AstaBrief 8B 対 ContextPilot 8B：同じ8Bベースモデルに対する2つの答え

AstaBrief 8BとContextPilot 8Bを1枚の仕様表に並べると、最初の6行は同一だ。どちらもQwen/Qwen3-8Bからファインチューニングされたdenseな8Bチェックポイントだ。どちらも同じアーキテクチャを継承している — 36層、隠れ次元4096、8個のキー・バリュー・ヘッドを備えた32個のアテンション・ヘッド、151,936トークンの語彙、そしてベースモデルの40,960トークンの位置上限。どちらも新しいアーキテクチャではなく、そうなることを目指してもいない。両者は、同じ凍結済みベース重みを使って、それに2つの異なる仕事を教え込んでいる2つのラボであり、その仕事は長期的なリサーチエージェントの正反対の両端を指している。AstaBrief 8Bは引用付きの完成レポートを書き、ContextPilot 8Bは資料を集めている間、エージェントの作業コンテキストが崩壊するのを防ぐ。

それが一行に集約された比較の全体であり、だからこそこれは、勝者総取りとして読むべき一対一の比較ではない。ライセンス、エビデンス、実行時要件において、この2つのモデルは完全に分かれている。そしてその相違は、どちらのラボが公表したいかなるスコアよりも多くのことを物語っている。

同じチェックポイントジオメトリ、2つの異なる継承

本当に共通しているものから始めよう。それが他のすべてを規定するからだ。Ai2のAstaBrief 8BとTencentのContextPilot 8BはどちらもQwen3-8Bをベースとしており、どちらも約80億パラメータに丸められる。ContextPilot 8Bのリポジトリには、4つのsafetensorsシャードにまたがる16.38 GBのBF16重みが記録されており、これは8Bの高密度モデルの重みに相当する。コンテキストの上限はベースモデルのもので、両者で変わらない。設定上は40,960ポジションで、32Kでトレーニングされ、YaRNで拡張可能だ。どちらのモデルも長コンテキストモデルではない。AstaBrief 8Bはそうである必要はない。コーパスではなく抜粋を渡されるからだ。ContextPilot 8Bは意図的にそうではない。その主張は、小さなウィンドウをより厳しく働かせることにあるからだ。

各ラボが変えたのは学習目的であり、その目的はこれ以上ないほど大きく異なっている。

• ポストトレーニング手法 — AstaBrief 8B：教師ありファインチューニングの後、オフライン直接選好最適化。47KのSFT例と約6Kの選好ペアを、H100を8台で実施。

• ポストトレーニング手法 — ContextPilot 8B：プロアクティブなコンテキスト管理フレームワークに対する強化学習で、3つの特化型SFT実行のタスクベクトルマージを既存のベースモデルに重ね合わせたもの。

• ジョブ — AstaBrief 8B：質問と取得した文献抜粋からインライン引用付きの複数セクションからなるレポートを1回のパスで作成する。

• 仕事内容 — ContextPilot 8B：計画を立て、長期記憶を保持し、インデックスから検索し、エージェントが現在必要としていないコンテキストをオフロードする。その間も推論を続け、ツールを呼び出す。

• ランタイム — AstaBrief 8B：標準的な vLLM または Transformers によるサービングに加え、AstaBrief_prompts データセットの推奨プロンプト形式。

• ランタイム — ContextPilot 8B：Tencent/ContextPilot リポジトリのTencentエージェントランタイム、ツール定義、評価パイプライン。チェックポイント単体では動作するエージェントにはなりません。

• ライセンス — AstaBrief 8B: Apache-2.0。ContextPilot 8B: 研究および開発への利用に制限する第0条が追加された、カスタム Apache-2.0 テキスト。

• 根拠 — AstaBrief 8B：ベンダーが報告したベンチマーク表に加え、Ai2のAstaプラットフォームからの初期の本番利用実績値。ContextPilot 8B：EMNLP 2026のメイントラックに採択されたarXiv論文での主張。モデルカードには数値がなく、第三者による再現もなされていない。

そのリストの中で2つの行は他よりも重要な役割を果たしている。ライセンスの行は、そもそもモデルを製品に組み込めるかどうかを決める。AstaBrief 8BのApache-2.0条項は商用利用を許可しているが、ContextPilot 8Bの追加条項は許可していない。ランタイムの行は、重みとともにどれだけのラボを導入する必要があるかを決める。AstaBrief 8Bは、既存のサービングスタックにそのまま組み込めるチェックポイントだ。ContextPilot 8Bはフレームワークのコンポーネントであり、フレームワークを機能させる部分——ツール契約、ロールアウトロジック、クレジット割り当て——は、ダウンロードするシャードではなく、Tencentのコード内に存在する。

それぞれが実際にその場所で価値を発揮するのはどこか

それらを比較するのに有用な方法は、両方のラボが反対方向から収束しつつあるパイプラインにおける、隣接するサブエージェントとして捉えることだ。

文献統合エージェントには、検索層、コンテキスト層、生成層がある。ContextPilot 8B はコンテキスト層に挑む。エージェントに計画立案、書き込み・更新・読み出しができるノートを備えた構造化長期記憶、インデックスに対する検索、ソフトなコンテキストオフロードを提供し、小さめのウィンドウでも長い軌跡全体で実用的に運用できるようにする。論文の主張は、従来のコンテキスト編集モデルが三つの弱点を共有しており、本フレームワークがそれらにまとめて対処するというものだ — より広いツールセット、実際に軌跡を変える編集に探索を集中させるコンテキスト認識型の部分的ロールアウト、そしてきめ細かなクレジット割り当て。評価対象は、先にリポジトリを読んだ限りでは、長文脈QAとディープサーチである。InfBench、NovelQA、LongMemEval、BrowseComp+。

