AI-translated from English; not yet reviewed by a fluent editor. # Ginagawang ulat na may mga sanggunian ng AstaBrief ang mga nakuhang sipi sa pananaliksik > Gumagawa ang bukas na modelong AstaBrief ng Ai2 ng mga ulat na may sanggunian mula sa tanong sa pananaliksik at mga siping nakuha mula sa mga papel. Narito ang dokumentadong daloy ng trabaho at mga paraan upang suriin ang mga pahayag nito. By BIG CHANGE Editorial Published: 2026-10-03T09:22:25.732Z Updated: 2026-10-03T09:22:25.732Z Canonical: https://bigchange.ai/blog/astabrief-research-report-citation-workflow ![Conceptual charcoal illustration of one researcher holding a report page while pointing to a passage in an open scientific paper on a reading stand.](https://bigchange.ai/api/media/file/astabrief-source-check-hero-v1.png) AI-generated conceptual editorial illustration by BIG CHANGE. Inilunsad ng Ai2 ang AstaBrief 8B noong Oktubre 2 bilang modelong ginagamit sa **Fast mode** ng tampok na Generate a report ng Asta. Tumatanggap ang nada-download na modelo ng tanong sa pananaliksik at mga siping hinango mula sa mga siyentipikong papel, saka gumagawa ng ulat sa iisang pasada. Para sa mananaliksik, mahalagang alamin kung saan nagmula ang mga papel at kung ano talaga ang sinusuportahan ng mga sanggunian: bumubuo ang AstaBrief ng ulat mula sa ibinigay na ebidensiya; hindi ito, sa ganang sarili, serbisyo para maghanap ng literatura. [anunsyo ng Ai2](https://huggingface.co/blog/allenai/astabrief) at [model card](https://huggingface.co/allenai/AstaBrief_8B) ay kapwa naglalarawan sa hangganang iyon. ## Ang malaking pagbabago - **Ano ang nagbago:** Isinama ng Ai2 ang AstaBrief sa live na Fast mode ng Asta at inilabas ang mga weight ng modelo at materyales sa pagsasanay. - **Bakit ito mahalaga:** Ayon sa Ai2, maaaring siyasatin o baguhin ng mga pangkat sa pananaliksik ang generator ng ulat at patakbuhin ang modelong may bukas na weights sa sarili nilang imprastraktura. - **Ano ang dapat bantayan:** Nakadepende ang kalidad ng ulat sa nakuhang literatura at sa pagsusuri ng bawat mahalagang pahayag batay sa pinagmulang sanggunian. Hiwalay na opsyong may maraming hakbang ang Thinking mode ng Asta na pinapagana ng Claude. ## Mula tanong tungo sa ulat Nagsisimula ang hosted na paraan sa [tampok na Generate a report ng Asta](https://asta.allen.ai/), kung saan ginagamit ng Fast mode ang AstaBrief. Ayon sa Ai2, kumukuha muna ng kaugnay na literatura ang sistema ng ulat nito bago ipasa sa modelo ang tanong at mga sipi. Pagkatapos, isang pasada lang ang kailangan ng modelo upang isulat ang ulat; inaalis nito ang pagkuha ng mga sipi, pagpapangkat-pangkat, at pagbuo ng draft bawat seksyon na ginagamit sa Thinking mode. Inilalarawan ng [pampublikong ScholarQA repository](https://github.com/allenai/ai2-scholarqa-lib) ang pagkuha ng mga sipi mula sa paghahanap ng mga talata at keyword ng Semantic Scholar, na sinusundan ng muling pagraranggo. Binubuo ng [lite na implementasyon](https://github.com/allenai/ai2-scholarqa-lib/blob/main/api/scholarqa/lite/scholar_qa_lite.py) nito ang prompt mula sa mga sangguniang muling niranggo at tinatawag ang nakatakdang generator. Mga dokumentadong bahagi ang mga ito; hindi ito pagsubok ng BIG CHANGE sa live na serbisyo ng Asta. Para sa nada-download na bersyon, inirerekomenda ng [model card ng AstaBrief](https://huggingface.co/allenai/AstaBrief_8B) ang naka-link nitong format ng prompt at input na naglalaman ng tanong at mga sanggunian para sa mga seksyon. Nagbibigay ito ng halimbawang `transformers`/`vLLM` na code para sa inference na may maximum na 4,096 output token. Itinatakda ng halimbawa sa card ang `model_name` sa **SFT checkpoint**, samantalang