开源AstaBrief：Asta中的快速报告生成模型

AI2（艾伦人工智能研究所）近日开源了AstaBrief 8B模型及其训练数据。这是一个专门为科研场景设计的报告生成模型，能够将研究问题和检索到的文献片段转化为带引用的完整报告。目前该模型已作为Asta平台“生成报告”功能中的Fast模式上线，与基于Claude的Thinking模式并列供用户选择。 AstaBrief的诞生源于一个实际需求：科研人员在使用AI辅助文献综述时，往往需要模型严格基于证据作答，不能悄悄放大研究结论的适用范围，同时还要能追溯和验证最终输出。AI2团队希望验证一个假设——一个专门针对科学报告生成训练的小型开源模型，能否在报告质量上媲美他们此前使用的闭源模型，同时显著降低生成时间和推理成本。为此，他们基于Qwen3-8B进行后训练，投入了大量精力在训练数据、评估体系和报告生成流程的重新设计上。关键改进之一是让模型一次性生成完整报告，而非逐段生成，配合数万条真实科研查询、引用过滤和偏好数据的训练，最终实现了生成速度的大幅提升。 从实际效果看，AstaBrief带来的效率提升相当可观。在完整的Asta流程中，Fast模式平均每份报告耗时51.1秒，而Thinking模式需要178.5秒，速度约为后者的3.5倍，接近一个数量级的提升。对于需要反复生成和迭代报告的科研用户来说，这意味着等待时间从几分钟压缩到不到一分钟。更重要的是，开源权重让研究机构可以在自己的基础设施上运行AstaBrief，这对于涉及敏感数据或未发表成果的研究问题尤为关键。AI2同时发布了一个示例工作流，研究人员可以基于自己的PDF文件在本地生成报告，无需将数据上传至第三方服务。 从更宏观的视角看，AstaBrief是AI2在“为科学工作构建开源语言模型”这一方向上的重要试验。该机构正在通过NSF OMAI等美国国家级计划，推动面向科学发现的完全开源AI基础设施和模型建设。AstaBrief验证了一条路径：用专门设计的训练数据和生成流程，让小规模开源模型在特定科研任务上达到可用的质量水平，同时兼顾速度和部署灵活性。对于关注AI在科研场景落地的从业者来说，这一案例值得跟踪——它展示了开源模型如何在垂直领域与闭源方案竞争，以及“小而专”的策略在成本敏感场景中的实际价值。