El Allen Institute for AI liberó como código abierto AstaBrief-8B, un modelo que convierte una pregunta de investigación y un conjunto de extractos de literatura recuperados en un informe con citas completas, todo en una sola pasada. Ya impulsa un nuevo modo Fast dentro de Asta, la plataforma agéntica del instituto para trabajo científico, que convive con un modo Thinking apoyado en Claude y que Ai2 conserva para las tareas más pesadas.
Puntos clave
- AstaBrief-8B se distribuye bajo Apache 2.0 y está construido sobre Qwen3-8B. Los conjuntos de datos de ajuste supervisado y de preferencias se publicaron junto con los pesos.
- Medido sobre todo el flujo de Asta, el modo Fast promedia 51,1 segundos por informe frente a los 178,5 segundos del modo Thinking con Claude, unas 3,5 veces más rápido.
- El modelo gana el 72 por ciento de las comparaciones evaluadas contra Asta ScholarQA en la partición de prueba de SQABench-CS2, pero obtiene 53,50 en DeepScholarBench, donde ScholarQA llega a 60,25.
Cómo un flujo de una sola pasada recortó el tiempo
El generador de informes previo de Ai2, ScholarQA, trabaja por etapas: recupera literatura, resume y agrupa los fragmentos obtenidos, organiza el material en secciones y luego escribe el informe sección por sección. AstaBrief se salta por completo las etapas de resumen y agrupamiento, y redacta el documento entero de una vez a partir de la consulta y los extractos en bruto.
Ai2 señala que esperaba pagar ese atajo con pérdida de calidad y no ocurrió. La brecha de tiempo es el resultado destacado: medido de extremo a extremo, el modo Fast devuelve un informe en 51,1 segundos de media, frente a los 178,5 segundos del modo Thinking.
Por qué Ai2 descartó el aprendizaje por refuerzo
La receta evita deliberadamente el refuerzo. El instituto ya había mostrado con DR Tulu que el aprendizaje por refuerzo puede mejorar la generación de informes extensos en modelos de pesos abiertos, pero esta vez optó por ajuste fino supervisado seguido de optimización directa de preferencias, al considerar que las corridas de refuerzo son inestables, costosas y más difíciles de depurar.
Eso trasladó el peso del proyecto a la curaduría de datos. Las consultas reales de Asta se filtraron por longitud, idioma, relevancia científica y presencia de información personal, lo que dejó un acervo de 90.000 preguntas de investigación. Los informes de referencia se generaron a través del flujo de ScholarQA combinando Claude 3.5 Sonnet, Claude 3.7 Sonnet, o3, o4-mini y GPT-4.1, de donde salieron 47.000 ejemplos útiles para el ajuste fino. En la etapa de preferencias, GPT-4.1 y DeepSeek-R1 evaluaron informes rivales y solo se conservaron los pares en los que ambos coincidieron, unos 6.000 ejemplos. Ai2 reporta un 95 por ciento de acuerdo entre esos evaluadores y las preferencias humanas.
De los cuatro filtros estadísticos probados sobre los informes de entrenamiento sintéticos, la densidad de citas —la proporción de afirmaciones que llevan al menos una referencia— produjo las mejoras más claras. Un filtrado más agresivo y las combinaciones de filtros no aportaron nada significativo.
Dónde gana y dónde no
En el conjunto de prueba SQABench-CS2, la ficha del modelo sitúa a AstaBrief-8B en un promedio de 87, frente a 83,7 del punto de control con solo ajuste fino y 77,3 del Qwen3-8B base. La métrica que más se mueve es la exhaustividad de las citas, que sube de 64,6 en el modelo base a 78,2.
Contra sistemas más fuertes el panorama es mixto. AstaBrief gana el 55 por ciento de las comparaciones evaluadas contra Asta ScholarQA en la partición de desarrollo y el 72 por ciento en la de prueba, por encima del 36 y 54 por ciento de DR-Tulu-8B. En DeepScholarBench queda por detrás de ambos, con 53,50 frente a 56,26 de DR-Tulu-8B y 60,25 de ScholarQA. En un estudio humano aparte de 14 preguntas, tres investigadores situaron a DR Tulu en primer lugar por preferencia general, mientras dos de los tres pusieron a AstaBrief primero en exactitud de las citas.
Ai2 añade una advertencia poco habitual. La mayor parte del entrenamiento y la evaluación terminó en 2025, y la comparación no se volvió a correr contra los modelos de frontera actuales. Las cifras, dice, se leen mejor como evidencia sobre el entrenamiento y el diseño del sistema que sobre dónde se ubica hoy este modelo base.
Qué cambian los pesos abiertos para las instituciones de investigación
La licencia pesa en este caso de uso. Las preguntas de investigación suelen revelar trabajo inédito o sensible, y los pesos abiertos permiten a una institución ejecutar la generación de informes en su propio hardware en lugar de enviar consultas a una API propietaria. Ai2 distribuye además un flujo de trabajo de ejemplo para generar informes a partir de los PDF del propio usuario.
La adopción inicial dentro de Asta es modesta pero persistente. De 374 usuarios que probaron el modo Fast, el 29,1 por ciento lo usó en dos días o más y generó 3,67 hilos de informe en promedio. El 23 por ciento nunca volvió al modo Thinking y otro 18 por ciento alternó, destinando cerca del 40 por ciento de sus hilos al modo Fast. La retroalimentación positiva alcanzó el 84,2 por ciento, cerca del 85,2 por ciento del modo Thinking.
Perspectiva
Ai2 enumera como próximos pasos un aprendizaje de preferencias más granular, combinaciones más sólidas de generación aumentada por recuperación y refuerzo, capacidad multiturno y multiherramienta, y descomposición de consultas. También quiere evaluaciones que vayan más allá de comprobar si una afirmación lleva cita, para preguntar si el modelo preserva el alcance probatorio de sus fuentes, es decir, si convierte en silencio un hallazgo limitado a una muestra en una generalización amplia. El trabajo se inscribe en el mismo impulso hacia modelos de investigación específicos que Intern-S2-Preview, y Ai2 afirma que las lecciones sobre datos y atribución alimentarán futuras versiones de Olmo.
FAQ
¿AstaBrief-8B es de código abierto?
Los pesos se publicaron bajo Apache 2.0 y se basan en Qwen3-8B. Ai2 también liberó los conjuntos de datos de ajuste fino y de preferencias usados para entrenarlo, y señala que el modelo está destinado a uso educativo y de investigación conforme a sus Pautas de Uso Responsable.
¿Supera al flujo apoyado en Claude?
No de manera uniforme. Gana la mayoría de las comparaciones directas evaluadas contra Asta ScholarQA en las particiones de SQABench-CS2, pero puntúa más bajo en DeepScholarBench y perdió en preferencia general en el pequeño estudio humano de Ai2. Lo que Ai2 sostiene es que conserva una calidad comparable mientras corre varias veces más rápido.
¿Con qué se entrenó?
Parte de Qwen3-8B, pasa por ajuste fino supervisado sobre 47.000 informes generados por modelos propietarios a través del flujo de ScholarQA y luego por optimización directa de preferencias sobre unos 6.000 pares de informes evaluados. La etapa de preferencias se ejecutó en el entorno open-instruct de Ai2 con ocho GPUs H100.
