/ 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-C3PO-7B

Генерация текстаТекст → текст3 профессии

Дообученная BayesRL модель Olmo 3 на 6,9 млрд параметров для генерации текста и экспериментов по математическому рассуждению с обучением на верифицируемых наградах.

114скачиваний 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-C3PO-7B — плотная авторегрессионная языковая модель семейства Olmo 3, разработанная BayesRL и дообученная методом C3PO для обучения с верифицируемыми наградами. Она основана на BayesRL/Olmo3-IVON-SFT-7B, использующем в качестве исходной модели allenai/Olmo-3-1025-7B. C3PO сочетает GRPO с оптимизатором IVON: модель исследует варианты поведения через возмущения параметров, распределённые между группами генераций, и применяет Seq-MIS для коррекции оценок.

Модель содержит 6,9 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 65 536 токенов. В карточке указана поддержка английского языка. Модель предназначена прежде всего для генерации ответов и математических рассуждений; её оценивали на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Доступна в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. Результаты зависят от формулировки задачи, а заявленная специализация и оценки сосредоточены на математических задачах.

Сценарии применения

  • генерация решений математических задач
  • ответы на вопросы математических олимпиад
  • эксперименты с RLVR и алгоритмом C3PO
  • сравнение стратегий исследования параметров в GRPO
  • диалоговая генерация текста на английском

Ограничения

Оценивание в карточке сосредоточено на математических бенчмарках, поэтому эти результаты не подтверждают качество в других областях. Модель наследует типичные ограничения генеративных языковых моделей, включая возможность ошибочных ответов.

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-C3PO-7B

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

📦 Code: insait-institute/c3po

Olmo-3 7B fine-tuned with C3PO, 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.

C3PO splits each GRPO group of G rollouts across N independent weight perturbations (G/N rollouts each). Advantages are computed over the full, more-diverse group, with a Seq-MIS (sequence-level multiple-importance-sampling) correction to account for the differing perturbations. This gives extra parameter-space diversity at the same rollout budget as GRPO.

Training

Base / warm-startBayesRL/Olmo3-IVON-SFT-7B
Foundation modelallenai/Olmo-3-1025-7B
AlgorithmC3PO (GRPO + IVON, N chunked perturbations + Seq-MIS)
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-C3PO-7B")
tok = AutoTokenizer.from_pretrained("BayesRL/Olmo3-C3PO-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
c223ee9

0 моделей