AstaBrief dari Allen AI susun laporan riset bersitasi dari model open kecil

Allen Institute for AI merilis AstaBrief, model open-weights ringkas yang mengubah sebuah pertanyaan riset beserta sejumlah literatur menjadi laporan bersitasi untuk ilmuwan. Model ini berjalan sebagai "Fast mode" di dalam Asta, berdampingan dengan "Thinking mode" yang lebih berat, dan inti dari semuanya adalah kecepatan tanpa mengorbankan grounding. AstaBrief menghasilkan laporan dalam sekitar 51 detik, kira-kira 3,5 kali lebih cepat dari pipeline berbasis Claude di sebelahnya yang butuh sekitar 178 detik.

Yang membuat tulisan ini layak dibaca adalah resepnya yang kecil dan bisa direproduksi. AstaBrief dibangun di atas Qwen3-8B, dilatih dengan supervised fine-tuning lalu direct preference optimization, memakai 47.000 contoh SFT dan sekitar 6.000 pasangan DPO yang diambil dari 90.000 pertanyaan riset nyata. Tim menemukan bahwa menyaring data latih berdasarkan kepadatan sitasi memberi dampak lebih besar pada grounding dibanding perubahan tunggal lain, sebuah pelajaran konkret bagi siapa pun yang membangun asisten dengan banyak retrieval. Pada evaluasi SQABench-CS2 dan DeepScholarBench, model 8B ini bersaing dengan Claude dan DR Tulu pada presisi sitasi dan relevansi jawaban.

Bobotnya terbuka penuh di Hugging Face, sehingga sebuah institusi bisa menjalankan model di hardware sendiri alih-alih mengirim literatur lewat API berpemilik. Allen AI juga melaporkan adopsi awal: di antara yang mencoba, 29,1% memakai Fast mode selama beberapa hari dan 23% selalu memilihnya ketimbang Thinking mode. Rincian dan contoh kodenya ada di pengumuman resminya.

Kenapa ini penting

Kalau Anda bekerja di lab atau rumah sakit yang tak bisa mengirim literatur sensitif ke API luar, AstaBrief memberi model yang bisa di-host sendiri namun tetap mumpuni dalam kualitas sitasi, sehingga tinjauan literatur yang tergrounding tak lagi mengharuskan pertukaran dengan privasi.