AstaBrief 8B, un modèle ouvert pour rédiger des rapports scientifiques

SSacha

Hugging Face annonce la publication des poids d’AstaBrief 8B, de ses données d’entraînement et d’un exemple de workflow pour produire des rapports à partir de fichiers PDF. Le modèle transforme une question de recherche et des extraits de littérature déjà récupérés en rapport scientifique avec citations. Il est proposé dans la fonction de génération de rapports d’Asta, en mode Fast, à côté du mode Thinking propulsé par Claude. Les poids et les données publiés permettent aussi d’étudier et de reprendre cette approche. Le point important, c’est qu’AstaBrief rédige à partir de documents fournis, plutôt que de commencer par les chercher lui-même.

SSacha

Il faut imaginer le travail comme une chaîne en deux grandes parties. D’abord, un outil cherche des articles et choisit les passages qui semblent répondre à la question. Ensuite, AstaBrief prend ces extraits, avec leurs références, et rédige le rapport complet en une seule passe. Le changement porte donc surtout sur la manière de produire le texte : au lieu de bâtir le document morceau par morceau, le modèle reçoit ensemble la question et les éléments retenus. C’est un peu comme remettre à une personne des passages déjà sélectionnés, puis lui demander d’en tirer une synthèse argumentée et vérifiable. La recherche des articles et la sélection des passages restent une autre étape.

SSacha

Ai2 explique que le modèle repose sur Qwen3-8B et que sa publication comprend les poids sous licence Apache 2.0 ainsi que le jeu de données complet, d’après AlphaSignal. Pour l’entraînement, l’équipe a d’abord utilisé environ 47 000 exemples de rapports. Cette étape supervisée apprend au modèle à partir de textes déjà rédigés, comme un apprenti qui voit de nombreux exemples avant d’essayer d’écrire seul. Puis Ai2 a ajouté une optimisation fondée sur 6 000 paires de rapports, avec dans chaque paire une version préférée et une version rejetée. Le système est ainsi entraîné à privilégier certains choix de rédaction plutôt que d’autres, sans que cela transforme le modèle en outil de recherche documentaire.

SSacha

La publication décrit un entraînement à partir de requêtes de recherche réelles, de rapports et de données de préférence. Le filtrage des exemples accorde une attention particulière aux citations. On peut comparer cela à une recette : le modèle apprend à partir de rapports déjà rédigés, tout en étant entraîné avec des exemples où les citations comptent. Mais il faut rester précis sur ce que cela garantit. Le fait d’avoir été entraîné à produire des citations ne prouve pas, à lui seul, que chaque phrase générée sera correctement justifiée.

SSacha

AstaBrief rédige le rapport complet en une seule passe, plutôt que de produire le texte section par section. Cela décrit une différence dans le processus de génération, sans permettre à lui seul de conclure que toutes les étapes d’un système de recherche scientifique sont supprimées. L’image d’un bureau couvert de notes fonctionne bien ici. Le modèle reçoit la question et les extraits retenus, puis compose son rapport à partir de ces éléments. La recherche des articles et la sélection des extraits restent à la charge d’un système externe.

SSacha

Les institutions peuvent notamment s’intéresser aux poids ouverts, qui leur permettent de faire tourner AstaBrief sur leur propre infrastructure. Dans Asta, le mode Fast met en moyenne 51,1 secondes à produire un rapport sur l’ensemble du parcours, contre 178,5 secondes pour le mode Thinking propulsé par Claude. Cela représente environ 3,5 fois moins de temps. Ce chiffre concerne le pipeline complet, et pas seulement la vitesse à laquelle le modèle écrit une phrase. Le gain annoncé porte donc sur la durée moyenne de génération d’un rapport dans ces deux modes.

SSacha

L’ouverture des poids permet aux institutions de faire tourner le modèle sur leur propre infrastructure. Hugging Face indique que cette possibilité peut être utile pour traiter des questions de recherche sensibles ou portant sur des travaux inédits. L’équipe publie aussi un exemple de workflow pour générer des rapports à partir de fichiers PDF, que des chercheurs peuvent adapter. Cet exemple constitue un point de départ pour la génération locale de rapports. Il ne signifie pas que le modèle s’occupe lui-même de trouver les articles et de sélectionner les passages pertinents.

SSacha

Pour une équipe qui voudrait l’utiliser, la distinction entre le modèle et l’application autour de lui est essentielle. AstaBrief reçoit une question et des passages pertinents, mais il ne va pas lui-même parcourir les bases d’articles pour trouver les bonnes réponses. Il faut donc qu’un système externe sélectionne les extraits et transmette aussi les identifiants des sources, afin que les citations puissent être associées aux textes utilisés. Ensuite, la quantité d’éléments fournis doit tenir dans la fenêtre de contexte du modèle, c’est-à-dire dans la place qu’il peut traiter en une fois. Si la sélection des passages est mauvaise ou incomplète, la qualité du rapport peut en pâtir, même si sa rédaction est rapide et bien présentée.

SSacha

Ai2 annonce un score de 87,0 au test SQA-CS2. À titre de comparaison, Asta ScholarQA obtient 86,2, tandis que DR-Tulu-8B atteint 88,8. Ces résultats situent AstaBrief près de systèmes comparés, mais ils ne résument pas toutes les situations de recherche ni tous les usages possibles. Il faut aussi regarder la date des évaluations. Hugging Face précise qu’une grande partie de l’entraînement et des tests décrits remonte à 2025, et que la comparaison complète n’a pas été refaite face aux modèles de pointe actuels. Le résultat doit donc se comprendre comme une mesure dans un cadre donné, pas comme la preuve que le modèle dépasse les outils disponibles dans toutes les tâches scientifiques.

SSacha

Autre précaution : un score de test ne permet pas de savoir, à lui seul, si une citation renvoie toujours au passage le plus pertinent ou si une nuance importante a été conservée. Pour évaluer un rapport concret, un chercheur doit pouvoir revenir aux extraits fournis et vérifier que chaque conclusion reste à la bonne échelle. Une étude portant sur un groupe ou un contexte particulier ne devrait pas être présentée comme une vérité générale. C’est précisément l’un des défis des textes scientifiques produits par des modèles : synthétiser sans élargir indûment ce que les sources permettent de dire. La publication des données rend le processus plus inspectable, mais elle ne remplace pas cette vérification humaine.

SSacha

Il y a donc deux niveaux à distinguer. AstaBrief rédige à partir d’extraits de littérature et des identifiants de sources qui lui sont fournis. Il ne prend pas en charge la recherche des articles ni la sélection des passages pertinents. Dans une application réelle, ces tâches reviennent à un système externe, qui doit aussi fournir les références et tenir compte de la fenêtre de contexte du modèle. AstaBrief est donc un outil de rédaction à partir d’éléments préparés, et non un assistant qui mène seul une recherche documentaire complète.

SSacha

Il faut retenir qu’Ai2 publie AstaBrief 8B, un modèle fondé sur Qwen3-8B et conçu pour rédiger des rapports scientifiques cités à partir d’extraits déjà récupérés. La publication comprend les poids sous licence Apache 2.0, les données d’entraînement et un exemple de workflow. L’entraînement combine environ 47 000 exemples de rapports et 6 000 paires de préférences, tandis que le test SQA-CS2 donne un score de 87,0. Ai2 met aussi en avant un temps moyen de 51,1 secondes pour le mode Fast, contre 178,5 pour Thinking dans Asta. Mais le modèle ne cherche pas les articles et doit recevoir les extraits ainsi que leurs références. C’est un outil de rédaction et de synthèse, pas un chercheur autonome.