/ 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-C3PO_MC-7B

Генерация текстаТекст → текст3 профессии

Англоязычная модель Olmo 3 на 6,9 млрд параметров, дообученная методом C3PO_MC для генерации текста и экспериментов RLVR на математических задачах.

28скачиваний 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_MC-7B — англоязычная плотная авторегрессионная модель семейства Olmo 3 с 6,9 млрд параметров, разработанная BayesRL. Это дообучение BayesRL/Olmo3-IVON-SFT-7B методом C3PO_MC для генерации текста и исследований обучения с подкреплением по проверяемым наградам (RLVR). Модель применяет вариационную оптимизацию IVON: веса семплируются из приближённого апостериорного распределения для исследования в пространстве параметров. Вариант C3PO_MC использует раздельные выборки весов для генерации ответов и оценки градиента, чтобы снизить дисперсию оценки градиента.

Модель предназначена прежде всего для решения математических задач и экспериментальной оценки стратегий RLVR; в карточке указаны тесты AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Она поддерживает чатовый сценарий, принимает текст и генерирует текст, имеет контекст до 65 536 токенов и распространяется в формате Safetensors. Основа обучения — Olmo-3-1025-7B, а обучение проводилось на DAPO-Math-17k. Лицензия — Apache-2.0. Результаты на перечисленных тестах не гарантируют точность для произвольных математических задач; модель ориентирована на английский язык.

Сценарии применения

  • решение математических задач на английском языке
  • эксперименты с исследованием пространства параметров в RLVR
  • оценка стратегий обучения GRPO с проверяемыми наградами
  • сравнение результатов на AIME, MATH-500, AMC и Minerva

Ограничения

Карточка сообщает об оценке на ограниченном наборе математических бенчмарков; эти результаты не гарантируют точность на других задачах. Модель рассчитана прежде всего на английский язык.

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_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 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_MC combines C3PO — each GRPO group of G rollouts split across N independent perturbations (G/N each) with a Seq-MIS importance-sampling correction — with the decoupled variance-reduction scheme described in Appendix C: the IVON gradient estimate uses several Monte-Carlo weight samples that are decoupled from the rollout perturbations, reducing gradient variance.

If you intend to reproduce this run, this corresponds to setting DECOUPLED_MC_SAMPLES > 1 (ivon_config.decoupled_mc_samples) on top of the C3PO configuration.

Training

Base / warm-startBayesRL/Olmo3-IVON-SFT-7B
Foundation modelallenai/Olmo-3-1025-7B
AlgorithmC3PO + 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-C3PO_MC-7B")
tok = AutoTokenizer.from_pretrained("BayesRL/Olmo3-C3PO_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
9868eac

0 моделей