Ai2 AstaBrief 8B, 사내 서버로 인용 보고서를 만들 때 확인할 것

Ai2는 2026년 10월 2일 공식 블로그와 Hugging Face 블로그에서 AstaBrief 8B를 공개했습니다. 연구 질문과 검색해 온 논문 발췌를 넣으면 인용이 붙은 보고서를 써 주는 모델입니다. 가중치가 공개돼 있어 기관이 자체 서버에 설치하면 외부 모델 API 없이 자료 조사 보고서를 만들 수 있다고 Ai2는 설명했습니다. 학습 데이터도 함께 공개했습니다. 다만 영어 자료로 학습했고, 모델과 학습 데이터의 라이선스가 서로 다릅니다. 논문·자료 조사 보고서를 사내 서버의 오픈 모델로 만들고 싶은 교육·연구 담당자가 검토 전에 확인할 것을 순서대로 정리했습니다.

1. 질문과 발췌를 넣으면 인용 보고서가 나옵니다

Ai2 블로그는 AstaBrief 8B를 "연구 질문과 검색된 문헌 발췌를 인용 보고서로 바꾸는 모델"이라고 소개했습니다. Qwen3-8B에서 출발했고, 노력 대부분을 사후 학습 데이터와 평가, 보고서 생성을 둘러싼 구조에 들였다고 밝혔죠. Hugging Face 블로그에 따르면 이 모델은 Ai2의 Asta 서비스에 있는 'Generate a report' 기능에서 Fast mode로 이미 쓰이고 있고, Claude 기반 Thinking mode와 함께 제공됩니다. 발표문에 베타 표기는 없습니다. Asta에서 Fast mode를 쓸 수 있는 지역이나 계정 조건은 발표에 적혀 있지 않아 확인하지 못했습니다.

먼저 알아 둘 점이 있습니다. 이 모델은 논문을 직접 찾지 않습니다. 질문과 함께 발췌문을 넣어 줘야 보고서를 쓰기 때문에, 논문을 검색하고 PDF에서 문단을 뽑는 단계는 따로 갖춰야 하죠. 모델 카드도 좋은 결과를 얻으려면 추론할 때 학습 때와 같은 프롬프트 형식에 질의와 섹션 참조를 넣으라고 권합니다. Ai2 블로그는 연구자가 자기 PDF로 보고서를 만들 때 고쳐 쓸 수 있는 예시 워크플로(ai2-scholarqa-lib 저장소)도 함께 공개했는데, 이 글에서는 실행해 보지 않았습니다. 그래서 사내에 설치하려면 모델 파일과 함께 검색, 발췌, 보고서 생성으로 이어지는 흐름 전체를 준비해야 합니다.

도식 안의 라이선스·언어·속도 수치는 Ai2 블로그, 모델 카드, 데이터 카드에 적힌 내용입니다. 4단계 흐름 구성과 "직접 대조" 같은 확인 방법은 작성자가 정리한 것입니다.

2. 한국어 자료에는 아직 쓰기 어렵습니다

모델 카드의 언어 표시는 영어(English)입니다. 학습 데이터 카드에는 비영어 질의, 과학이 아닌 요청, 개인 의료 정보가 담긴 프롬프트를 걸러냈다는 설명이 있습니다. 한국어 질문이나 한국어 논문을 넣었을 때의 성능은 Ai2 발표 어디에도 나오지 않습니다.

확인되지 않은 성능을 기대하고 국내 학술지나 국내 기관 보고서 조사에 바로 쓰는 것은 권하지 않습니다. 해외 선행연구 정리처럼 질문과 자료가 모두 영어인 업무에서 먼저 시험해 보세요. 한국어 자료가 섞인 조사라면 지금은 이 모델로 판단할 근거가 없다고 보는 편이 정확합니다.

3. 모델과 학습 데이터의 라이선스를 나눠 보세요

같은 이름으로 공개됐어도 파일마다 라이선스가 다릅니다. 무엇을 가져다 쓰느냐에 따라 지켜야 할 조건이 달라지기 때문입니다.

