Edição Markdown

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

# O AstaBrief transforma excertos de investigação recuperados num relatório com citações

> O modelo AstaBrief de pesos abertos, da Ai2, redige relatórios com citações a partir de uma questão de investigação e de excertos recuperados. Eis o fluxo documentado e a forma de verificar as afirmações.

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.

A Ai2 lançou o AstaBrief 8B a 2 de outubro como o modelo que alimenta o **modo Fast** no recurso Generate a report do Asta. O modelo descarregável recebe uma questão de investigação e excertos retirados de artigos científicos, e depois redige de uma só vez um relatório com citações. Para um investigador, a distinção importante é a origem dos artigos e aquilo que as citações sustentam: o AstaBrief redige a partir das evidências fornecidas; por si só, não é um serviço de pesquisa bibliográfica. O [comunicado da Ai2](https://huggingface.co/blog/allenai/astabrief) e o [cartão do modelo](https://huggingface.co/allenai/AstaBrief_8B) descrevem esse limite.

## A grande mudança

- **O que mudou:** A Ai2 integrou o AstaBrief no modo Fast do Asta e publicou os pesos do modelo e os materiais de treino.
- **Por que isso importa:** Segundo a Ai2, os grupos de investigação podem analisar ou adaptar o gerador de relatórios e executar o modelo de pesos abertos na sua própria infraestrutura.
- **O que observar:** A qualidade do relatório depende da literatura recuperada e da verificação de cada afirmação relevante na respetiva fonte. O modo Thinking do Asta, baseado no Claude, continua a ser uma opção separada, com várias etapas.

## Da questão ao relatório

O percurso alojado começa no recurso [Generate a report do Asta](https://asta.allen.ai/), onde o modo Fast utiliza o AstaBrief. Segundo a Ai2, o sistema de relatórios recupera literatura relevante antes de enviar a questão e os excertos ao modelo. Este redige então o relatório numa única execução, sem as etapas de extração de citações, agrupamento e redação secção a secção utilizadas pelo modo Thinking. O [repositório público do ScholarQA](https://github.com/allenai/ai2-scholarqa-lib) descreve a recuperação de informação através da pesquisa de passagens e palavras-chave do Semantic Scholar, seguida de uma reordenação dos resultados; a sua [implementação lite](https://github.com/allenai/ai2-scholarqa-lib/blob/main/api/scholarqa/lite/scholar_qa_lite.py) cria um prompt a partir das referências reordenadas e chama o gerador configurado. Estes são componentes documentados, não um teste da BIG CHANGE ao serviço Asta alojado.

Para executar o modelo descarregável, o [cartão do modelo AstaBrief](https://huggingface.co/allenai/AstaBrief_8B) recomenda o formato de prompt a que remete e uma entrada com a questão e as referências das secções. Inclui um exemplo de código de inferência para `transformers`/`vLLM` com um máximo de 4.096 tokens de saída. No exemplo do cartão, o parâmetro `model_name` aponta para o **checkpoint SFT**, enquanto a própria página descreve a versão posterior ajustada por DPO, `AstaBrief_8B`; quem escolher um checkpoint deve resolver esta discrepância, em vez de presumir que o exemplo executa o modelo final tal como está publicado. A Ai2 também disponibiliza o [código de exemplo do ScholarQA lite](https://github.com/allenai/ai2-scholarqa-lib/tree/main/api/scholarqa/lite) que os investigadores podem adaptar para redigir relatórios com os seus próprios PDFs. O diretório contém código; não é uma solução pronta e documentada para PDFs, nem especifica requisitos mínimos de equipamento.

Isto permite delinear uma sequência prática para uma experiência local: obter artigos cuja utilização seja permitida; extrair e selecionar passagens relevantes com os identificadores dos artigos; formatar a questão e as referências como recomenda o cartão; executar o checkpoint escolhido; e analisar o relatório juntamente com essas passagens e os artigos originais. As fontes documentam estes componentes, mas a BIG CHANGE não executou estes passos. Uma réplica local completa exige ainda decisões sobre recuperação de informação, análise de PDFs, gestão de referências e alojamento do serviço, elementos que os pesos do modelo, por si só, não fornecem.

## Verifique as evidências antes de utilizar o texto

Comece pela recuperação de informação. Registe a consulta e o conjunto de artigos ou PDFs fornecidos ao gerador. Um estudo omitido ou um excerto irrelevante pode distorcer a resposta antes mesmo de o AstaBrief começar a redigir. Em seguida, consulte cada artigo citado para verificar as afirmações relevantes. Confirme se a passagem citada sustenta a frase exata, incluindo a população, o método, a data e o grau de certeza. Uma citação pode ser real e pertinente, mas o relatório pode generalizar um resultado de uma amostra a toda uma área, ou transformar uma observação descritiva numa recomendação. A Ai2 identifica explicitamente este problema de âmbito das afirmações no seu [anúncio](https://huggingface.co/blog/allenai/astabrief).

