Ai2 تطلق AstaBrief 8B مفتوح المصدر: تقارير علمية موثقة أسرع 3.5× من Claude
أعلن معهد Allen Institute for AI (Ai2) إتاحة نموذج AstaBrief 8B مفتوح الأوزان لتوليد تقارير علمية موثقة بالاستشهادات، وهو متاح الآن في وضع Fast mode داخل منصة Asta. يحقق النموذج زمن توليد متوسط 51.1 ثانية لكل تقرير مقابل 178.5 ثانية لوضع Thinking المدعوم بـ Claude، أي أسرع بنحو 3.5×، مع نشر الأوزان وبيانات التدريب ووورك فلو جاهز للعمل محلياً على PDFs المؤسسات.
الموجز الإحصائي السريع
أعلن معهد Allen Institute for AI (Ai2) رسمياً إتاحة نموذج AstaBrief 8B مفتوح الأوزان، وهو نموذج متخصص في توليد تقارير علمية موثقة بالاستشهادات من سؤال بحثي ومقتطفات أدبية مسترجعة. النموذج متاح اليوم في وضع Fast mode داخل ميزة "Generate a report" في منصة Asta، إلى جانب وضع Thinking المدعوم بـ Claude، مع نشر الأوزان وبيانات التدريب ووورك فلو محلي لملفات PDF.
📊 بطاقة البيانات والمواصفات التقنية الرسمية
| المحور التقني | البيانات الرسمية المؤكدة |
|---|---|
| 💰 الأسعار وتكلفة الاستخدام | متاح مجاناً ضمن وضع Fast mode في منصة Asta؛ الأوزان مفتوحة المصدر للتحميل والتشغيل الذاتي، ما يلغي تكاليف الاستدلال عبر واجهات API التجارية ويمكّن المؤسسات من التحكم في تكاليف الخدمة على بنيتها التحتية. |
| 🌐 المنصات والتوفر الفوري | متاح الآن في منصة Asta (وضع Fast mode)؛ الأوزان مفتوحة المصدر عبر قنوات Ai2 وHugging Face؛ وورك فلو نموذجي جاهز للتشغيل المحلي على ملفات PDF الخاصة بالمؤسسات. |
| ⚡ الأداء ومؤشرات السرعة | متوسط 51.1 ثانية لكل تقرير في Fast mode مقابل 178.5 ثانية في Thinking mode عبر خط Asta الكامل، أي أسرع بنحو 3.5× (تقريباً انخفاض بمعامل رتبة كاملة في زمن التوليد). |
| 🛡️ الأمان ومقاومة الاختراق | تصفية سجلات المستخدمين للجودة والملاءمة والخصوصية، مع إزالة حركة المرور من البوتات والمختبِرين التجريبيين، واستبعاد الاستعلامات غير الإنجليزية وغير العلمية والتي تحتوي معلومات شخصية عبر مرور تصفية قائم على LLM. الأوزان المفتوحة تتيح التشغيل على بنية تحتية خاصة للأسئلة البحثية الحساسة أو غير المنشورة. |
| 🧠 سياق الذاكرة (Context Window) | لم يُعلن Ai2 عن حجم نافذة السياق صراحةً في البيان الرسمي؛ النموذج مبني على Qwen3-8B ويستقبل سؤالاً بحثياً مع مقتطفات أدبية مسترجعة (retrieved snippets) لتوليد التقرير كاملاً في تمريرة واحدة. |
| 🌍 دعم اللغة العربية والمنطقة | لم يذكر البيان الرسمي دعم اللغة العربية صراحةً؛ النموذج مُدرَّب على استعلامات بحثية إنجليزية بعد تصفية الاستعلامات غير الإنجليزية، ما يجعله موجهاً أساساً للسياق العلمي الإنجليزي. |
تفاصيل الإعلان والميزات التقنية الجديدة
بُني AstaBrief 8B انطلاقاً من نموذج Qwen3-8B، مع تركيز معظم جهد التطوير على بيانات ما بعد التدريب والتقييم وسقالة توليد التقارير المحيطة. اعتمد الفريق على وصفة تدريب أبسط من مسار التعلم المعزز (RL) الذي استُخدم في أعمال سابقة مثل DR Tulu، واختار بدلاً منه مزيجاً من الضبط الدقيق المُوجَّه (SFT) وتحسين التفضيلات المباشر (DPO)، لأن RL قد يكون غير مستقر ومكلفاً. الأهم من ذلك، أن الفريق درّب النموذج على توليد التقرير النهائي كاملاً في تمريرة واحدة (one pass) بدلاً من الكتابة قسماً بقسم، متجاوزاً مراحل تلخيص وتجميع المقتطفات المكلفة التي يستخدمها وضع Thinking المدعوم بـ Claude، دون التضحية بالأداء.
