Tornando o AstaBrief de código aberto, o modelo rápido de geração de relatórios no Asta

A Ai2 disponibilizou em código aberto o AstaBrief 8B, o modelo de geração de relatórios por trás do modo Fast de sua plataforma de pesquisa científica Asta. Ele recebe uma pergunta de pesquisa mais trechos de literatura recuperados como entrada e escreve um relatório completo com citações em uma única passagem — sem geração seção por seção. Tanto os pesos quanto os dados de treinamento estão sendo liberados.

Ele é construído sobre o Qwen3-8B, com a maior parte do esforço de engenharia direcionada aos dados de pós-treinamento, à avaliação e à estrutura de geração de relatórios, e não ao modelo base.

Desempenho e configuração

• Em todo o pipeline da Asta, o modo Fast leva em média 51,1 segundos por relatório, em comparação com 178,5 segundos do modo Thinking, movido pelo Claude — cerca de 3,5× mais rápido, descrito como uma redução de quase uma ordem de grandeza no tempo de geração em relação aos modelos proprietários que eles acompanharam.
• O AstaBrief já está disponível hoje no recurso Generate a report da Asta como modo Fast, operando ao lado do modo Thinking.
• A Ai2 também fornece um fluxo de trabalho de exemplo que pesquisadores podem adaptar para gerar relatórios a partir de seus próprios PDFs, voltado à geração local de relatórios.
• Pesos abertos permitem que instituições o executem em sua própria infraestrutura, o que importa quando as perguntas de pesquisa envolvem trabalhos sensíveis ou não publicados.

Receita de treinamento: SFT + DPO, não RL

A Ai2 optou explicitamente por uma receita mais simples: ajuste fino supervisionado mais otimização direta de preferências. Eles apontam para seu trabalho anterior DR Tulu, que mostra que RL pode melhorar a geração de relatórios longos para modelos de pesos abertos, mas afirmam que o treinamento baseado em RL é instável e caro. Eles queriam uma configuração mais barata de executar, mais fácil de depurar e mais fácil de iterar — o que empurrou a ênfase para a qualidade dos dados de treinamento.

Construir o AstaBrief exigiu dezenas de milhares de consultas de pesquisa reais, filtragem focada em citações, dados de preferência e um pipeline redesenhado que escreve o relatório em uma única passagem. Os objetivos declarados do modelo são qualidade da resposta, relevância, estrutura e fundamentação em citações — mantendo as respostas atreladas ao que as evidências realmente sustentam, em vez de ampliar silenciosamente as conclusões de um estudo.

Ressalvas

A maior parte do treinamento e da avaliação foi concluída em 2025, então os modelos proprietários usados para gerar dados de treinamento e como pontos de comparação refletem a fronteira daquela época. A Ai2 não refez a avaliação completa contra os modelos de fronteira atuais, e enquadra os resultados como evidência sobre as escolhas específicas de treinamento e design de sistema que testaram. O trabalho também se conecta ao NSF OMAI, a iniciativa dos EUA liderada pela Ai2 para construir infraestrutura e modelos abertos de IA para descoberta científica.

Se você executa modelos locais e quer síntese longa com citações sobre seus próprios PDFs, o fluxo de trabalho de exemplo liberado é o ponto de partida.