AI-translated from English; not yet reviewed by a fluent editor.

# AstaBrief mengubah kutipan riset yang ditemukan menjadi laporan bersitasi

> Model terbuka AstaBrief dari Ai2 menulis laporan bersitasi berdasarkan pertanyaan riset dan kutipan yang ditemukan. Berikut alur kerja yang didokumentasikan serta cara memeriksa klaimnya.

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.

Pada 2 Oktober, Ai2 merilis AstaBrief 8B sebagai model di balik **mode Cepat** pada fitur Buat laporan di Asta. Model yang dapat diunduh ini menerima pertanyaan riset dan kutipan yang diambil dari makalah ilmiah, lalu menulis laporan dalam satu tahap. Bagi peneliti, pembedaan yang berguna adalah asal makalah dan apa yang benar-benar didukung oleh sitasinya: AstaBrief menulis berdasarkan bukti yang diberikan; model ini bukan layanan pencarian literatur. [Rilis Ai2](https://huggingface.co/blog/allenai/astabrief) dan [kartu modelnya](https://huggingface.co/allenai/AstaBrief_8B) menjelaskan batasan tersebut.

## Perubahan besar

- **Apa yang berubah:** Ai2 memasukkan AstaBrief ke mode Cepat Asta yang sudah tersedia dan merilis bobot model serta materi pelatihannya.
- **Mengapa ini penting:** Menurut Ai2, kelompok riset dapat memeriksa atau mengadaptasi generator laporan tersebut dan menjalankan model berbobot terbuka di infrastruktur mereka sendiri.
- **Yang perlu diperhatikan:** Mutu laporan bergantung pada literatur yang ditemukan serta pemeriksaan setiap klaim penting terhadap sumbernya. Mode Berpikir Asta yang menggunakan Claude tetap menjadi opsi multilangkah yang terpisah.

## Dari pertanyaan hingga laporan

Alur terkelola dimulai di [fitur Buat laporan di Asta](https://asta.allen.ai/), tempat mode Cepat menggunakan AstaBrief. Menurut Ai2, sistem laporan itu menemukan literatur yang relevan sebelum meneruskan pertanyaan dan kutipan ke model. Model kemudian menulis laporan dalam satu tahap, tanpa tahap ekstraksi kutipan, pengelompokan, dan penyusunan per bagian yang digunakan mode Berpikir. [repositori ScholarQA publik](https://github.com/allenai/ai2-scholarqa-lib) menjelaskan pengambilan kutipan melalui pencarian bagian dan kata kunci di Semantic Scholar, lalu pemeringkatan ulang; [implementasi ringannya](https://github.com/allenai/ai2-scholarqa-lib/blob/main/api/scholarqa/lite/scholar_qa_lite.py) menyusun prompt dari referensi yang telah diperingkat ulang dan memanggil generator yang dikonfigurasi. Komponen-komponen ini didokumentasikan; BIG CHANGE tidak menguji layanan Asta yang aktif.

Untuk jalur unduhan, [kartu model AstaBrief](https://huggingface.co/allenai/AstaBrief_8B) merekomendasikan format prompt yang ditautkan serta masukan berisi pertanyaan dan referensi bagian. Kartu tersebut menyediakan contoh kode `transformers`/`vLLM` inferensi dengan maksimum 4.096 token keluaran. Contoh pada kartu menetapkan `model_name` ke **titik pemeriksaan SFT**, sedangkan halamannya sendiri menjelaskan versi DPO yang lebih baru `AstaBrief_8B`; peneliti yang memilih titik pemeriksaan sebaiknya menyelesaikan perbedaan ini, alih-alih menganggap contoh tersebut menjalankan model final persis seperti tertulis. Ai2 juga menautkan [contoh kode ScholarQA lite](https://github.com/allenai/ai2-scholarqa-lib/tree/main/api/scholarqa/lite) yang dapat diadaptasi peneliti untuk membuat laporan dari PDF mereka sendiri. Direktori tertaut itu berisi kode, bukan pengaturan PDF siap pakai dengan persyaratan perangkat keras minimum yang dinyatakan.

