写文献综述最磨人的不是读论文,而是读完之后把几十篇的结论缝成一份有引用、有结构的报告。这个活儿现在被 Ai2(艾伦人工智能研究所)拆出来单干了:他们把自家科研助手 Asta 背后的报告生成模型 AstaBrief-8B 连同训练数据一起开源,Apache 2.0 协议,权重放在 Hugging Face 上随便下。
51 秒出一份带引用的报告
AstaBrief 的定位很窄:输入一个研究问题和一批检索到的文献片段,一次直出带引用的完整报告。官方博客给出的数字:接入 Asta 全管线后,Fast 模式平均 51.1 秒一份报告,Claude 驱动的 Thinking 模式是 178.5 秒,约 3.5 倍差距。提速的关键不是模型更大,而是流程更短——它跳过了 Thinking 模式里昂贵的片段摘要和聚类步骤,也不逐节写作,直接一遍生成终稿。
训练配方:真实查询,双裁判把关
模型基于 Qwen3-8B,没上 RL,走的是更朴素的 SFT+DPO 路线。SFT 数据从 Asta 系统的真实用户查询里来:过滤掉测试和机器人流量后留下 9 万条科研查询,再用 ScholarQA 管线生成报告作训练目标,报告生成一侧混用了 Claude 3.5 Sonnet、Claude 3.7 Sonnet、o3、o4-mini 和 GPT-4.1,筛完剩 4.7 万条。DPO 数据约 6 千对,胜负由 GPT-4.1 和 DeepSeek-R1 双裁判判定,只保留两位裁判一致的对,裁判与人类偏好的一致率标称 95%。AI2 还给出一个反直觉发现:测试过的四种统计过滤里,最有效的只是"引用密度"这一个简单信号——合成报告是否持续给论断挂引用,比更复杂的过滤组合都好用。
官方自报的分数,得辩证看
模型卡显示,在 ScholarQA-CS2 测试集上 Qwen3-8B 基线平均 77.3 分,SFT 后 83.7,最终 DPO 版 87;对 Asta 原有管线的胜率在测试集上到 72%。但同一张表也摆着不那么好看的数:DeepScholarBench 上 AstaBrief 是 53.50,落后 DR-Tulu 的 56.26;14 题人工小样本评测里,总体偏好 DR-Tulu 赢,不过三位研究员中有两位在引用准确性上更喜欢 AstaBrief。这些数字全部来自团队自报,评测完成于 2025 年,AI2 自己也注明没有和今天的最新模型重跑。
所以呢
对科研机构,这件事的实际意义是自托管:报告生成这一步可以挪到自己防火墙后面,研究问题里那些没发表的敏感内容不必再发给闭源 API。对行业,它是一份便宜的配方样本——不堆 RL,把功夫花在真实查询、引用密度过滤和双裁判偏好对上,8B 小模型就能在特定任务上顶住闭源管线的大头。问题只剩一个:当所有人都能下载这个模型,报告生成这门生意的护城河还剩什么?