inilalarawan mismo ng pahina ang mas huling checkpoint na inayos gamit ang DPO, ang `AstaBrief_8B`. Dapat lutasin ng mananaliksik ang pagkakaibang ito kapag pumipili ng checkpoint, sa halip na ipagpalagay na pinapatakbo ng naka-print na halimbawa ang pinal na modelo. Nagbibigay rin ang Ai2 ng link sa [halimbawang ScholarQA lite code](https://github.com/allenai/ai2-scholarqa-lib/tree/main/api/scholarqa/lite) na maaaring iangkop ng mga mananaliksik upang gumawa ng mga ulat mula sa sarili nilang PDF. Code ang naka-link na direktoryo; hindi ito kumpletong PDF setup na handa nang gamitin at may nakasaad na minimum na hardware. Ito ang praktikal na pagkakasunod-sunod para sa lokal na eksperimento: kumuha ng mga papel na pinahihintulutan mong gamitin; kunin at piliin ang mga kaugnay na talata kasama ang mga ID ng papel; ayusin ang tanong at mga sanggunian ayon sa rekomendasyon ng card; patakbuhin ang napiling checkpoint; at suriin ang nabuong ulat kasabay ng mga talatang iyon at ng orihinal na mga papel. Ito ang mga bahaging inilalarawan ng mga sanggunian, hindi mga hakbang na isinagawa ng BIG CHANGE. Kailangan pa ng ganap na lokal na replika ng retrieval, pag-parse ng PDF, paghawak sa mga sanggunian at pagpili ng paraan ng paghahatid—mga bagay na hindi kasama sa weights lamang ng modelo. ## Suriin ang ebidensiya bago gamitin ang teksto Magsimula sa retrieval. Itala ang query at ang hanay ng mga papel o PDF na ibinigay sa generator. Maaaring baluktutin ng nawawalang pag-aaral o di-kaugnay na sipi ang sagot bago pa man magsulat ang AstaBrief. Pagkatapos, buksan ang bawat papel na binanggit para sa mahahalagang pahayag. Suriin kung sinusuportahan ng binanggit na talata ang eksaktong pangungusap, kabilang ang populasyon, pamamaraan, petsa at antas ng katiyakan. Maaaring tunay at kaugnay ang isang sanggunian ngunit palawakin pa rin ng ulat ang resulta mula sa isang sample tungo sa buong larangan, o gawing payo ang isang deskriptibong natuklasan. Tahasang tinukoy ng Ai2 ang ganitong paglabag sa saklaw ng pahayag sa [release](https://huggingface.co/blog/allenai/astabrief). Panghuli, hanapin ang mahahalagang pahayag na walang sanggunian at mga bahaging paulit-ulit na umaasa sa makitid na bahagi lamang ng mga nakuhang papel. Ayon sa Ai2, bumuti ang mga resulta ng pagbuo nito matapos salain ang mga ulat sa pagsasanay batay sa dami ng sanggunian. Ipinapaliwanag ng natuklasang iyon kung bakit mahalaga ang pagbanggit sa pinagmulan, ngunit hindi sapat ang dami ng sanggunian upang patunayang tapat sa mga pinagkunan ang mga pahayag. Ituring ang nabuong ulat bilang paunang sintesis na kailangang rebisahin batay sa mga papel, lalo na bago ito sipiin sa pananaliksik o gamiting batayan ng mahalagang pasya. ## Ano ang pinatutunayan ng inilathalang pagsusuri Iniulat ng Ai2 na sa kabuuang pipeline ng Asta, umabot sa average na **51.1 segundo bawat ulat** kumpara sa **178.5 segundo** para sa Thinking mode—mga 3.5 beses na mas mabilis sa paghahambing na iyon. Iniulat sa model card ang resulta ng AstaBrief sa mga tanong sa computer science ng ScholarQA-CS2 at sa DeepScholarBench. Inilarawan din sa release ang hiwalay at maliit na paghahambing ng tao: tatlong mananaliksik ang nag-ambag ng 14 na tanong. Mga pagsusuri ito ng Ai2 sa sarili nitong mga sistema at test set, hindi independiyenteng patunay na magiging tama ang isang partikular na ulat. Sinasabi ng release na noong 2025 isinagawa ang karamihan ng pagsasanay at pagsusuri, at **hindi inulit ang buong pagsusuri laban sa mga kasalukuyang nangungunang modelo**. Ang [pinal na checkpoint](https://huggingface.co/allenai/AstaBrief_8B) ay pampublikong inilabas sa ilalim ng Apache 2.0, at inililista ng Ai2 ang mga