değerlendirilen kazanma oranlarını rapor ediyor ve DeepScholarBench puanları olarak AstaBrief-8B için 53.50, Asta ScholarQA için 60.25 ve DR-Tulu-8B için 56.26 olduğunu listeliyor.

İlan’da açıklanan ayrı bir insan çalışmasında, üç bilimsel araştırmacı 14 soruluk setten dört beş soru ekleyerek katkıda bulundu ve üç sistemin raporlarını genel tercih, bütünlük, alaka düzeyi, organizasyon ve atıf doğruluğu açısından sıraladı; eşitliklere izin verildi. Ai2, DR Tulu’nun genel tercihte birinci olduğunu, üç araştırmacıdan ikisinin ise atıf doğruluğu konusunda diğer sistemlere göre AstaBrief’i tercih ettiğini rapor ediyor.

Ai2, eğitimin ve değerlendirmenin çoğunun 2025’te tamamlandığını, eğitim verilerini üretmek ve karşılaştırma noktaları olarak kullanılan tescilli modellerin o zamanki sınırı yansıttığını ve mevcut sınır modellerine karşı tam değerlendirmeyi yeniden çalıştırmadığını uyarıyor.

Erken Kullanım ve Belirtilen Sonraki Adımlar

Ai2, Fast modunu deneyen 374 Asta kullanıcısı arasında %29.1’inin iki veya daha fazla gün kullandığını, kullanıcıların ortalama 3.67 rapor dizisi oluşturduğunu, %23’ünün gelecekteki diziler için Thinking moduna geri dönmediğini ve bir diğer %18’inin hedeflerine göre modlar arasında geçiş yaptığını; Fast modunu dizilerinin yaklaşık %40’ında kullandığını rapor ediyor. Pozitif geri bildirim Fast mod için %84.2, Thinking mod için %85.2 olarak gerçekleşti; Ai2 bunu benzer bir oran olarak nitelendiriyor ancak geri bildirimin genellikle güçlü sonuçlar çıkarmak için çok seyrek olduğunu belirtiyor.

Ai2, daha ince ayrıntılı tercih öğrenimi, daha güçlü RAG-plus-RL yaklaşımları, çoklu tur ve çoklu araç yetenekleri, ek bilimsel veri kaynakları ve sorgu ayrıştırması gibi alanları araştırdığını ve ayrıca bir modelin kaynaklarının kanıt kapsamını genişletmek yerine koruyup korumadığını test eden değerlendirmeler yaptığını söylüyor. İlan, bu çalışmayı Ai2’nin daha geniş bilimsel model çabaları içinde konumlandırıyor; bunlar arasında Ai2 tarafından yürütülen, tam açık AI altyapısı ve bilimsel keşif için modeller oluşturmayı amaçlayan ABD ulusal girişimi NSF OMAI de yer alıyor ve AstaBrief’i ScholarQA ve DR Tulu’dan Olmo’nun gelecekteki sürümlerine kadar uzanan daha uzun bir çalışma dizisinde bir deney olarak tanımlıyor.