Kenapa Model Gratis 8B Ini Bisa Bikin Laporan Sains?

Kamu pernah minta AI merangkum belasan jurnal, lalu hasilnya terdengar meyakinkan tapi sitasinya tidak benar-benar nyambung dengan isi paper aslinya? Itu masalah klasik model bahasa: fasih merangkai kalimat, tapi longgar menjaga batas bukti.

Allen Institute for AI, yang biasa disingkat Ai2, baru saja merilis jawaban mereka untuk masalah itu pada 2 Oktober 2026. Namanya AstaBrief 8B, model open source yang mengubah pertanyaan riset plus potongan literatur yang sudah diambil menjadi laporan ilmiah bersitasi.

Klaimnya berani: kualitas laporannya setara pipeline proprietary yang selama ini mereka pakai, tapi 3,5 kali lebih cepat dan bisa jalan di hardware sendiri. Mari kita bedah satu per satu faktanya, tanpa bumbu marketing.

AstaBrief Itu Apa dan Kenapa Dirilis

Ai2 adalah lembaga nirlaba yang didirikan Paul Allen, co-founder Microsoft, di Seattle pada 2014. Misinya sejak awal jelas: mengembangkan AI untuk masalah yang dianggap penting, dan merilisnya secara terbuka agar bisa dipelajari siapa pun.

AstaBrief 8B adalah model 8 miliar parameter berbasis Qwen3-8B yang dilatih khusus untuk satu tugas sempit: menerima pertanyaan riset dan kutipan literatur yang sudah diambil, lalu menulis laporan ilmiah lengkap dengan sitasi dalam sekali jalan.

Model ini sekarang hidup sebagai Fast mode di fitur Generate a report milik Asta, platform agentik Ai2 untuk kerja ilmiah. Ia berdampingan dengan Thinking mode yang ditenagai Claude, pipeline lama yang selama ini dipakai para ilmuwan di platform tersebut.

Motivasi rilisnya jujur dan praktis. Ai2 ingin menguji apakah model kecil yang terbuka bisa menyamai kualitas laporan dari model proprietary yang mereka pakai, sambil memangkas waktu generasi dan biaya serving. Jawabannya ternyata ya, dan mereka membuktikannya dengan angka yang akan kita bahas di bagian berikut.

51 Detik vs 178 Detik: Bedah Angka Kecepatannya

Angka resminya begini. Di seluruh pipeline Asta, Fast mode rata-rata butuh 51,1 detik per laporan, sedangkan Thinking mode butuh 178,5 detik. Selisihnya sekitar 3,5 kali lipat, dan itu diukur end to end, bukan cuma waktu inferensi modelnya saja.

Unite.AI mencatat Ai2 juga menyebut penurunan waktu generasi yang hampir satu orde besaran dibanding model proprietary yang mereka ukur. Untuk workflow riset harian, percepatan sebesar itu mengubah kebiasaan: laporan yang tadinya ditunggu sambil menyeduh kopi, sekarang selesai sebelum kopimu sempat dingin.

Rahasia kecepatannya ada di desain proses. Pipeline lama bekerja bertahap: meringkas potongan teks, mengelompokkannya per tema, lalu menulis laporan bagian per bagian. AstaBrief membuang semua tahap itu dan menulis seluruh laporan dalam satu forward pass.

Pendekatan satu langkah ini bukan tanpa risiko. Justru di sinilah tantangan ilmiahnya: model harus tetap grounded pada bukti, menjaga batas yang sebenarnya didukung bukti alih-alih diam-diam memperluas kesimpulan sebuah studi, dan output akhirnya harus bisa diverifikasi oleh peneliti.

Open Source Beneran: Weights, Data, dan Firewall Sendiri

Ini bagian yang membedakan rilis ini dari sekadar pengumuman model biasa. Ai2 merilis bobot model dan data trainingnya sekaligus, di bawah lisensi Apache 2.0 yang memperbolehkan pemakaian komersial tanpa biaya lisensi.

Karena bobotnya terbuka dan ukurannya cuma 8B, institusi bisa menjalankannya di hardware sendiri, termasuk di balik firewall mereka. Ini penting ketika pertanyaan riset menyentuh data sensitif atau karya yang belum dipublikasikan dan tidak boleh dikirim ke API pihak ketiga.

Ai2 juga merilis contoh workflow di repositori GitHub ai2-scholarqa-lib yang bisa diadaptasi peneliti untuk membuat laporan dari PDF mereka sendiri. Model card-nya menyebut penggunaan untuk riset dan edukasi di bawah Responsible Use Guidelines Ai2.

Langkah ini melanjutkan tradisi open science Ai2, dari keluarga model Molmo sampai infrastruktur training Olmo-core 3, plus kemitraan mereka yang diperluas dengan Hugging Face untuk mempercepat sains terbuka. Polanya konsisten: rilis model, rilis data, rilis cara mereproduksinya.

Trik Sitasi Terbaiknya: Filter Data, Bukan Algoritma

Insight paling menarik justru datang dari dapur trainingnya. Menurut ulasan teknis komunitas di dev.to, tuas terpenting untuk memperbaiki kualitas sitasi pada model report-generation yang di-fine-tune ternyata heuristik penyaringan data yang sederhana, bukan algoritma training yang lebih canggih.

Ini pelajaran berharga buat kamu yang melatih model sendiri. Untuk tugas yang menuntut ketepatan sitasi, kualitas dan kebersihan data mengalahkan kecanggihan teknik training. Sederhana, tapi justru sering dilupakan di tengah euforia arsitektur baru.

Konteksnya perlu dipahami. Ai2 melihat ilmuwan memakai Asta bukan untuk pencarian kata kunci sederhana, melainkan membawa konteks besar dan banyak batasan, misalnya membandingkan pendekatan antar literatur dengan memperhatikan metode, populasi, atau setting tertentu.

Mereka juga mencatat banyak pengguna kembali ke laporan yang dihasilkan di kemudian hari, memperlakukannya sebagai artefak riset yang terus dipakai, bukan jawaban sekali pakai. Itu sebabnya sitasi yang bisa diverifikasi menjadi nyawa dari fitur ini, bukan sekadar pemanis.

Kenapa Ini Penting Buat Kamu

Kalau kamu peneliti, mahasiswa pascasarjana, atau developer yang membangun tools riset, AstaBrief membuka pola baru: model kecil yang spesialis bisa menyaingi raksasa generalis di tugas yang sempit, dengan biaya serving yang jauh lebih murah.

Polanya sejalan dengan tren yang sedang ramai, dari decision model sampai coding agent yang ringan. Tugas sempit, model kecil, jalan cepat, dan murah. Bedanya, AstaBrief menyerang domain sains yang menuntut akuntabilitas bukti, bukan sekadar kecepatan mentah.

Kamu bisa mulai dari contoh workflow di repositori mereka, lalu bereksperimen dengan PDF-mu sendiri. Kalau kamu penasaran dengan proyek-proyek eksperimen AI yang saya kerjakan, mampir ke /projects sebagai referensi bacaan lanjutan.

Satu catatan jujur biar berimbang. RuntimeWire mengingatkan bahwa hasil Ai2 sejauh ini banyak mencerminkan pekerjaan yang selesai pada 2025, dan belum terbukti seberapa baik model menjaga batas bukti di penggunaan dunia nyata yang lebih luas.

Kabar baiknya, karena semuanya open source, klaim seperti ini bisa diuji oleh siapa pun. Dan keterujian itulah nilai terbesar dari rilis ini.