Por fim, procure afirmações relevantes sem citação e passagens em que o relatório se baseie repetidamente numa parte restrita dos artigos recuperados. A Ai2 afirma que filtrar os relatórios de treino pela densidade de citações melhorou os resultados obtidos durante o desenvolvimento. Esta conclusão ajuda a explicar por que razão a atribuição das fontes é importante, mas a densidade de citações, por si só, não demonstra que as afirmações citadas sejam fiéis às fontes. Trate o relatório gerado como uma síntese de trabalho a rever à luz dos artigos, sobretudo antes de o citar em investigação ou de tomar uma decisão com consequências importantes.

## O que demonstra a avaliação publicada

Segundo a Ai2, considerando todo o fluxo do Asta, o modo Fast demorou em média **51,1 segundos por relatório**, contra **178,5 segundos** no modo Thinking — cerca de 3,5 vezes menos tempo nessa comparação. O cartão do modelo apresenta os resultados do AstaBrief nas perguntas de informática do ScholarQA-CS2 e no DeepScholarBench. O comunicado descreve também uma comparação humana separada e de pequena dimensão: três investigadores contribuíram com 14 perguntas. São avaliações da Ai2 dos seus sistemas e conjuntos de teste, não uma demonstração independente de que um relatório específico será rigoroso. O comunicado refere que a maior parte do treino e da avaliação ocorreu em 2025 e que a avaliação completa **não foi refeita com os modelos de fronteira atuais**.

O [checkpoint final](https://huggingface.co/allenai/AstaBrief_8B) está disponível ao abrigo da licença Apache 2.0, e a Ai2 identifica os conjuntos de dados e prompts de treino numa [coleção do AstaBrief](https://huggingface.co/collections/allenai/astabrief). O cartão do modelo indica que este se destina à investigação e à educação, de acordo com as orientações de utilização responsável da Ai2. A nota de treino menciona oito GPUs H100 para o treino com DPO; isso **não** é um requisito mínimo publicado para inferência. Os materiais primários analisados não indicam o preço por relatório do Asta alojado, uma especificação mínima de GPU local nem um custo local fiável por relatório. Quem estiver a planear a implementação terá de apurar esses custos para a sua própria configuração.

## Fontes e leituras complementares

- [Comunicado da Ai2 de 2 de outubro](https://huggingface.co/blog/allenai/astabrief) explica o modo Fast atualmente disponível, a geração numa única etapa, os tempos e os limites da avaliação. As alegações de desempenho são da própria Ai2.
- [Cartão do modelo AstaBrief 8B](https://huggingface.co/allenai/AstaBrief_8B) indica a licença, a utilização prevista, o prompt recomendado e o exemplo de inferência, incluindo o nome do checkpoint SFT utilizado nesse exemplo.
- [Coleção AstaBrief](https://huggingface.co/collections/allenai/astabrief) lista os checkpoints, conjuntos de dados e prompts publicados; a sua existência não demonstra que seja possível reproduzir localmente o fluxo completo.
- [Código e documentação do ScholarQA](https://github.com/allenai/ai2-scholarqa-lib) descrevem o sistema de recuperação; [o gerador leve](https://github.com/allenai/ai2-scholarqa-lib/blob/main/api/scholarqa/lite/scholar_qa_lite.py) mostra como as referências reordenadas são convertidas num prompt para geração numa única etapa. Analisámos a documentação e o código, mas não os executámos.
- [Repositório de avaliação do ScholarQA-CS2](https://github.com/allenai/ai2-scholarqa-eval) disponibiliza código de benchmark e dados, incluindo informação sobre a elaboração das rubricas. Ajuda a compreender o desenho do teste; não verifica de forma independente os resultados divulgados para o AstaBrief.

## Sources

- [Abertura do código do AstaBrief, o modelo de geração rápida de relatórios do Asta](https://huggingface.co/blog/allenai/astabrief) — Comunicado da Ai2. Documenta o modo Fast, a geração numa única etapa, a velocidade divulgada e as ressalvas relativas aos benchmarks. As alegações são do fornecedor.
- [Cartão do modelo AstaBrief 8B](https://huggingface.co/allenai/AstaBrief_8B) — Cartão oficial do checkpoint: Apache 2.0, prompt e exemplo de inferência, limites e recursos de computação usados no treino. O exemplo de código identifica o checkpoint SFT.
- [Coleção AstaBrief](https://huggingface.co/collections/allenai/astabrief) — Índice oficial dos checkpoints final e SFT, conjuntos de dados e prompts. Os termos de utilização de cada conjunto de dados têm de ser analisados separadamente.
- [Repositório Ai2 Scholar QA](https://github.com/allenai/ai2-scholarqa-lib) — O repositório oficial explica a recuperação de informação e a reordenação dos resultados; poderá não descrever a configuração exata do Asta alojado.
- [Implementação do gerador ScholarQA Lite](https://github.com/allenai/ai2-scholarqa-lib/blob/main/api/scholarqa/lite/scholar_qa_lite.py) — O código oficial mostra como as referências reordenadas alimentam uma geração numa única etapa. Foi analisado, mas não executado.
- [Repositório de avaliação Ai2 ScholarQA](https://github.com/allenai/ai2-scholarqa-eval) — Código e dados de benchmark da Ai2, bem como informação sobre a elaboração das rubricas; não corresponde a uma nova avaliação independente do AstaBrief.