AstaBrief 8B против ContextPilot 8B: два ответа на одну и ту же базовую модель 8B

Поместите AstaBrief 8B и ContextPilot 8B в одну спецификацию — и первые шесть строк идентичны. Оба — это плотные 8B-чекпоинты, дообученные на основе Qwen/Qwen3-8B. Оба наследуют одну и ту же архитектуру — 36 слоёв, размер скрытого слоя 4096, 32 головы внимания с 8 головами ключ-значение, словарь на 151 936 токенов и потолок позиций базовой модели в 40 960 токенов. Ни один из них не является новой архитектурой, и ни один не пытается ею быть. Это две лаборатории, которые берут одни и те же замороженные веса базовой модели и обучают их двум разным задачам, и эти задачи находятся на противоположных концах долгосрочного исследовательского агента: AstaBrief 8B пишет готовый отчёт со ссылками, а ContextPilot 8B не даёт рабочему контексту агента разрушиться, пока тот собирает материал.

Это всё сравнение в одной строке, и именно поэтому перед нами не очное противостояние, которое следует читать как «победитель забирает всё». В вопросах лицензирования, доказательств и требований к среде выполнения две модели полностью расходятся, и это расхождение говорит больше, чем любая оценка, опубликованная любой из лабораторий.

Та же геометрия чекпоинта, два разных наследования

Начните с того, что действительно является общим, потому что это задаёт рамки всему остальному. AstaBrief 8B от Ai2 и ContextPilot 8B от Tencent обе заявляют Qwen3-8B в качестве своей базовой модели, и обе округляются примерно до 8 миллиардов параметров. В репозитории ContextPilot 8B зафиксировано 16,38 ГБ BF16-весов на четырёх шардах safetensors, что соответствует весу плотной 8B-модели. Потолок контекста определяется базовой моделью и в обоих случаях не меняется: 40 960 позиций в конфигурации, обучение на 32K и возможность расширения с помощью YaRN. Ни одна из моделей не является длинноконтекстной. AstaBrief 8B и не должна быть таковой: ей передают фрагменты, а не корпус. ContextPilot 8B намеренно не является таковой, потому что её тезис — заставить маленькое окно работать интенсивнее.

Что каждая лаборатория изменила, так это цель обучения, и эти цели едва ли могут быть более разными.

• Метод постобучения — AstaBrief 8B: контролируемая тонкая настройка, затем офлайн-оптимизация прямых предпочтений, 47 тыс. примеров SFT и примерно 6 тыс. пар предпочтений, на восьми H100.

• Метод постобучения — ContextPilot 8B: обучение с подкреплением поверх проактивной системы управления контекстом, с объединением векторов задач трёх специализированных SFT-запусков, наложенным на стандартную базовую модель.

• Задача — AstaBrief 8B: написать многораздельный отчёт с внутритекстовыми ссылками на основе вопроса и извлечённых фрагментов литературы, за один проход.

• Задача — ContextPilot 8B: планировать, хранить долговременную память, извлекать данные из индекса и выгружать контекст, который агенту сейчас не нужен, продолжая при этом рассуждать и вызывать инструменты.

• Среда выполнения — AstaBrief 8B: стандартный сервинг через vLLM или Transformers, а также рекомендуемый формат промпта из датасета AstaBrief_prompts.

• Runtime — ContextPilot 8B: агентная среда выполнения Tencent, определения инструментов и конвейер оценки из репозитория Tencent/ContextPilot. Один только чекпоинт не является работающим агентом.

• Лицензия — AstaBrief 8B: Apache-2.0. ContextPilot 8B: кастомный текст Apache-2.0 с добавленным Разделом 0, ограничивающим использование исследованиями и разработками.

• Доказательства — AstaBrief 8B: таблицы бенчмарков, предоставленные производителем, а также ранние данные об использовании в продакшене с платформы Asta от Ai2. ContextPilot 8B: утверждения в статье arXiv, принятой в основной трек EMNLP 2026; в карточке модели нет цифр, и ни одна третья сторона их не воспроизвела.

Две строки в этом списке значат больше, чем все остальные. Строка лицензии решает, можно ли вообще встроить модель в продукт: условия Apache-2.0 для AstaBrief 8B допускают коммерческое использование, а добавленное условие ContextPilot 8B — нет. Строка runtime решает, какую часть лаборатории вам придётся перенять вместе с весами. AstaBrief 8B — это чекпойнт, который можно просто подключить к существующему стеку обслуживания. ContextPilot 8B — это компонент фреймворка, и части, которые заставляют фреймворк работать, — контракт инструментов, логика rollout, распределение заслуг — находятся в коде Tencent, а не в шардах, которые вы скачиваете.

Где каждый из них действительно заслуживает своё место

Полезный способ сравнить их — представить их как смежные субагенты в конвейере, к которому обе лаборатории сходятся с противоположных сторон.

Агент синтеза литературы имеет слой поиска, слой контекста и слой генерации. ContextPilot 8B воздействует на слой контекста: он даёт агенту планирование, структурированную долговременную память с заметками для записи/обновления/чтения, поиск по индексу и мягкую разгрузку контекста, так что небольшое окно остаётся работоспособным на протяжении длинной траектории. В статье утверждается, что предыдущие модели редактирования контекста имели три общих недостатка, и фреймворк решает их вместе — более широкий набор инструментов, контекстно-зависимый частичный роллаут, который концентрирует исследование на правках, действительно меняющих траекторию, и мелкозернистое распределение кредита. Целями оценки являются вопросно-ответные задачи с длинным контекстом и глубокий поиск: InfBench, NovelQA, LongMemEval, BrowseComp+, согласно нашему более раннему прочтению репозитория.

