AstaBrief als Open Source: Das schnelle Modell zur Berichtserstellung in Asta

Ai2 hat AstaBrief 8B als Open Source veröffentlicht – das Modell zur Berichtsgenerierung, das hinter dem Fast-Modus seiner wissenschaftlichen Rechercheplattform Asta steckt. Es nimmt eine Forschungsfrage plus abgerufene Literatur-Auszüge als Input und schreibt in einem einzigen Durchlauf einen vollständigen, mit Quellen belegten Bericht – keine abschnittsweise Generierung. Sowohl die Gewichte als auch die Trainingsdaten werden veröffentlicht.

Es basiert auf Qwen3-8B, wobei der größte Teil des Engineering-Aufwands in Post-Training-Daten, Evaluation und das Scaffolding zur Berichtsgenerierung floss statt in das Basismodell.

Performance und Setup

• Über die gesamte Asta-Pipeline hinweg braucht der Fast-Modus im Schnitt 51,1 Sekunden pro Bericht, verglichen mit 178,5 Sekunden für den Claude-basierten Thinking-Modus – etwa 3,5× schneller, was als nahezu zehnfache Reduktion der Generierungszeit gegenüber den proprietären Modellen beschrieben wird, die sie verglichen haben.
• AstaBrief ist ab heute in der Funktion Generate a report von Asta als Fast-Modus verfügbar und läuft parallel zum Thinking-Modus.
• Ai2 liefert außerdem einen Beispiel-Workflow, den Forschende anpassen können, um Berichte aus ihren eigenen PDFs zu generieren – gedacht für lokale Berichtsgenerierung.
• Offene Gewichte ermöglichen es Institutionen, das Modell auf ihrer eigenen Infrastruktur zu betreiben, was wichtig ist, wenn Forschungsfragen sensible oder unveröffentlichte Arbeiten betreffen.

Trainingsrezept: SFT + DPO, nicht RL

Ai2 hat sich bewusst für ein einfacheres Rezept entschieden: Supervised Fine-Tuning plus Direct Preference Optimization. Sie verweisen auf ihre frühere DR Tulu-Arbeit, die zeigt, dass RL die langformatige Berichtsgenerierung bei Open-Weights-Modellen verbessern kann, betonen aber, dass RL-basiertes Training instabil und teuer ist. Sie wollten ein Setup, das günstiger im Betrieb, leichter zu debuggen und leichter zu iterieren ist – was den Schwerpunkt auf die Qualität der Trainingsdaten verlagerte.

Der Aufbau von AstaBrief erforderte Zehntausende echte Forschungsanfragen, zitatfokussierte Filterung, Präferenzdaten und eine neu gestaltete Pipeline, die den Bericht in einem Durchlauf schreibt. Die erklärten Ziele des Modells sind Antwortqualität, Relevanz, Struktur und Zitat-Verankerung – die Antworten an dem festzuhalten, was die Evidenz tatsächlich stützt, statt stillschweigend die Schlussfolgerungen einer Studie zu verallgemeinern.

Einschränkungen

Der größte Teil des Trainings und der Evaluation wurde 2025 abgeschlossen, sodass die proprietären Modelle, die zur Generierung von Trainingsdaten und als Vergleichspunkte dienten, den damaligen Frontier-Stand widerspiegeln. Ai2 hat die vollständige Evaluation nicht erneut gegen aktuelle Frontier-Modelle durchgeführt und rahmt die Ergebnisse als Belege für die spezifischen Trainings- und Systemdesign-Entscheidungen, die sie getestet haben. Die Arbeit ist zudem Teil von NSF OMAI, der US-Initiative unter Leitung von Ai2 zum Aufbau offener KI-Infrastruktur und -Modelle für wissenschaftliche Entdeckungen.

Wer lokale Modelle betreibt und zitierte Langform-Synthese über eigene PDFs möchte, sollte mit dem veröffentlichten Beispiel-Workflow beginnen.