論文を20本読んで、ある手法について何が分かっているかを1枚にまとめる。研究の現場ではよくある作業で、AIに頼むと数分で引用つきのレポートが返ってきます。ただ、その数分のあいだ高価なモデルが動き続けていて、しかも問いの中身は外部のAPIに送られている。
ここに手を入れたのが、米国の非営利研究所Ai2（Allen Institute for AI）が2026年10月2日に公開したAstaBrief 8Bです。研究の問いと、検索で集めた論文の抜粋を渡すと、引用つきのレポートを一度に書き上げる。重みは誰でもダウンロードでき、ライセンスはApache 2.0でした。
AstaBrief 8Bとは何か
土台はAlibabaのQwen3-8B。80億パラメータの汎用モデルを、科学レポートを書く用途だけに絞って追加学習させたものです。単体で論文を探しに行くわけではなく、検索は別の仕組みが担い、AstaBriefは集まった抜粋を読んで書く係。
Ai2には研究者向けのAIサービス「Asta」があって、その中の「Generate a report」機能に、もともとClaudeを使った「Thinking mode」がありました。AstaBriefはその横に「Fast mode」として入っています。つまり、自社サービスで高いモデルに払っていた部分を、手元で動く小さなモデルに置き換えられるかという実験でもある。
| 項目 | 内容 |
|---|---|
| 公開日 | 2026年10月2日 |
| 開発 | Ai2（Allen Institute for AI） |
| 土台のモデル | Qwen3-8B（80億パラメータ） |
| ライセンス | Apache 2.0（商用利用も可） |
| 対応言語 | 英語（モデルカードの表記） |
| 学習方法 | 教師ありの追加学習＋DPO（好みのペアで調整） |
| 公開物 | モデルの重み、学習データ一式、自分のPDFから作る例 |
速さは3.5倍。ただし比べ方に注意
Asta全体の処理で、Fast modeはレポート1本あたり平均51.1秒。Claudeを使うThinking modeは178.5秒なので、約3.5倍速い計算になります。
発表には「追跡していた商用モデルと比べて生成時間がほぼ1桁減った」という書き方もあって、最初はこの2つの数字がつながらず混乱しました。3.5倍のほうは「Asta全体で」と明記されているので、検索なども含めたサービス全体の待ち時間。1桁のほうは、たぶん文章を生成する部分だけを比べた数字だと読みましたが、内訳は発表に書かれていません。利用者が体感するのは3.5倍のほうでしょう。
速くなった理由は、モデルが小さいことのほかにもう1つある。Thinking modeは、集めた抜粋をいったん要約し、話題ごとにまとめてから、章ごとに書いていく多段の作り。AstaBriefは抜粋から最終のレポートを一度で書くように学習させてあり、途中の工程をまるごと省いています。それでも品質が落ちなかった、というのが発表の主張です。
引用の正しさをどう鍛えたのか
学習の材料は、Astaに実際に寄せられた研究者の質問です。ボットや短すぎる質問、英語以外、科学と関係ないもの、個人情報を含むものを除いて9万件。そこから、Claude 3.5 Sonnet、Claude 3.7 Sonnet、o3、o4-mini、GPT-4.1に書かせたレポートを選別し、4万7,000件を教師データにしました。
最初に追加学習させた段階では、内容はよくなったものの、引用の正確さでClaude版に届かなかったそうです。そこで、手本にするレポートのほうをふるいにかけた。試したのは4種類です。
| ふるいの基準 | 見ているもの | 結果 |
|---|---|---|
| 出力と入力の長さの比 | 少ない根拠から長文を書いていないか | 効果は小さい |
| 引用の関連度 | 検索順位の低い論文に頼っていないか | 効果は小さい |
| 引用の密度 | 文のうち引用がついている割合 | いちばん効いた |
| 引用の多様さ | 少数の論文に偏っていないか | 効果は小さい |
効いたのは、文に引用がついていない手本を落とすという単純なもの。凝った組み合わせは上積みにならなかったと書かれています。データの量より、手本が「主張には必ず根拠をつける」振る舞いを見せているかどうか。ファインチューニングで結果を左右するのはデータの質だ、とよく言われますが、その具体例として読めました。
