AstaBrief: Model AI Ai2 Bikin Laporan Riset Makin Cepat

Apa itu AstaBrief?

AstaBrief adalah model yang tugasnya spesifik: ngubah pertanyaan riset plus potongan literatur yang udah diambil jadi laporan yang bersitasi rapi. Model ini dipakai di fitur "Generate a report" milik Asta, sebagai mode Fast — jalan bareng mode Thinking yang ditenagain Claude.

Yang bikin ini jadi contoh model AI open source yang lumayan beda: Ai2 nggak cuma buka bobot model-nya, tapi juga data training-nya. Mereka pengen institusi lain bisa jalanin AstaBrief di infrastruktur sendiri — penting banget buat riset yang isinya sensitif atau belum dipublikasikan.

AstaBrief dibangun dari base model Qwen3-8B, terus dilatih ulang pakai data khusus biar jago nulis laporan ilmiah yang tetap nempel ke bukti yang ada, bukan ngarang atau memperluas kesimpulan seenaknya.

AstaBrief vs mode Thinking: seberapa cepat bedanya?

Ini bagian yang paling nendang dari rilis ini. Ai2 ngukur waktu rata-rata per laporan di seluruh pipeline Asta, dan hasilnya jomplang banget.

Artinya mode Fast sekitar 3,5x lebih cepat dari mode Thinking. Dibanding model proprietary yang mereka lacak sebelumnya, penurunan waktu generate laporannya malah hampir sepuluh kali lipat. Buat kerja riset yang butuh banyak iterasi — nanya ulang, perbaiki konteks, cek sumber lain — kecepatan kayak gini kerasa banget bedanya.

Gimana cara Ai2 melatih AstaBrief?

Ai2 sengaja nggak pakai reinforcement learning yang biasanya lebih mahal dan gampang nggak stabil. Mereka pilih kombinasi supervised fine-tuning (SFT) dan direct preference optimization (DPO) yang lebih murah dan gampang di-debug.

Data SFT-nya dikumpulin dari query riset asli, bukan prompt buatan. Dari 90 ribu query yang udah difilter ketat (dibuang yang bot, kependekan, bukan bahasa Inggris, atau ada data pribadi), mereka bikin laporan target pakai kombinasi model proprietary: Claude 3.5 Sonnet, Claude 3.7 Sonnet, o3, o4-mini, dan GPT-4.1. Setelah difilter lagi, tersisa 47 ribu contoh yang layak dipakai.

Buat data DPO, mereka bikin 6 ribu pasangan laporan — satu dari pipeline ScholarQA (biasanya pakai Claude), satu dari model lain kayak o3, o4-mini, DeepSeek-V3, atau DeepSeek-R1. Dua model juri (GPT-4.1 dan DeepSeek-R1) nentuin mana yang lebih bagus, dan cuma pasangan yang disepakati dua juri yang dipakai. Tingkat kecocokan juri sama penilaian manusia tembus 95%.

Menariknya, dari empat filter kualitas yang dicoba, yang paling ngaruh justru yang paling sederhana: citation density, alias seberapa banyak kalimat yang punya sitasi pendukung. Filter yang lebih ribet dan kombinasi filter ganda nggak nambah hasil yang berarti.

Seberapa bagus hasilnya dibanding model berbayar?

Ai2 ngetes AstaBrief di SQABench-CS2 (200 pertanyaan riset computer science yang ditulis manusia) dan DeepScholarBench (63 query sintesis riset panjang dari paper ArXiv terbaru). Empat metrik yang dipantau: rubric score (kelengkapan jawaban), answer precision (relevansi tiap paragraf), citation precision (apakah sitasi bener-bener dukung klaimnya), dan citation recall (apakah klaim didukung penuh oleh sitasi).

Di studi kecil dengan 14 pertanyaan dan tiga peneliti sains asli, DR-Tulu menang di preferensi keseluruhan, tapi dua dari tiga peneliti justru lebih suka AstaBrief soal akurasi sitasi. Menurut Ai2 sendiri, hasil ini paling tepat dibaca sebagai validasi pendekatan teknis mereka saat dikembangkan, bukan klaim AstaBrief lebih unggul dari model frontier hari ini — karena evaluasi penuhnya memang nggak diulang lagi di periode terbaru.

Cara coba AstaBrief dan manfaatnya buat developer di Indonesia

Kalau kamu developer atau peneliti yang pengen nyobain, ini langkah yang bisa diambil:

1. Buka halaman model di Hugging Face lewat pengumuman resmi Ai2 buat unduh bobot AstaBrief 8B.
2. Cek contoh workflow dari Ai2 yang bisa diadaptasi buat bikin laporan dari PDF kamu sendiri.
3. Jalankan di infrastruktur sendiri kalau data risetmu sensitif atau belum terbit — ini alasan utama kenapa Ai2 bikin model ini open weights.
4. Bandingin hasilnya pakai benchmark SQABench-CS2 kalau mau ngukur kualitas sitasi versi kamu sendiri.

Buat tim riset, lab kampus, atau startup di Indonesia yang ngolah data riset sensitif, model AI open source kayak AstaBrief ngasih opsi buat nggak selalu kirim data ke API pihak ketiga. Ini juga relevan buat yang mikirin kepatuhan UU PDP — makin dikit data yang keluar dari server sendiri, makin kecil risikonya.

Buat developer yang pengen belajar lebih jauh soal cara kerja model dan API-nya, kamu bisa cek kelas AI untuk Developer di Classai, atau baca dulu panduan dasar di Apa itu API AI? kalau masih awam soal integrasi model ke aplikasi. Topik open source model kayak gini juga pernah kita bahas di Meta Muse AI Resmi Open Source.

Contoh prompt kalau kamu udah jalanin AstaBrief sendiri buat generate laporan riset:

Berikan laporan riset bersitasi soal perbandingan metode fine-tuning SFT vs RL untuk model bahasa kecil, fokus ke efisiensi biaya training dan kualitas output. Gunakan hanya sumber yang disediakan di konteks ini.

AstaBrief emang bukan model buat dipakai sehari-hari kayak chatbot biasa — dia dirancang khusus buat sintesis riset ilmiah. Tapi langkah Ai2 buka semuanya ke publik nunjukin kalau model AI open source makin jadi jalur serius buat kerja yang butuh akurasi dan transparansi tinggi, bukan cuma buat eksperimen hobi.