AstaBrief 8Bは生成層を攻撃し、コンテキスト問題はすでに上流で解決されていると仮定している。検索も、スニペットの要約も、テーマのクラスタリングも、どの証拠を保持するかの決定も行わない。Ai2はそれらすべてをモデルの仕事から取り除き、他の誰かが選んだ抜粋からレポートを単一パスで書くように訓練した。賭けは、高価な足場が品質の宿る場所ではなかったということだ。Ai2によると、単一パスの書き換えは追跡対象の指標において多段階のClaude搭載パイプラインと同等の性能を示し、フルパイプラインの生成時間を178.5秒から51.1秒に短縮した。

まとめると、この2つのモデルは、どちらのラボでも描けたであろう分業を描写している。一方はワーキングセットを小さく保ち、エビデンスの流れを絶やさない。もう一方は、生き残ったエビデンスを、引用を付した散文に変える。失敗モードは重複しているのではなく相補的だ。間違った抜粋を落とすコンテキストマネージャーは、良い書き手を毒し、悪い抜粋を渡された良い書き手は、間違ったものについて流暢なレポートを生み出す。

その相補性は、それぞれをコミットメントではなく交換可能なコンポーネントとして扱うべきだという根拠になる。コンテキスト側を ContextPilot 8B で構築するなら、レポート生成側は、その背後にどのモデルがあるかを気にしないインターフェースの背後に置くべきだ——片側にセルフホストの AstaBrief 8B、もう片側にホスト型のフロンティアモデル、そしてパイプラインを書き換えることなく両者を行き来できること。両方の系統を1つのエンドポイント経由で動かすことで、それは移行ではなく設定変更になる: 200以上のモデルにまたがる単一のAPIで、プロバイダーの定価が0%のマークアップでそのまま渡される、 プロバイダーが劣化したときの自動フェイルオーバー、そして複数のモデルを1回の呼び出しに組み合わせたいときのルーティングDSL。セルフホストのライターはセルフホストのままにする。データ機密性の話を担うのはそこだからだ。その周りはすべてルーティング可能なままにする。柔軟性が安くつくのはそこだからだ。

証拠の正直な現状

どちらのモデルにも独立したスコアボードはなく、そもそもこの2つのラボは同じものを測定しているわけでもない。

• AstaBrief 8B、SQABench-CS2平均（ベンダー報告）：テストスプリットで87.0、自身のSFTチェックポイントの83.7、ベースQwen3-8Bの77.3に対して。

• AstaBrief 8B、DeepScholarBench（ベンダー報告）：53.50。Ai2自身のAsta ScholarQA（60.25）とDR-Tulu-8B（56.26）に後れを取っている。

• AstaBrief 8B、Ai2のClaude搭載パイプラインに対するペアワイズ勝率（ベンダー報告）：SQABench-CS2 devで55%、testで72%。

• ContextPilot 8B：数値は論文内にのみ存在し、長文脈QAとディープサーチのベンチマークに関するもの。モデルカードの数値はなく、第三者による再現もない。

1つの注意点がAstaBriefコラム全体に当てはまり、Ai2もブログ自体で述べている。トレーニングと評価の大半は2025年に完了したため、比較モデルは当時のフロンティアを反映しており、ラボは現在のフロンティアモデルに対して評価を再実行していない。これらのパーセンテージは、ある時点における設計上の選択に関する証拠として読むべきであり、現在のランキングとして読むべきではない。ContextPilot 8Bの数値には通常の論文の注意点が伴う——自己選択したベンチマークスイート、自前で実行したハーネス、Tencent外での再現なし。

2つ目の注意点は AstaBrief 8B に固有のもので、実践ではつまずきやすい。そのモデルカードには、このチェックポイントが1つのプロンプト形式に対してファインチューニングされ、その形式はデータセットファイルとして公開されていること、また他の形式では挙動が劣化しうることが警告されている。汎用的なチャットハーネスでベンチマークするなら、モデルと同じくらいハーネスも測定していることになる。

どっちが欲しい？

成果物がドキュメントそのものであるなら、AstaBrief 8B を選ぼう。Apache-2.0 ライセンスで、8B BF16 クラスの単一 GPU 上で動作し、周囲にエージェントフレームワークを必要とせず、ただ一つの出力のために専用に訓練されている。すなわち、他者が収集したエビデンスから組み立てられた、引用付きのレポートである。商用ライセンスはほとんどのチームにとって決め手となるが、Ai2 自身のオープンリポジトリとしての姿勢——重み、SFT ミックス、DPO ミックス、プロンプト形式のすべてが公開されている——こそが、単に無料であるだけでなく監査可能にしている所以である。

成果物が実際に動作するトラジェクトリであり、エージェントが忘れたり溺れたりするという問題を抱えているなら、ContextPilot 8B を選べばよい。研究専用ライセンスのため、ほとんどの企業にとっては本番導入の検討対象から外れる。また、実行時要件があるということは、単なるモデルではなく Tencent のフレームワークを採用するということだ。プロアクティブなコンテキスト管理を技術として調査しているなら、出発点としてよく文書化された場所である。出荷する必要があるなら、そうではない。

そして両方の能力が必要なら、答えはどちらか一方のモデルではない — それぞれを交換できるように配線されたペアだ。この比較が生み出すべきでない唯一のものは、単一の勝者である。なぜなら、その2つのチェックポイントはシステム内の同じスロットを争っているわけではないからだ。