その上で、別の質問群で2本ずつレポートを書かせ、GPT-4.1とDeepSeek-R1の2つのモデルに勝ち負けを判定させています。2つの判定が一致したペアだけを残して約6,000件。判定役のモデルは人の好みと95%一致することを確かめた、とあります。
性能はClaude版と互角なのか
ここは読み方が難しいところです。
主な評価に使ったのは、計算機科学の研究者が書いた200問の質問集SQABench-CS2。内容の網羅、段落の的確さ、引用が主張を支えているか、主張が引用で裏づけられているか、の4つの指標で測り、Claude版のパイプラインやAi2の別の研究モデルDR Tuluと「互角」という評価でした。
人による評価は14問だけです。研究者3人が4〜5問ずつ質問を出し、3つのシステムのレポートを順位づけした。総合ではDR Tuluが1位で、引用の正確さでは3人中2人がAstaBriefを選んだそうです。規模を考えると、これで優劣を言うのは難しい気がします。
もう1つ、Ai2自身が断っていることがあります。学習と評価のほとんどは2025年に終えたもので、比べた相手のモデルもその当時のもの。いまの最新モデルとは比べ直していない、と書かれていました。「Claudeと同等」と受け取るのは言いすぎで、正確には「2025年時点のClaude 3.x系を使った自社パイプラインと近い水準」。ベンチマークの数字を読むときに、何といつ比べたのかを見落とすと話がずれます。
実際の利用データも出ています。Fast modeを試した374人のうち、2日以上使った人が29.1%。23%はその後Thinking modeに戻っていない。レポートへの好意的な反応の割合は、Fast modeが84.2%、Thinking modeが85.2%でほぼ同じでした。反応の数が少ないので強い結論は出せない、とAi2は付け加えています。
日本語の論文調査に使えるか
そのままでは向かない、というのが自分の見立てです。
モデルカードの対応言語は英語のみ。学習データを作る段階で英語以外の質問は除いていて、評価も英語の質問集です。土台のQwen3-8Bは日本語も扱えるので、日本語で聞けば何かしら返ってはくるでしょう。ただ、引用の正しさを鍛えたのは英語の世界での話で、日本語でも同じ精度が出る保証はどこにもない。自分は試せていません。
推奨のプロンプトの形式も決まっていて、違う形で渡すと挙動が崩れることがあるとモデルカードに注意書きがあります。汎用のチャットAIのように気軽に話しかける道具ではなく、検索の仕組みと組み合わせて使う部品、と考えたほうがよさそうです。
手元で動かせる意味
個人的にいちばん大きいと思ったのはここでした。
未発表の研究や社外秘の技術調査では、何を調べているか自体が機密になります。問いを外部のAPIに送れない組織は少なくありません。AstaBriefはオープンウェイトなので、自前のサーバーやファイアウォールの内側で動かせる。Ai2は自分のPDFからレポートを作る手順の例もGitHubで出していて、RAGの書き手の部分だけを差し替える使い方が想定されているようです。
80億パラメータなら、量子化すれば手元のGPUでも動く大きさ。とはいえ、必要なメモリや速度の実測は公式に出ておらず、ここは確かめられていません。
発表の中で目を引いたのは、引用がついていても主張が言いすぎになる問題に触れていた部分です。特定の集団での結果を全体の話にしてしまう、過去形の報告を現在の一般論に書き換える、観察結果をいつのまにか推奨に変える。どれも嘘ではないのに、根拠の範囲を少しずつ広げてしまう。今回の評価指標はそこまで測れていない、とAi2自身が書いていました。AIがもっともらしく間違える話の、もう一段細かい層だと思います。引用の数が揃っていても安心できない、というのはAIに調べものを任せるときにも同じでしょう。
出典
すべて2026年10月4日に確認したものです。
- Open-sourcing AstaBrief, the fast report-generation model in Asta（Ai2・Hugging Face Blog・2026年10月2日）
- allenai/AstaBrief_8B（Hugging Face モデルカード。ライセンス・対応言語・推奨プロンプト）
- AstaBrief（Ai2公式ブログ）
- Ai2 Scholar QA（ACL 2025 デモ論文。Astaのレポート生成の土台）
- Qwen/Qwen3-8B（土台のモデル）