بدأ خط التدريب من استعلامات مستخدمين حقيقيين عبر نظام ScholarQA الذي يدعم ميزة Generate a report في Asta. بعد تصفية الجودة والملاءمة والخصوصية، بقيت 90 ألف استعلام بحثي، أُنتج منها 47 ألف مثال تدريبي صالح للـ SFT باستخدام خط ScholarQA متعدد الخطوات مع نماذج خلفية متنوعة شملت Claude 3.5 Sonnet وClaude 3.7 Sonnet وo3 وo4-mini وGPT-4.1. وللـ DPO، بُنيت أزواج التقارير من مجموعة فرعية منفصلة، حيث قارن حَكَمان (GPT-4.1 وDeepSeek-R1) كل زوج واختارا الفائز، مع التحقق من توافق الحَكَمين مع التفضيلات البشرية بنسبة 95%، والاحتفاظ فقط بالأزواج التي اتفق عليها الحَكَمان، ما أسفر عن نحو 6 آلاف مثال DPO نهائي.
لتحسين الإسناد (attribution)، اختبر الفريق أربعة مرشحات إحصائية لتحديد الأمثلة الاصطناعية الأضعف: نسبة الرموز بين المخرجات والمدخلات، وملاءمة الاستشهادات، وكثافة الاستشهادات، ومعايير إضافية. الهدف كان تجنب الاعتماد على تحسين معقد يعوّض عن أمثلة مشوّشة، والتركيز بدلاً من ذلك على جودة البيانات نفسها.
المقارنة المعيارية والأداء التنافسي
كان هدف التقييم الرئيسي هو SQABench-CS2، وهو مجموعة من 200 سؤال بحثي في علوم الحاسوب كتبها مستخدمون، مع تتبع أربعة مقاييس: Rubric score (تغطية المحتوى الضروري)، Answer precision (ملاءمة كل فقرة للسؤال)، Citation precision (دعم كل استشهاد للادعاء المرتبط به)، وCitation recall (دعم الاستشهادات الكامل لادعاءات التقرير). كما أُجريت تقييمات ثانوية على DeepScholarBench بـ 63 استعلاماً طويل المدى مبني على أوراق ArXiv حديثة، وتقييمان زوجيان مقابل تقارير خط Claude المدعوم: مقارنة بحكم LLM على SQABench-CS2 ودراسة بشرية صغيرة.
أظهرت أولى جولات SFT تحسناً في جودة المحتوى الإجمالية، لكنها ظلت متأخرة عن خط Claude في دقة الإجابة وجودة الاستشهادات، ما دفع الفريق إلى تكثيف العمل على جودة البيانات. النتيجة النهائية: أسرع بنحو 3.5× (51.1 ثانية مقابل 178.5 ثانية) مع الحفاظ على الأداء، وهو ما يجعل AstaBrief حالة اختبار مفيدة لهدف أوسع: بناء نماذج لغوية مفتوحة قابلة للتكييف مع متطلبات العمل العلمي. يلاحظ الفريق أن معظم التدريب والتقييم أُنجز في 2025، وأن النماذج المقارنة تعكس حدود ذلك الوقت، ولم تُعَد التقييمات مقابل نماذج الحدود الحالية.
ماذا يعني هذا للمطور والمستخدم العربي؟ (The Localization Edge)
بالنسبة للمطورين والباحثين في العالم العربي، يمثل AstaBrief 8B فرصة عملية لبناء أدوات توليد تقارير علمية موثقة دون الاعتماد على واجهات API تجارية مكلفة، إذ إن الأوزان المفتوحة تتيح التشغيل على بنية تحتية محلية أو سحابية خاصة، ما يخفض تكلفة التطوير للمشاريع الناشئة والمراكز البحثية الجامعية بشكل كبير. غير أن النموذج مُدرَّب أساساً على استعلامات إنجليزية بعد تصفية الاستعلامات غير الإنجليزية، ما يعني أن كفاءة التوكنز في النصوص العربية قد تكون أقل من الإنجليزية، وقد يحتاج المطورون العرب إلى ضبط دقيق إضافي (fine-tuning) على بيانات عربية علمية لتحسين جودة الاستشهادات ودقة الإجابة. حالات الاستخدام الواعدة تشمل توليد مراجعات أدبية عربية موثقة، وبناء مساعدين بحثيين للجامعات، وأنظمة مراقبة الأدبيات العلمية، مع الاستفادة من وورك فلو PDF المحلي لمعالجة الوثائق الحساسة داخل المؤسسة دون إرسالها لخدمات خارجية.
الخلاصة والتطلعات القادمة
خطوة Ai2 بنشر AstaBrief 8B مفتوح الأوزان مع بيانات التدريب ووورك فلو محلي تمثل تحولاً مهماً نحو نماذج علمية مفتوحة قابلة للتشغيل الذاتي، وتثبت أن نموذجاً بحجم 8 مليارات معامل يمكن أن يقترب من جودة النماذج التجارية الأكبر مع تحسين زمن التوليد بنحو 3.5×. المرحلة التالية ستكون اختبار هذه النتائج مقابل نماذج الحدود الحالية، وتوسيع التقييم ليشمل الحفاظ على نطاق الادعاءات العلمية وقوتها، إضافة إلى مبادرة NSF OMAI التي يقودها Ai2 لبناء بنية تحتية مفتوحة للذكاء الاصطناعي العلمي.
المصدر الإعلامي: Hugging Face | البيان الرسمي للشركة: المصدر الأصلي | تدقيق وتحليل البيانات: AI Tools Oasis
أسئلة شائعة
فريق AI Tools Oasis
نقدم لك أحدث الأخبار والتحليلات في عالم الذكاء الاصطناعي بدقة ومصداقية. تابعنا للحصول على كل جديد.
