Нейросеть для генерации отчетов AstaBrief: 51 секунда вместо трёх минут у Claude

Институт Ai2 опубликовал модель AstaBrief 8B вместе с обучающими данными и примером рабочего процесса. Модель встроена в Asta, агентную платформу Ai2 для научной работы, как режим Fast mode, работающий параллельно с режимом Thinking mode на базе Claude. Исследователи описали весь путь обучения: от сбора реальных пользовательских запросов до фильтрации по качеству цитирования.

Что именно измеряли?

Команда Ai2 проверяла, может ли небольшая открытая модель (модель с открытыми весами, опенсорс), заточенная под одну задачу, выдавать научные отчёты того же качества, что и крупные закрытые модели вроде Claude, но делать это быстрее и дешевле.

Качество оценивали по нескольким критериям: точность ответа, релевантность, структура отчёта и «заземлённость» на источниках. Последнее означает, что каждое утверждение в отчёте должно опираться на конкретный фрагмент научной статьи и не расширять выводы исследования дальше того, что автор действительно показал.

Для обучения использовали десятки тысяч реальных исследовательских запросов из платформы Asta. Это не синтетические задачи из бенчмарка, а вопросы, которые учёные действительно задавали системе: сравнить подходы в литературе с учётом конкретного метода, популяции или условий.

Что обнаружили?

• Скорость выросла почти на порядок. Fast mode на AstaBrief генерирует отчёт за 51,1 секунды, Thinking mode на Claude за 178,5 секунды, по данным Ai2.

• Качество не пострадало. Модель на 8 млрд параметров, обученная методами SFT (дообучение на размеченных примерах, supervised fine-tuning) и DPO (прямая оптимизация предпочтений, direct preference optimization), сопоставима по качеству отчётов с проприетарными моделями, на которых ранее работала Asta.

• Генерация за один проход. AstaBrief пишет весь отчёт сразу, а не по секциям, пропуская дорогие этапы суммаризации и кластеризации фрагментов. Команда отмечает, что отказ от посекционной генерации не снизил результат.

• RL оказался необязателен. Ai2 сознательно выбрали более простой рецепт (SFT + DPO) вместо обучения с подкреплением (RL, reinforcement learning), потому что RL-подход нестабилен и дорог. Более дешёвый путь дал сопоставимое качество при условии тщательной фильтрации обучающих данных.

• Фильтрация данных критичнее метода обучения. Основные усилия ушли не на архитектуру, а на отбор и очистку примеров, которые демонстрировали нужное поведение: точное цитирование, корректную структуру, отсутствие «расширения выводов» (галлюцинация, когда модель уверенно приписывает исследованию больше, чем оно доказало).

Что это даёт вам прямо сейчас?

Исследователям и аналитикам. AstaBrief можно скачать и запустить на собственной инфраструктуре. Это критично, если ваши исследовательские вопросы касаются конфиденциальных или неопубликованных данных: запросы не уходят на чужие серверы. Ai2 публикуют пример рабочего процесса для генерации отчётов из ваших собственных PDF.

Авторам Дзена и копирайтерам. Нейросеть для генерации отчётов такого типа полезна при подготовке обзоров и лонгридов с опорой на источники. Модель обучена не просто пересказывать, а цитировать конкретные фрагменты, что снижает риск галлюцинаций. Для работы нужен компьютер с GPU, способный запускать модели на 8 млрд параметров.

Разработчикам и предпринимателям в РФ. Модель построена на базе Qwen3-8B с открытыми весами. Это означает, что её можно дообучить (fine-tuning) под собственные задачи: юридические справки, медицинские обзоры, техническую документацию. Из доступных в РФ аналогов для генерации длинных текстов с источниками можно рассматривать YandexGPT и GigaChat, но открытых весов у них нет, а значит, локальный запуск и адаптация невозможны.

Для тех, кто хочет попробовать: модель и данные доступны в открытом репозитории Ai2, а режим Fast mode уже работает внутри платформы Asta. Если вам нужна нейросеть для генерации отчётов, которую можно запустить у себя и адаптировать под конкретную область, AstaBrief на сегодня один из немногих открытых вариантов, собранных именно под эту задачу.

По данным Allen Institute for AI (Ai2)