/ 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
28 апр 2026

Olmo3-B3PO-7B-ESS1e8

Генерация текстаТекст → текст3 профессии

Англоязычная модель Olmo 3 на 6,9 млрд параметров, дообученная методом B3PO для генерации текста и экспериментов RLVR с математическими задачами.

57скачиваний за 30 дней0лайковвеса обновлены13 авг 2026

Бенчмарки

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

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

Olmo3-B3PO-7B-ESS1e8 — англоязычная плотная языковая модель семейства Olmo 3 от BayesRL, дообученная на базе BayesRL/Olmo3-IVON-SFT-7B методом B3PO. Это вариант абляции ESS с λ = 1e8; основная версия модели использует λ = 1e9. B3PO применяет исследование пространства параметров для обучения с проверяемыми вознаграждениями: на каждом шаге обучения модель использует одну выборку возмущённых весов из приближённого апостериорного распределения IVON.

Модель предназначена для генерации текста и экспериментов с RLVR, в частности для решения математических задач и оценки на наборах AIME, MATH-500, AMC и Minerva. Она содержит 6,9 млрд параметров, поддерживает контекст до 65 536 токенов и загружается как стандартная causal language model через Transformers. В карточке указаны датасет DAPO-Math-17k и алгоритм обучения GRPO с IVON.

Лицензия — Apache-2.0. Результаты и ограничения конкретно этой абляционной версии в README не приведены; для оценки качества следует обращаться к статье и сопоставлять вариант ESS с основной моделью.

Сценарии применения

  • генерация ответов на математические задачи
  • эксперименты с обучением языковой модели на проверяемых вознаграждениях
  • оценка математических рассуждений на AIME и MATH-500
  • исследование влияния возмущений параметров на обучение с подкреплением

Ограничения

Это абляционный вариант ESS с λ = 1e8, тогда как основная версия использует λ = 1e9; отдельные результаты и ограничения этой версии в README не приведены.

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-ESS1e8

📄 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.

Note: This is the ESS ablation variant with λ = 1e8; the main run is Olmo3-B3PO-7B (λ = 1e9).

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) 1e8
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-ESS1e8")
tok = AutoTokenizer.from_pretrained("BayesRL/Olmo3-B3PO-7B-ESS1e8")

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

Нельзя запустить

Модели нужен vLLM (несколько GPU), но архитектура Olmo3ForCausalLM ему неизвестна.

Класс архитектуры
Olmo3ForCausalLM
Ревизия весов
1cee729

0 моделей