/ Модель

Характеристики

Контекст
65 536 токенов
Параметры
6,9 млрд
Размер весов
14,6 ГБ
Лицензия
Apache 2.0
Архитектура
olmo3 · dense
Базовая модель
Olmo3-IVON-SFT-7B
Библиотека
transformers
Опубликована
21 апр 2026

Olmo3-B3PO-7B

Генерация текстаТекст → текст3 профессии

Англоязычная модель Olmo 3 на 7 млрд параметров, дообученная B3PO для генерации текста и экспериментов RLVR с математическими задачами.

30скачиваний за 30 дней0лайковвеса обновлены13 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

BayesRL/Olmo3-B3PO-7B — англоязычная причинно-авторегрессионная модель семейства Olmo 3, разработанная BayesRL и дообученная методом B3PO для исследований обучения с проверяемыми наградами (RLVR), в частности решения математических задач. B3PO использует вариационный оптимизатор IVON: на каждом шаге обучения выбирается одно возмущение параметров из приближённого апостериорного распределения, чтобы исследовать пространство параметров при оптимизации с наградами.

Модель содержит 6,9 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. Она предназначена для диалоговой генерации и математических экспериментов: оценивалась на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Это исследовательский чекпойнт, специализированный на экспериментировании с RLVR, а не универсальная гарантия точности математических ответов. Лицензия — Apache-2.0.

Сценарии применения

  • решение задач уровня математических олимпиад
  • генерация пошаговых ответов на математические вопросы
  • эксперименты с RLVR и проверяемыми наградами
  • сравнение стратегий исследования пространства параметров при обучении языковых моделей

Ограничения

Математическая специализация и результаты оценки не гарантируют правильность ответов на новые задачи; модель ориентирована на эксперименты RLVR. В README не приведены численные результаты оценки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Olmo3-B3PO-7B

📄 Paper: Parameter Exploration for RLVR via Variational Learning · arXiv:2608.09805

📦 Code: insait-institute/c3po

Olmo-3 7B fine-tuned with B3PO (Bayesian Perturbed Parameter Policy Optimization), from the paper "Parameter Exploration for RLVR via Variational Learning".

3PO is a family of parameter-space exploration strategies for Reinforcement Learning with Verifiable Rewards (RLVR). Instead of relying only on action-space heuristics (temperature, clipping, entropy bonuses), 3PO samples model weights from an approximate posterior learned with the variational optimizer IVON; the amount of weight noise becomes an extra control lever for exploration.

B3PO draws a single weight perturbation from the IVON posterior per gradient step and syncs it to the rollout engine, so each step explores from one perturbed parameter sample.

Training

Base / warm-startBayesRL/Olmo3-IVON-SFT-7B
Foundation modelallenai/Olmo-3-1025-7B
AlgorithmB3PO (GRPO + IVON, single perturbation per step)
RL dataDAPO-Math-17k
OptimizerIVON, lr 1.0, ESS (λ) 1e9
Hardware8× NVIDIA H200 (144 GB)

Evaluation

Evaluated on AIME 2024–2026, MATH-500, AMC 2023, and Minerva. See the paper for full results.

Usage

Loads as a standard causal LM:

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("BayesRL/Olmo3-B3PO-7B")
tok = AutoTokenizer.from_pretrained("BayesRL/Olmo3-B3PO-7B")

Citation

@misc{venkatkrishna2026parameterexploration,
      title={Parameter Exploration for RLVR via Variational Learning}, 
      author={Vatsal Venkatkrishna and Nico Daheim and Iryna Gurevych},
      year={2026},
      eprint={2608.09805},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2608.09805}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Olmo3ForCausalLM
Ревизия весов
b19a784

0 моделей