AstaBrief od Ai2 pisze raport naukowy z przypisami w niecałą minutę. Model jest otwarty

Instytut Ai2 udostępnił 2 października AstaBrief, mały otwarty model, który z pytania badawczego i fragmentów publikacji pisze raport z przypisami. Model działa już jako tryb Fast w funkcji Generate a report na platformie Asta, z której naukowcy korzystają przy przeglądzie literatury. Ai2 opublikował też dane, na których go wytrenował. Opis projektu jest na blogu Ai2 w serwisie Hugging Face. Dotyczy to głównie naukowców, studentów i firm, które piszą przeglądy badań i nie mogą wysyłać pytań do zewnętrznych usług.

Raport w niecałą minutę

Asta miała do tej pory tryb Thinking, oparty na modelach Claude. Nowy tryb Fast z AstaBrief pisze cały raport za jednym podejściem, zamiast sekcja po sekcji. Według Ai2 to ponad trzy razy szybciej:

	Fast (AstaBrief)	Thinking (Claude)
Średni czas raportu	51,1 s	178,5 s
Pozytywne oceny użytkowników	84,2 proc.	85,2 proc.

Ai2 zastrzega, że ocen jest za mało na mocne wnioski. W badaniu z udziałem ludzi trzech naukowców oceniało raporty z 14 pytań. Ogólnie najlepiej wypadł inny system Ai2, DR Tulu. Dwóch z trzech badaczy oceniło jednak przypisy AstaBrief jako najdokładniejsze.

Dlaczego otwarty model ma tu znaczenie

AstaBrief ma 8 mld parametrów, więc jest mały jak na dzisiejsze modele. Zbudowano go na bazie Qwen3 8B od Alibaby. Otwarte wagi oznaczają, że uczelnia albo firma może pobrać model i uruchomić go na własnym serwerze, za własną zaporą sieciową. Ai2 wskazuje to jako warunek przy pytaniach, które zdradzają wrażliwe albo jeszcze nieopublikowane badania. Razem z modelem udostępnił przykładowy sposób robienia raportów z własnych plików PDF.

Czego nauczył się zespół

Model uczył się na prawdziwych pytaniach naukowców. Po odsianiu krótkich, nienaukowych i zawierających dane osobowe zostało 90 tys. pytań. Wzorcowe raporty pisały do nich większe modele, między innymi GPT-4.1, o3 i wcześniejsze wersje Claude Sonnet.

Najwięcej dało proste sito. Zespół wyrzucił z danych treningowych raporty, w których mało zdań miało przypis. Bardziej złożone filtry nie poprawiły wyniku. Ai2 wyciąga z tego wniosek, że o rzetelności modelu w nauce decyduje przede wszystkim jakość przykładów, na których się uczy.

Ai2 opisuje też problem, którego jego testy dobrze nie łapią. Model może przypisać zdanie do właściwego badania, a mimo to powiedzieć więcej, niż badanie wykazało. Przykład: wynik z jednej grupy pacjentów zamienia w ogólną prawdę albo opis w zalecenie dla lekarzy. Jeśli używasz AI do streszczania badań, sprawdzaj właśnie to, a nie tylko, czy przypis istnieje.

O czym pamiętać

Większość treningu i testów Ai2 przeprowadził w 2025 roku. Wyników nie powtórzono z dzisiejszymi najmocniejszymi modelami, więc porównania dotyczą tamtego stanu. Pytania w innych językach niż angielski usunięto z danych treningowych, a główny test Ai2 to pytania z informatyki. Ai2 nie podaje, czy Asta jest bezpłatna ani jak model radzi sobie po polsku.