/ 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
22 апр 2026

Olmo3-M3PO-7B

Генерация текстаТекст → текст3 профессии

Англоязычная модель Olmo3 на 6,9 млрд параметров, дообученная методом M3PO для генерации текста и решения математических задач.

23скачиваний 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-M3PO-7B — англоязычная модель для генерации текста и решения математических задач, разработанная BayesRL на основе Olmo-3. Это плотная авторегрессионная модель класса Olmo3ForCausalLM с 6,9 млрд параметров и контекстом до 65 536 токенов. Модель дообучена методом M3PO: при обучении для RLVR применяются выборки возмущений весов из приближённого апостериорного распределения IVON, а M3PO усредняет градиенты по нескольким таким выборкам. Базовая модель для дообучения — BayesRL/Olmo3-IVON-SFT-7B; исходная модель — allenai/Olmo-3-1025-7B.

Модель предназначена для генерации ответов и математических рассуждений в диалоговом режиме. В карточке указана оценка на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Доступны веса в формате Safetensors для Transformers. Лицензия — Apache 2.0.

Сценарии применения

  • решение задач математических олимпиад
  • пошаговые рассуждения при решении задач по математике
  • генерация ответов на математические вопросы в чате

Ограничения

Оценки приведены для математических бенчмарков, но карточка не содержит численных результатов; качество на других типах задач не описано.

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-M3PO-7B

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

📦 Code: insait-institute/c3po

Olmo-3 7B fine-tuned with M3PO, 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.

M3PO draws M Monte-Carlo weight perturbations from the IVON posterior per gradient step; rollouts and advantages are computed per sample and the gradients are averaged. To keep compute roughly matched to GRPO, the group size is reduced (GROUP_SIZE = G/M).

Training

Base / warm-startBayesRL/Olmo3-IVON-SFT-7B
Foundation modelallenai/Olmo-3-1025-7B
AlgorithmM3PO (GRPO + IVON, M MC perturbations per step, equal-compute)
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-M3PO-7B")
tok = AutoTokenizer.from_pretrained("BayesRL/Olmo3-M3PO-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
b7c8b30

0 моделей