让大模型帮忙写技术调研的同学，多半收过这种稿子：正文流畅得像模像样，引用却时不时张冠李戴——同一篇文献被安到不相干的论断上，有的句子干脆无据可依。想稳一点，就得换多步流水线：先检索、再聚类、再逐节生成，一份报告等两三分钟，账单也跟着涨；数据敏感的团队还多一层顾虑，问题根本不能发到外部 API。

10 月 2 日，Ai2 开源了 AstaBrief 8B。这个基于 Qwen3-8B 的模型只做一件事：输入一个研究问题和检索到的文献摘录，一次生成整篇带引用的报告，不逐节拼装。它已经部署在 Asta 平台的报告功能里当 Fast mode，和 Claude 驱动的 Thinking mode 并列；权重、训练数据和示例工作流全部开放，协议是 Apache-2.0。

训练数据围着引用转

AstaBrief 没走强化学习，用的是监督微调加 DPO。SFT 数据来自 Asta 平台真实科研提问筛出的 9 万条查询，用 Claude、o3、GPT-4.1 等多套系统生成 4.7 万份带引用报告；DPO 配对由 GPT-4.1 和 DeepSeek-R1 两个裁判模型打分（与人类偏好一致率 95），只保留双方一致的大约 6 千对。

真正见效的细节在过滤。团队试了四种统计过滤器，收益最大的不是最复杂的组合，而是最简单的引用密度——训练报告里有多大比例的句子真的挂着引用。低引用密度的样本剔掉，模型的归因行为立刻收紧。这相当于把“请引用文献”从提示词里的祈使句，变成了训练数据里的既成事实。

引用精确率从 76 到 90

在 ScholarQA-CS2 测试集（100 个真实科研提问）上，裸 Qwen3-8B 的引用精确率 76.2，SFT 之后 87.7，DPO 之后 90.5——同一个底座，三步训练把“引用是否支持它附着的那句话”抬了 14 个点。同一测试集的综合分 87.0，咬住 Claude 流水线的 86.2，对后者的胜率 72；DR-Tulu-8B 的 88.8 略高。速度上，Asta 里的 Fast mode 平均 51.1 秒出一份报告，Thinking mode 是 178.5 秒，约 3.5 倍。

▲ Hugging Face 模型卡评估表（2026-10-03）：同一底座三阶段训练的引用指标变化，以及与 Asta ScholarQA、DR-Tulu 的横比与胜率。

▲ 引用精确率与召回率随三阶段训练的变化（ScholarQA-CS2 Test，100 题）；右图为综合分横比：AstaBrief 87.0、Asta ScholarQA 86.2、DR-Tulu-8B 88.8。

和现有三条路比

如果你现在是通用开源模型加 RAG，差异在归因成了训练目标：模型不是被要求引用，而是学过每句话该挂什么引用。如果你用大模型 API 流水线，它把逐节生成换成一次成文，砍掉了摘录摘要和聚类阶段；代价是难题上的上限可能不如多步系统——在更难的 DeepScholarBench 上它反而落后，53.50 对流水线的 60.25。和同门 DR-Tulu 比，它避开了不稳定的强化学习训练，配方更好复现。

现在怎么看它

用得上的场景很具体：在英文计算机科学文献上批量出初稿报告、且不能把问题发到外部 API 的团队。Apache-2.0 允许塞进防火墙内部署，官方还给了从自有 PDF 生成报告的示例工作流。先别急着上的场景：中文文献、非 CS 领域，或者要求引用之外还保住论断强度——Ai2 自己说明，训练和评估大多在 2025 年完成，这些数字是对训练方法的检验，不是和今天前沿模型的横比；引用挂对了，模型仍可能把样本结论说成总体结论。

今天就能做的一步：按模型卡推荐的 SFT 提示词格式跑一份自己方向的报告，重点看每条引用是否真的支持它附着的句子，而不是看文采。

参考：Ai2 AstaBrief 博客（allenai.org/blog/astabrief，2026-10-02）；Hugging Face 模型卡 allenai/AstaBrief_8B（2026-10-03 读取）