공개 자료	표시된 라이선스	함께 적힌 내용	검토할 때 볼 점
모델 가중치 (AstaBrief_8B)	Apache 2.0	연구·교육 용도를 의도했다는 문구	사내 보고서 작성에 쓰는 범위
학습 데이터 (AstaBrief_SFT_Mix)	CC BY-NC 4.0	비영어 질의 등을 걸러냄, 제3자 모델이 만든 합성 출력 포함	이 데이터로 추가 학습한 모델을 유료로 제공하는지
프롬프트 저장소 (AstaBrief_prompts)	CC BY-NC 4.0	언어 표시 English	프롬프트를 사내 도구에 옮겨 쓰는 범위

학습 데이터 카드에는 이 데이터에 제3자 모델이 만든 합성 출력이 들어 있어 각 모델 제공사의 약관도 적용된다는 문구가 있습니다. 선호 학습(DPO)에 쓴 AstaBrief_DPO_Mix도 CC BY-NC 4.0으로 표시돼 있습니다. CC BY-NC 4.0의 NC는 비상업(NonCommercial) 조건을 뜻합니다. 모델을 내려받아 연구실이나 교육 과정에서 보고서를 쓰는 일과, 학습 데이터로 자체 모델을 추가 학습해 유료 서비스에 넣는 일은 검토할 라이선스가 다르죠. 모델 카드의 "연구·교육 용도에 맞춰 쓰도록 의도했다"는 문구가 어느 정도 구속력을 갖는지는 발표에 설명이 없습니다. 유료 과정이나 컨설팅 산출물에 쓸 계획이라면 라이선스 원문을 법무 담당과 함께 읽어 보세요.

4. 인용은 넣어 준 발췌와 대조해 확인합니다

이 모델의 인용은 사용자가 넣어 준 발췌를 근거로 달립니다. 작성자 해석으로는, 보고서를 검토할 때 확인을 2번에 나눠 하는 편이 좋습니다. 먼저 인용이 붙은 문장이 해당 발췌 내용과 실제로 맞는지 봅니다. 그다음 그 발췌가 원 논문의 결론을 제대로 담고 있는지, 빠진 주요 논문은 없는지 봅니다. 첫 확인에서 틀리면 모델의 문제이고, 둘째 확인에서 틀리면 검색·발췌 단계를 고쳐야 합니다.

예시를 들어 보겠습니다. "검색 증강 생성(RAG)이 교육용 질의응답의 정확도에 어떤 영향을 주는가"라는 영어 질문에 논문 발췌 8개를 넣었다면, 보고서 문장과 인용된 발췌를 한 줄씩 나란히 적은 확인표를 만들면 됩니다. 이 표가 있으면 보고서를 받은 사람도 근거를 다시 따라가 볼 수 있습니다.

5. 속도와 품질 수치는 Ai2가 직접 잰 값입니다

Ai2 블로그는 Asta 전체 파이프라인 기준으로 Fast mode가 보고서 1건에 평균 51.1초, Claude 기반 Thinking mode가 178.5초 걸려 약 3.5배 빠르다고 밝혔습니다. 검색부터 보고서 완성까지 Asta 서비스 안에서 잰 시간이므로, 여러분의 서버에 설치했을 때의 속도로 읽으면 안 됩니다. 추론에 필요한 최소 GPU 메모리도 공개 자료에 없습니다. 모델 카드에 적힌 8xH100(H100 GPU 8장)은 학습 조건이고 실행 사양은 따로 적혀 있지 않습니다.

품질 평가는 컴퓨터과학 연구 질문으로 했습니다. 블로그는 주요 평가 세트 SQABench-CS2를 사용자가 쓴 질문 200개라고 설명했고, 모델 카드 표의 ScholarQA-CS2 테스트 세트 설명에는 100개로 적혀 있습니다. 두 숫자가 다른 이유는 발표에 없습니다. 63문항으로 된 DeepScholarBench에서는 모델 카드 표 기준으로 AstaBrief가 53.50점으로 Claude 기반 Asta ScholarQA(60.25점)보다 낮았습니다. Ai2는 학습과 평가 대부분을 2025년에 마쳤기 때문에, 학습 데이터를 만들고 비교에 쓴 상용 모델도 그 당시 수준이라고 직접 밝혔습니다.

사용 지표도 같은 방식으로 읽어야 합니다. Fast mode를 써 본 Asta 사용자 374명 가운데 29.1%가 이틀 이상 썼고, 평균 3.67개의 보고서 스레드를 만들었다고 합니다. Asta 서비스 안에서 집계한 숫자이고, 분모는 374명입니다.

6. 이번 주에 해 볼 첫 단계

서버 설치는 뒤로 미루고 비교부터 해 보세요. 최근 팀에서 영어 논문으로 정리한 조사 주제 1건을 고르고, Asta에 접속할 수 있다면 같은 질문을 Fast mode에 넣어 이미 만든 보고서와 나란히 놓으면 됩니다. Asta는 외부 서비스이므로 공개 논문만 다루는 주제로 고르셔야 합니다. 결과 보고서에서 인용 문장 5개를 골라 4번의 확인표로 대조해 보세요. 이 비교에서 쓸 만하다는 판단이 서면, 그때 IT 담당자와 서버 사양을, 법무 담당과 라이선스를 함께 검토하면 됩니다.