Az Ai2 megnyitotta az AstaBrief tudományos jelentéskészítő modellt
Az Ai2 nyílt súlyokkal és a tanításához használt adatokkal együtt tette közzé az AstaBrief 8B modellt, amely tudományos kérdésekből és visszakeresett szakirodalmi részletekből készít hivatkozásokkal ellátott jelentéseket. A modell az Asta platformon már elérhető gyors módként, és a vállalat szerint jelentősen lerövidíti a jelentéskészítés idejét.
- Az Ai2 közzétette az AstaBrief 8B modell súlyait és tanítási adatait.
- A modell kutatási kérdésből és szakirodalmi részletekből készít hivatkozott jelentést.
- Az Asta Fast módja átlagosan 51,1 másodperc alatt készít jelentést.
- A tanításhoz 90 ezer kutatói kérdésből 47 ezer használható példa készült.
- Az AstaBrief saját infrastruktúrán is futtatható.
Gyors jelentéskészítés az Asta platformon
Az AstaBrief az Ai2 Asta nevű, tudományos munkára szánt ügynöki platformjának Generate a report funkciójában használható. A felhasználó kutatási kérdést és a rendszer által visszakeresett szakirodalmi részleteket ad a modellnek, amely ezekből állít össze hivatkozásokkal ellátott jelentést.
A rendszer Fast módja az AstaBriefre épül, miközben a Claude által támogatott Thinking mód továbbra is elérhető. Az Ai2 közlése szerint a Fast mód egy jelentés elkészítéséhez átlagosan 51,1 másodpercet igényel a teljes Asta-folyamatban, szemben a Thinking mód 178,5 másodpercével. Ez körülbelül 3,5-szeres különbség.
A vállalat szerint a jelentéskészítés ideje a követett szabadalmaztatott modellekhez képest csaknem nagyságrenddel csökkent. Az Ai2 ugyanakkor jelzi, hogy a bemutatott képzési és értékelési munka nagy része 2025-ben készült, ezért az összehasonlításban szereplő modellek az akkori élvonalat tükrözik. A teljes értékelést a jelenlegi modellekkel nem ismételték meg.
Valós kutatói kérdésekből építették fel
Az AstaBrief fejlesztése a Qwen3-8B modellből indult. Az Ai2 a munka során elsősorban az utólagos tanítási adatokra, az értékelésre és a jelentéskészítést támogató rendszerre összpontosított.
A tanítási folyamat alapját az Asta rendszerein keresztül benyújtott valós kutatói kérdések adták. Az Ai2 elemzése szerint a kutatók gyakran részletes kontextust, több feltételt és fogalmak közötti kapcsolatokat is megadnak, ahelyett, hogy rövid, kulcsszavas lekérdezéseket írnának be.
A minőségi, relevancia- és adatvédelmi szűrés után 90 ezer, kutatáshoz kapcsolódó kérdés maradt. A felhasználási naplókból eltávolították többek között a bétatesztelőktől és botoktól származó forgalmat, a túl rövid lekérdezéseket, valamint a nem angol, nem tudományos vagy személyes adatokat tartalmazó kéréseket. A felügyelt finomhangoláshoz 47 ezer használható példa készült.
A jelentések előállításához az Ai2 több rendszert is használt, köztük a Claude 3.5 Sonnet, Claude 3.7 Sonnet, o3, o4-mini és GPT-4.1 modelleket.
Egyszerűbb tanítás, nyíltan vizsgálható rendszer
Az Ai2 a megerősítéses tanulás helyett felügyelt finomhangolást és közvetlen preferenciaoptimalizálást alkalmazott. A vállalat szerint ezzel olcsóbb és könnyebben működtethető, hibakereshető, illetve továbbfejleszthető tanítási folyamatot kaptak.
A preferenciaadatokhoz jelentéspárokat készítettek, amelyekben két változat közül kellett kiválasztani a jobbat. A párokat két bírómodell, GPT-4.1 és DeepSeek-R1 értékelte. Az Ai2 szerint ezek a bírók az esetek 95 százalékában egyeztek az emberi preferenciákkal, és csak azokat a párokat tartották meg, amelyeknél mindkét modell ugyanazt a jelentést választotta. A végső DPO-adatkészlet körülbelül 6 ezer példát tartalmazott.
Az AstaBriefet úgy tanították, hogy a releváns részletekből egy menetben írja meg a teljes jelentést. Ezzel elhagyták a Claude-alapú Thinking mód részlet-összefoglaló és klaszterező lépéseit, valamint a szakaszonkénti szövegalkotást. Az Ai2 szerint ez a megközelítés gyorsabb működést tett lehetővé a teljesítmény feláldozása nélkül.
Saját infrastruktúrán is futtatható
Az Ai2 a modell súlyait és a tanítási adatokat is közzéteszi, hogy mások tanulmányozhassák, reprodukálhassák és továbbépíthessék a megközelítést. A nyílt súlyok lehetővé teszik, hogy intézmények saját infrastruktúrájukon futtassák az AstaBriefet. Ez olyan kutatási kérdéseknél lehet fontos, amelyek érzékeny vagy még nem publikált munkához kapcsolódnak.
A vállalat emellett egy példa-munkafolyamatot is kiadott, amelyet a kutatók saját PDF-fájljaikból készített helyi jelentésekhez alakíthatnak. Az Ai2 2026. október 2-i közlése szerint az AstaBrief így egyszerre szolgálja az Asta gyorsabb jelentéskészítését és a tudományos munkára szabható, nyílt nyelvi modellek fejlesztésének vizsgálatát.