Untuk eksperimen lokal, urutan praktisnya adalah memperoleh makalah yang boleh digunakan; mengekstrak dan memilih bagian relevan beserta ID makalah; memformat pertanyaan dan referensi sesuai rekomendasi kartu; menjalankan titik pemeriksaan yang dipilih; lalu memeriksa laporan yang dihasilkan sambil membandingkannya dengan bagian tersebut dan makalah aslinya. Sumber-sumber mendokumentasikan komponen ini, tetapi BIG CHANGE tidak menjalankan langkah-langkahnya. Replika lokal yang lengkap juga membutuhkan pilihan sistem temu kembali, penguraian PDF, penanganan referensi, dan layanan yang tidak disediakan oleh bobot model saja.

## Periksa bukti sebelum menggunakan tulisannya

Mulailah dari temu kembali. Catat kueri dan kumpulan makalah atau PDF yang diberikan kepada generator. Studi yang terlewat atau kutipan yang tidak relevan dapat menyimpangkan jawaban bahkan sebelum AstaBrief menulis satu kata. Kemudian buka setiap makalah yang disitasi untuk memeriksa klaim penting. Pastikan kutipan mendukung kalimat secara tepat, termasuk populasi, metode, tanggal, dan tingkat kepastiannya. Sitasi bisa saja nyata dan berkaitan, tetapi laporan memperluas hasil dari satu sampel ke seluruh bidang atau mengubah temuan deskriptif menjadi saran. Ai2 secara eksplisit mengidentifikasi kegagalan cakupan klaim ini dalam [rilisnya](https://huggingface.co/blog/allenai/astabrief).

Terakhir, cari klaim penting yang tidak disitasi dan bagian ketika laporan berulang kali bergantung pada bagian sempit dari makalah yang ditemukan. Ai2 menyatakan bahwa penyaringan laporan pelatihan berdasarkan kepadatan sitasi meningkatkan hasil pengembangan mereka. Temuan itu menjelaskan mengapa atribusi penting, tetapi kepadatan sitasi saja tidak dapat membuktikan bahwa klaim yang dikutip tetap setia pada sumbernya. Perlakukan laporan yang dihasilkan sebagai sintesis kerja yang perlu direvisi dengan merujuk pada makalah, terutama sebelum mengutipnya dalam riset atau mengambil keputusan penting.

## Apa yang dibuktikan oleh evaluasi yang dipublikasikan

Ai2 melaporkan bahwa, di seluruh alur Asta, mode Cepat rata-rata membutuhkan **51,1 detik per laporan** dibandingkan dengan **178,5 detik** untuk mode Berpikir, atau sekitar 3,5 kali lebih cepat dalam perbandingan tersebut. Kartu modelnya melaporkan hasil AstaBrief pada kumpulan pertanyaan ilmu komputer ScholarQA-CS2 dan DeepScholarBench, sementara rilisnya menjelaskan perbandingan kecil terpisah oleh manusia: tiga peneliti menyumbangkan 14 pertanyaan. Itu adalah evaluasi Ai2 atas sistem dan kumpulan uji mereka sendiri, bukan bukti independen bahwa laporan tertentu akan akurat. Rilis tersebut menyatakan bahwa sebagian besar pelatihan dan evaluasi berlangsung pada 2025 dan evaluasi lengkapnya **tidak diulang terhadap model terdepan saat ini**.