dataset at prompt sa pagsasanay sa [koleksiyon ng AstaBrief](https://huggingface.co/collections/allenai/astabrief). Ayon sa model card, nilayon ang modelo para sa pananaliksik at edukasyon alinsunod sa gabay ng Ai2 sa responsableng paggamit. Binabanggit sa tala tungkol sa pagsasanay ang walong H100 GPU para sa pagsasanay gamit ang DPO; ngunit ang halagang iyon ay **hindi** isang inilathalang minimum para sa inference. Walang inilalahad sa mga sinuring pangunahing sanggunian na presyo bawat ulat para sa hosted Asta, minimum na lokal na espesipikasyon ng GPU, o maaasahang lokal na gastos bawat ulat. Kailangang tukuyin ng sinumang nagpaplano ng deployment ang mga gastos para sa sarili nilang setup. ## Mga sanggunian at karagdagang babasahin - [Inilabas ng Ai2 noong Oktubre 2](https://huggingface.co/blog/allenai/astabrief) ang impormasyon tungkol sa live na Fast mode, disenyo ng iisang pasada, oras ng pagbuo at mga limitasyon ng pagsusuri. Sariling pahayag ng Ai2 ang mga claim nito sa performance. - [AstaBrief 8B model card](https://huggingface.co/allenai/AstaBrief_8B) nakasaad ang lisensiya, nilalayong paggamit, rekomendasyon sa prompt at halimbawa ng inference, kabilang ang pangalan ng SFT checkpoint sa halimbawang iyon. - [Koleksiyon ng AstaBrief](https://huggingface.co/collections/allenai/astabrief) naglilista ng mga inilathalang checkpoint, dataset at prompt; hindi pinatutunayan ng pagkakalista ng mga ito na maaaring kopyahin ang buong lokal na proseso. - [Code at dokumentasyon ng ScholarQA](https://github.com/allenai/ai2-scholarqa-lib) inilalarawan ang sistema ng retrieval; ipinapakita ng [lite generator](https://github.com/allenai/ai2-scholarqa-lib/blob/main/api/scholarqa/lite/scholar_qa_lite.py) kung paano nagiging prompt para sa pagbuo sa iisang pasada ang mga sangguniang muling niranggo. Sinuri namin ang dokumentasyon at code; hindi namin pinatakbo ang mga ito. - [ScholarQA-CS2 evaluation repository](https://github.com/allenai/ai2-scholarqa-eval) nagbibigay ng code at datos ng benchmark, kabilang ang pagbuo ng rubric. Nakakatulong ito upang maunawaan ang disenyo ng pagsusuri; hindi nito independiyenteng bineberipika ang iniulat na mga score ng AstaBrief. ## Sources - [Pag-open-source ng AstaBrief, ang mabilis na modelong bumubuo ng ulat sa Asta](https://huggingface.co/blog/allenai/astabrief) — Release ng Ai2. Inilalarawan ang Fast mode, pagbuo sa iisang pasada, iniulat na bilis at mga limitasyon ng benchmark. Iniulat ng vendor ang mga claim. - [AstaBrief-8B model card](https://huggingface.co/allenai/AstaBrief_8B) — Opisyal na card ng checkpoint: Apache 2.0, halimbawa ng prompt at inference, mga limitasyon at compute sa pagsasanay. SFT checkpoint ang pinangalanan sa halimbawa ng code. - [Koleksiyon ng AstaBrief](https://huggingface.co/collections/allenai/astabrief) — Opisyal na talaan ng pinal at SFT na mga checkpoint, dataset at prompt. Kailangang hiwalay na suriin ang mga tuntunin ng bawat dataset. - [Ai2 Scholar QA repository](https://github.com/allenai/ai2-scholarqa-lib) — Ipinapaliwanag ng opisyal na repository ang retrieval at muling pagraranggo; maaaring hindi nito ilarawan ang eksaktong configuration ng hosted Asta. - [Implementasyon ng ScholarQALite generator](https://github.com/allenai/ai2-scholarqa-lib/blob/main/api/scholarqa/lite/scholar_qa_lite.py) — Ipinapakita ng opisyal na code kung paano ipinapasok sa pagbuo sa iisang pasada ang mga sangguniang muling niranggo. Sinuri, hindi pinatakbo. - [Ai2 ScholarQA Evaluation repository](https://github.com/allenai/ai2-scholarqa-eval) — Konteksto para sa benchmark code at datos ng Ai2 at sa pagbuo ng rubric; hindi ito independiyenteng muling pagsusuri sa AstaBrief.