AstaBrief passe en open source, le modèle rapide de génération de rapports d’Asta

Ai2 a open-sourcé AstaBrief 8B, le modèle de génération de rapports qui alimente le mode Fast de sa plateforme de recherche scientifique Asta. Il prend en entrée une question de recherche et des extraits de littérature récupérés, et rédige un rapport cité complet en une seule passe — sans génération section par section. Les poids et les données d'entraînement sont tous deux publiés.

Il est basé sur Qwen3-8B, l'essentiel de l'effort d'ingénierie portant sur les données de post-entraînement, l'évaluation et l'échafaudage de génération de rapports plutôt que sur le modèle de base.

Performance et configuration

• Sur l'ensemble du pipeline Asta, le mode Fast prend en moyenne 51,1 secondes par rapport, contre 178,5 secondes pour le mode Thinking propulsé par Claude — environ 3,5× plus rapide, décrit comme une réduction de près d'un ordre de grandeur du temps de génération par rapport aux modèles propriétaires suivis.
• AstaBrief est disponible dès aujourd'hui dans la fonctionnalité Generate a report d'Asta en tant que mode Fast, aux côtés du mode Thinking.
• Ai2 fournit également un workflow d'exemple que les chercheurs peuvent adapter pour générer des rapports à partir de leurs propres PDF, destiné à la génération locale de rapports.
• Les poids ouverts permettent aux institutions de l'exécuter sur leur propre infrastructure, ce qui compte lorsque les questions de recherche impliquent des travaux sensibles ou non publiés.

Recette d'entraînement : SFT + DPO, pas RL

Ai2 a explicitement choisi une recette plus simple : ajustement supervisé plus optimisation directe des préférences. Ils citent leurs travaux antérieurs DR Tulu montrant que le RL peut améliorer la génération de rapports longs pour les modèles à poids ouverts, mais affirment que l'entraînement par RL est instable et coûteux. Ils voulaient une configuration moins chère à exécuter, plus facile à déboguer et à itérer — ce qui a déplacé l'accent sur la qualité des données d'entraînement.

Construire AstaBrief a nécessité des dizaines de milliers de requêtes de recherche réelles, un filtrage axé sur les citations, des données de préférence et un pipeline repensé qui rédige le rapport en une seule passe. Les objectifs déclarés du modèle sont la qualité des réponses, la pertinence, la structure et l'ancrage des citations — en gardant les réponses liées à ce que les preuves soutiennent réellement plutôt que d'élargir silencieusement les conclusions d'une étude.

Mises en garde

La majeure partie de l'entraînement et de l'évaluation a été réalisée en 2025, de sorte que les modèles propriétaires utilisés pour générer les données d'entraînement et comme points de comparaison reflètent la frontière de l'époque. Ai2 n'a pas refait l'évaluation complète face aux modèles frontières actuels, et présente les résultats comme des preuves concernant les choix spécifiques de conception d'entraînement et de système qu'ils ont testés. Ce travail s'inscrit également dans le cadre du NSF OMAI, l'initiative américaine menée par Ai2 pour construire une infrastructure et des modèles d'IA ouverts pour la découverte scientifique.

Si vous exécutez des modèles locaux et souhaitez une synthèse longue et citée sur vos propres PDF, le workflow d'exemple publié est le point de départ idéal.