/ Модель

Характеристики

Контекст
65 536 токенов
Параметры
3,9 млрд
Размер весов
17 ГБ
Лицензия
Apache 2.0
Архитектура
olmo3 · dense
Базовая модель
Olmo-3-7B-Instruct
Библиотека
transformers
Опубликована
5 сен 2026

ADAPT-Olmo3-4.3B-Instruct

Генерация текстаТекст → текст9 профессий

Диалоговая модель Olmo 3 с 3,9 млрд параметров, предназначенная для генерации текста и экспериментов с интерполяцией размера моделей.

109скачиваний за 30 дней0лайковвеса обновлены5 сен 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

ADAPT-Olmo3-4.3B-Instruct — диалоговая языковая модель, разработанная Harvard-DCML как студент на основе Olmo-3-7B-Instruct. Она создана в рамках метода ADAPT, который позволяет интерполировать размер между вариантами одной базовой модели после обучения; чекпойнт можно использовать для построения промежуточной модели вместе с исходной моделью.

Модель имеет плотную архитектуру Olmo 3 с 3,9 млрд параметров, принимает текст и генерирует текст в диалоговом формате. Длина контекста составляет 65 536 токенов. Для интерполяции README рекомендует включать патчинг первых слоёв студенческой модели; число слоёв патчинга определяет размер промежуточной модели. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация ответов в диалоге
  • выполнение текстовых инструкций
  • создание промежуточной модели между студенческой и базовой версиями Olmo 3

Ограничения

README описывает модель как студенческий чекпойнт для интерполяции с Olmo-3-7B-Instruct, поэтому применение этой техники требует исходной модели и реализации ADAPT. Основной язык модели в приведённых данных не назван; английская поддержка указана в метаданных базовой модели.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Description

ADAPT is a technique that allows for size interpolation across different post-trained variants of the same base model. This is the student model distilled from Olmo-3-7B-Instruct from our paper.

Training Procedure

This model was initialized from Olmo-3-7B-Instruct by copying every other layer and the last 2 layers. It was distilled on 1B tokens of The deduplicated Pile and 1B of the math split from Llama Nemotron Post Training Dataset with cross entropy, KL, and cosine loss to match the activations of Olmo-3-7B-Instruct. We used the following hyperparameters:

  • Learning rate: 3e-4
  • Learning rate scheduler: cosine
  • Warmup ratio: 0.01
  • Optimizer: AdamW
  • Adam betas: (0.9, 0.95)
  • Adam epsilon: 1e-8
  • Weight decay: 0.1
  • Max. gradient norm: 1.0
  • Number of training steps (Pre-training phase): 480
  • Effective batch size (Pre-training phase): 2048
  • Number of training steps (SFT phase): 585
  • Effective batch size (SFT phase): 4096
  • Max. sequence length: 1024
  • Mixed precision: bf16
  • KLDiv weight: 0.1
  • Cosine distance weight per layer: 10.0

Use

To interpolate between this model and Olmo-3-7B-Instruct, please use the build_intermediate_model function from our github repository:

import torch
from patching.patch import build_intermediate_model

intermediate_model = build_intermediate_model(
  teacher_name_or_path = "allenai/Olmo-3-7B-Instruct",
  student_name_or_path = "Harvard-DCML/ADAPT-Olmo3-4.3B-Instruct",
  num_layers_to_patch = 2,
  patch_first_k_layers = True,
  dtype = torch.bfloat16,
)

Notes:

  1. Changing num_layers_to_patch changes the size of the intermediate model by patching different numbers of student layers.
  2. patch_first_k_layers should be set to True for this model for optimal interpolation performance.

Citation

@misc{zhou2026thinkingrightsizeamortized,
      title={Thinking at the Right Size: Amortized Distillation Across Post-Trained LLMs}, 
      author={Yan Zhou and Sara Kangaslahti and Jonathan Geuter and Nihal V. Nayak and Marco Fumero and Francesco Locatello and David Alvarez-Melis},
      year={2026},
      eprint={2608.22854},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2608.22854}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Olmo3ForCausalLM
Ревизия весов
3603578

0 моделей