Ai2 открыла AstaBrief 8B — быструю модель для научных отчётов с цитатами

Научный поиск редко сводится к запросу из нескольких слов: исследователю нужно сопоставить результаты работ, учесть конкретную методику, популяцию или условия эксперимента и затем проверить, действительно ли вывод следует из источников. Ai2 позиционирует AstaBrief 8B именно как специализированный слой для такого сценария. Модель получает исследовательский вопрос и извлечённые отрывки литературы, а на выходе формирует связный отчёт с цитатами. В Asta она доступна через функцию Generate a report в режиме Fast; параллельно остаётся Thinking-режим на моделях Claude.

В основе AstaBrief лежит Qwen3-8B, однако основной объём работы Ai2 относит не к предобучению, а к посттренировочным данным, оценке и конвейеру формирования отчёта. Для разработки использовались десятки тысяч реальных исследовательских запросов, фильтрация с фокусом на цитировании и данные предпочтений. Существенно изменён и сам способ генерации: вместо последовательного написания разделов система создаёт полный отчёт за один проход. Такой подход должен уменьшать задержку и стоимость обслуживания, не сводя задачу к обычному суммированию найденных документов.

По замерам Ai2, Fast mode в полном конвейере Asta создаёт отчёт в среднем за 51,1 секунды, тогда как Thinking mode — за 178,5 секунды. Это примерно в 3,5 раза быстрее; в описании разработки институт также говорит почти о десятикратном сокращении времени генерации по сравнению с отслеживаемыми проприетарными моделями в отдельных условиях. Для длинных исследовательских артефактов скорость важна не только как удобство: отчёт часто возвращается в работу позже, поэтому его проще уточнять, перезапускать с другими источниками или использовать как промежуточный результат в серии исследовательских шагов.

Открыты не только веса, но и тренировочные данные. Это позволяет воспроизводить подход, исследовать его ограничения и адаптировать систему под собственные корпуса. Ai2 отдельно предлагает пример workflow для построения отчётов по локальным PDF. Такой вариант важен лабораториям и организациям, где сам вопрос исследования или набор материалов относится к неопубликованной либо чувствительной работе и его нельзя отправлять во внешний inference-сервис.

При этом результаты не стоит читать как прямое сравнение с актуальным поколением закрытых моделей. Большая часть обучения и оценивания была завершена в 2025 году, поэтому и проприетарные модели, использованные для создания данных и сравнений, отражают тогдашний фронтир. Ai2 прямо указывает, что не повторяла полную оценку против современных лидирующих систем. Выпуск скорее демонстрирует, какую разницу могут дать специализированные данные, контроль цитат и конструкция пайплайна для научного синтеза на относительно компактной открытой модели.