报告读着漂亮，脚注一查全塌：Ai2 开源 AstaBrief 8B，51 秒出一份带引用的报告，真正管用的却是筛数据那把尺子

写文献综述的人大多遇到过同一种失望。报告读起来很顺，句式漂亮，结构完整，可你点开脚注，一半编号对不上文献，另一半虽然指到了真论文，那篇论文却撑不住它上面那句话。

通常的解法是换更大的模型。2026 年 10 月 2 日，Ai2（Allen Institute for AI）开源的 AstaBrief 8B 给的思路相反：模型不用动，该动的是筛训练数据那把尺子。

四个用来筛合成报告的统计过滤器里，涨得最猛的那个叫引用密度。把大段没有引用支撑的报告剔出训练集，比换更复杂的训练算法管用得多。

真正的瓶颈，很可能不是模型不够大

先把结论摆出来：长文报告质量上不去，多数团队的第一反应是模型容量不够，而 Ai2 这份工作说的是先回头看看喂进去的东西。

场景每个人都不陌生。一周要交三份领域综述，专有流水线慢得让人排到失去耐心，通用大模型快得像随口就来，代价是引用经不起查。两头都不趁手，于是预算一层层堆到更大的模型上，结果速度和证据还是一头都够不着。

所以 AstaBrief 8B 真正值钱的地方，并不在 “80 亿参数打平专有流水线” 这个反差感，而在于它把涨点的来源点破了，而这个来源跟你手里有没有万卡集群没什么关系。

它不检索，只跑最后那一跳

这条最容易被误会，值得单独掰开讲。AstaBrief 不会自己去查文献。

输入输出合同是这样签的：你丢给它一个问题，外加你已经检索到的文献片段，它一次前向产出一份带引用的完整报告。检索、召回、引用溯源这些脏活全留在你自己那一侧，它只管把证据组织成文这一步。

这意味着它不是拿来整体替掉 RAG 检索增强生成的东西，而是流水线里可以单独抽换的那一环。你的召回质量差，它照样给不出好引用。

要是你的诉求只是把一堆 PDF 变成有结构的产出，站内之前聊过的 NotebookLM 走的是另一条路，两者并不冲突。

权重在 HuggingFace 的 allenai/AstaBrief_8B，基座是 Qwen3-8B，权重本身走 Apache 2.0。它在 Ai2 的 Asta 平台上挂在 Generate a report 的 Fast mode，旁边那个由 Claude 驱动的 Thinking mode 是它的贵替按钮。

51.1 秒对 178.5 秒，倍数怎么读

速度是它最直观的卖点。Ai2 自测里，Asta 全流水线 Fast mode 平均 51.1 秒出一份报告，Thinking mode 要 178.5 秒，接近 3.5 倍。

限定条件得贴在数字旁边：这是两条流水线之间的比较，出自 Ai2 自己的测试，和你在自己机器上跑一遍能拿到什么，是两个问题。

真实使用倾向也有一组早期数据。374 名 Asta 用户试过 Fast mode，其中 23% 之后没再切回 Thinking mode；好评率 Fast 84.2%、Thinking 85.2%，几乎齐平。Ai2 自己把话说得很谨慎：样本太稀疏，不足以下强结论。看个方向就好。

训练只有 SFT 和 DPO 两步，Ai2 明确没有上强化学习

训练配方：SFT 加 DPO，明确不上 RL

配方干净得有点反常。先在可用样本上做监督微调，接着一轮 DPO，收工。强化学习明确没有用。

不放 RL 是有理由的，而且理由很实在。Ai2 自己的 DR Tulu 工作早就证明强化学习能把长文报告往上推，但这条路又贵又不稳定。SFT 加 DPO 便宜、好调试、好迭代，对一个要跟着用户反馈反复改的产品来说，可控本身就是收益。

复现门槛也算友好。DPO 阶段跑在 8 张 H100 上，用的是 Ai2 自家的 open-instruct 框架。中间产物没藏着，SFT 阶段的检查点在 allenai/AstaBrief_8B_SFT，偏好数据集是 AstaBrief_DPO_Mix。想跳过某一阶段，或者拿它的 SFT 权重接着做自己的偏好对齐，路都通着。

数据怎么攒出来：90K、47K、6K

三个数字串起整条数据线，每个数字背后都是一次狠筛。

90K 查询：起点是 ScholarQA 框架里的真实用户查询，先滤掉 beta 测试流量、bot 流量和过短的查询，再让一个大模型过一遍，剔掉非英文、非科学、含个人信息的请求。
47K 样本：完整报告目标由 Claude 3.5 Sonnet、Claude 3.7 Sonnet、o3、o4-mini、GPT-4.1 混合生成，之后再做质量过滤，留下的就是这批。
6K 偏好对：取自没进过 SFT 的独立查询子集，一端是 ScholarQA 流水线（多为 Claude 3.5、3.7 Sonnet）出的报告，另一端是 o3、o4-mini、DeepSeek-V3、DeepSeek-R1 出的报告。

最后那 6K 的筛法最狠。双评委 GPT-4.1 和 DeepSeek-R1 各自判胜负，只有两位意见一致的样本才留下。这套评委与人类偏好的一致率是 95%。

DPO 特意避开 SFT 用过的查询，这个细节容易被略过：它保证偏好信号不是在模型已经练熟的题目上刷出来的。

顺手记一笔授权。模型权重是 Apache 2.0，但训练数据和 prompt 用的是 CC BY-NC 4.0。想商用，这一段得先给法务看。

四个统计过滤器里，按引用密度剔除低质量报告的收益最大

那把真正值钱的尺子，叫引用密度

这是整篇里最该带走的一段。

Ai2 在合成报告上试了四个统计过滤器：输出与输入的 token 比、引用相关性、引用多样性，以及引用密度。引用密度的定义朴素到近乎简陋，就是报告里带至少一条支撑引用的陈述，占全部陈述的多大比例。

四个里面收益最大的是它。道理也说得通：大段没有引用撑着的文字，哪怕辞藻漂亮，本质上是在教模型 “不给证据也可以往下写”，这种样本泡久了，模型的 grounded 能力会被整体拖垮。剔掉之后，answer precision 和引用质量一起往上走，效果强过任何其他单项干预。

方法论上的启发比结果更值钱。规模拼不过的时候，先定义一把能区分好坏的尺子，往往比再堆一轮算力划算。

成绩单、局限和几条硬边界

先看成绩单

主测试集是 SQABench-CS2，200 道由用户写出来的计算机科学研究问题，四个指标分工明确：rubric score 看必要内容的覆盖度，answer precision 看段落是否切题，citation precision 看引用能不能撑住它所附的那句论断，citation recall 看论断是否都被引用覆盖。次要评测是 DeepScholarBench，63 道取自近期 arXiv 的长文综合题。