Titik pemeriksaan [final](https://huggingface.co/allenai/AstaBrief_8B) dirilis untuk publik dengan lisensi Apache 2.0, dan Ai2 mencantumkan kumpulan data serta prompt pelatihannya dalam [koleksi AstaBrief](https://huggingface.co/collections/allenai/astabrief). Kartu model menyebut model ini ditujukan untuk riset dan pendidikan sesuai panduan penggunaan bertanggung jawab Ai2. Catatan pelatihannya menyebut delapan GPU H100 untuk pelatihan DPO; angka tersebut **bukan** persyaratan minimum inferensi yang dipublikasikan. Materi primer yang ditinjau tidak menyebut harga per laporan untuk Asta terkelola, spesifikasi GPU lokal minimum, atau biaya lokal per laporan yang dapat diandalkan. Tim yang merencanakan penerapan perlu menetapkan biaya tersebut untuk pengaturannya sendiri.

## Sumber & bacaan lebih lanjut

- [Rilis Ai2 tanggal 2 Oktober](https://huggingface.co/blog/allenai/astabrief) menjelaskan mode Cepat yang aktif, desain satu tahap, waktu, dan batasan evaluasi. Klaim kinerjanya berasal dari Ai2 sendiri.
- [Kartu model AstaBrief 8B](https://huggingface.co/allenai/AstaBrief_8B) memuat lisensi, tujuan penggunaan, rekomendasi prompt, dan contoh inferensi, termasuk nama titik pemeriksaan SFT dalam contoh tersebut.
- [Koleksi AstaBrief](https://huggingface.co/collections/allenai/astabrief) mencantumkan titik pemeriksaan, kumpulan data, dan prompt yang dipublikasikan; keberadaannya tidak membuktikan reproduksi lokal menyeluruh.
- [Kode dan dokumentasi ScholarQA](https://github.com/allenai/ai2-scholarqa-lib) menjelaskan sistem temu kembali; [generator lite](https://github.com/allenai/ai2-scholarqa-lib/blob/main/api/scholarqa/lite/scholar_qa_lite.py) menunjukkan bagaimana referensi yang telah diperingkat ulang menjadi prompt generasi satu tahap. Kami memeriksa dokumentasi dan kode, tetapi tidak menjalankannya.
- [Repositori evaluasi ScholarQA-CS2](https://github.com/allenai/ai2-scholarqa-eval) menyediakan kode dan data tolok ukur, termasuk konteks penyusunan rubrik. Ini membantu menjelaskan rancangan pengujian; repositori tersebut tidak memverifikasi secara independen skor AstaBrief yang dilaporkan.

## Sources

- [Ai2, Merilis AstaBrief, model cepat untuk pembuatan laporan di Asta](https://huggingface.co/blog/allenai/astabrief) — Rilis Ai2. Mendokumentasikan mode Cepat, generasi satu tahap, kecepatan yang dilaporkan, serta catatan keterbatasan tolok ukur. Klaim berasal dari vendor.
- [Kartu model AstaBrief-8B](https://huggingface.co/allenai/AstaBrief_8B) — Kartu resmi titik pemeriksaan: lisensi Apache 2.0, contoh prompt dan inferensi, batasan, serta komputasi pelatihan. Contoh kodenya menyebut titik pemeriksaan SFT.
- [Koleksi AstaBrief](https://huggingface.co/collections/allenai/astabrief) — Indeks resmi titik pemeriksaan final/SFT, kumpulan data, dan prompt. Ketentuan tiap kumpulan data perlu ditinjau secara terpisah.
- [Repositori Scholar QA Ai2](https://github.com/allenai/ai2-scholarqa-lib) — Repositori resmi menjelaskan temu kembali dan pemeringkatan ulang; belum tentu menjelaskan konfigurasi Asta terkelola secara persis.
- [Implementasi generator ScholarQALite](https://github.com/allenai/ai2-scholarqa-lib/blob/main/api/scholarqa/lite/scholar_qa_lite.py) — Kode resmi menunjukkan referensi yang telah diperingkat ulang diteruskan ke generasi satu tahap. Diperiksa, tidak dijalankan.
- [Repositori Evaluasi ScholarQA Ai2](https://github.com/allenai/ai2-scholarqa-eval) — Kode tolok ukur dan data Ai2, termasuk konteks penyusunan rubrik; bukan pengulangan evaluasi AstaBrief secara independen.