/ 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
13 июн 2026

Olmo3-B3PO_MC-7B

Генерация текстаТекст → текст3 профессии

Дообученная на основе Olmo 3 модель для генерации текста и экспериментов RLVR, в том числе с математическими задачами.

55скачиваний 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

BayesRL/Olmo3-B3PO_MC-7B — англоязычная плотная авторегрессионная модель семейства Olmo 3, разработанная BayesRL и содержащая 6,9 млрд параметров. Это дообучение BayesRL/Olmo3-IVON-SFT-7B методом B3PO с decoupled Monte-Carlo variance reduction; подход исследует пространство параметров, выбирая веса из приближённого апостериорного распределения, сформированного оптимизатором IVON.

Модель предназначена для генерации текста в экспериментах RLVR с проверяемыми наградами и решения математических задач; в README указана оценка на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Поддерживает контекст до 65 536 токенов и доступна в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка описывает исследовательский обучающий запуск, поэтому её практические качества и воспроизводимость следует оценивать по статье и настройкам обучения.

Сценарии применения

  • генерация решений математических задач
  • эксперименты с RLVR и проверяемыми наградами
  • сравнение стратегий исследования пространства параметров
  • воспроизведение экспериментов B3PO с decoupled Monte-Carlo

Ограничения

Карточка ориентирована на исследовательский запуск и не приводит полных результатов оценки; качество на задачах за пределами указанных математических бенчмарков не установлено.

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_MC-7B

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

📦 Code: insait-institute/c3po

Olmo-3 7B fine-tuned with the decoupled Monte-Carlo variant of B3PO, 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_MC combines B3PO rollouts with the decoupled variance-reduction scheme described in Appendix C of the paper: the IVON gradient estimate uses several Monte-Carlo weight samples that are decoupled from the rollout perturbation, reducing gradient variance without changing the rollout budget.

If you intend to reproduce this run, this corresponds to setting DECOUPLED_MC_SAMPLES > 1 (ivon_config.decoupled_mc_samples) on top of the B3PO configuration.

Training

Base / warm-startBayesRL/Olmo3-IVON-SFT-7B
Foundation modelallenai/Olmo-3-1025-7B
AlgorithmB3PO + decoupled MC variance reduction (Appendix C)
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

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("BayesRL/Olmo3-B3PO_MC-7B")
tok = AutoTokenizer.from_pretrained("BayesRL/Olmo3-B3PO_MC-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

Нельзя запустить

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

Класс архитектуры
Olmo3ForCausalLM
Ревизия весов
d7b5f04

0 моделей