AstaBrief 8B атакует уровень генерации и предполагает, что проблема контекста уже решена на предыдущих этапах. Он не занимается поиском, не резюмирует фрагменты, не кластеризует темы и не решает, какие доказательства сохранить. Ai2 убрала всё это из задач модели и обучила её писать отчёт за один проход по выдержкам, выбранным кем-то другим. Ставка делается на то, что дорогостоящая обвязка не была местом, где живёт качество: Ai2 сообщает, что перезапись за один проход сравнялась с многоэтапным конвейером на базе Claude по отслеживаемым метрикам, сократив при этом время генерации полного конвейера с 178,5 секунды до 51,1 секунды.

Если собрать вместе, две модели описывают разделение труда, которое могла бы провести любая из лабораторий. Одна поддерживает рабочий набор небольшим, а поток доказательств — непрерывным. Другая превращает уцелевшие доказательства в прозу с прикреплёнными ссылками. Режимы отказа дополняют друг друга, а не пересекаются: менеджер контекста, отбрасывающий не тот фрагмент, отравляет хорошего писателя, а хороший писатель, получивший плохие фрагменты, выдаёт гладкий отчёт не о том.

Эта взаимодополняемость — аргумент в пользу того, чтобы рассматривать каждый из них как сменный компонент, а не как долгосрочное обязательство. Если вы строите половину, отвечающую за контекст, с помощью ContextPilot 8B, половина, отвечающая за генерацию отчётов, должна находиться за интерфейсом, которому безразлично, какая модель стоит за ним, — самостоятельно размещённый AstaBrief 8B с одной стороны, передовая модель, размещённая у провайдера, с другой, и возможность переключаться между ними без переписывания пайплайна. Запуск обеих ветвей через один эндпоинт превращает это в изменение конфигурации, а не в миграцию: один API для более чем 200 моделей, где цена по прайс-листу провайдера передаётся с наценкой 0%, автоматическое переключение при деградации провайдера, и DSL маршрутизации, когда вы хотите объединить несколько моделей в один вызов. Самостоятельно размещённый компонент генерации остаётся самостоятельно размещённым, потому что именно этот компонент связан с вопросом чувствительности данных; всё вокруг него остаётся маршрутизируемым, потому что именно там гибкость обходится дёшево.

Честное состояние доказательной базы

Ни у одной из моделей нет независимой системы оценки, и эти две лаборатории даже измеряют не одно и то же.

• AstaBrief 8B, средний показатель SQABench-CS2 (по данным производителя): 87,0 на тестовой выборке против 83,7 для его собственного SFT-чекпоинта и 77,3 для базовой Qwen3-8B.

• AstaBrief 8B, DeepScholarBench (по данным вендора): 53,50 — ниже, чем у собственной Asta ScholarQA от Ai2 (60,25) и DR-Tulu-8B (56,26).

• AstaBrief 8B, процент побед в попарных сравнениях против пайплайна Ai2 на базе Claude (по данным вендора): 55% на dev-выборке SQABench-CS2, 72% на тестовой выборке.

• ContextPilot 8B: цифры приведены только в статье — по бенчмаркам QA с длинным контекстом и глубокого поиска; нет чисел из карточки модели и нет воспроизведения третьими сторонами.

Одна оговорка относится ко всей колонке AstaBrief, и Ai2 заявляет её в самом блоге: большая часть обучения и оценки была завершена в 2025 году, поэтому сравниваемые модели отражают передний край на тот момент, и лаборатория не перезапускала оценку против нынешних фронтирных моделей. Воспринимайте эти проценты как свидетельство о дизайнерском выборе на определённый момент времени, а не как текущий рейтинг. Цифры ContextPilot 8B несут обычную оговорку, свойственную научным статьям — самостоятельно выбранный набор бенчмарков, самостоятельно запущенный стенд, отсутствие воспроизведения за пределами Tencent.

Вторая оговорка касается именно AstaBrief 8B, и на практике легко на ней споткнуться. В его карточке предупреждается, что контрольная точка была дообучена под один формат промптов, опубликованный в виде файла набора данных, и что другие форматы могут ухудшить поведение. Если вы тестируете её с помощью универсального чат-фреймворка, вы измеряете свой фреймворк в не меньшей степени, чем модель.

Какой ты хочешь?

Выбирайте AstaBrief 8B, когда конечным результатом является документ. Она распространяется под лицензией Apache-2.0, работает на одном GPU в классе 8B BF16, не требует вокруг себя агентного фреймворка и специально обучена ровно для одного результата: отчёта со ссылками, собранного из доказательств, которые нашёл кто-то другой. Коммерческая лицензия становится решающим фактором для большинства команд, а сама открытая политика Ai2 — опубликованы веса, состав SFT, состав DPO и формат промптов — делает её проверяемой, а не просто бесплатной.

Выбирайте ContextPilot 8B, когда результат — это работающая траектория, а ваша проблема в том, что агент забывает или захлёбывается. Лицензия только для исследований исключает его из рассмотрения для продакшена в большинстве компаний, а требование к среде выполнения означает, что вы внедряете фреймворк Tencent, а не просто модель. Если вы изучаете проактивное управление контекстом как технику, это хорошо документированное место для начала. Если вам нужно выпускать продукт — нет.

А если вам нужны обе возможности, ответ — не одна из моделей по отдельности, а эта пара, соединённая так, чтобы каждую можно было заменить. Единственное, чего не должно давать это сравнение, — это единственного победителя, потому что два чекпоинта не конкурируют за один и тот же слот в системе.