/ Модель

Характеристики

Контекст
65 536 токенов
Параметры
6,9 млрд
Размер весов
14,6 ГБ
Лицензия
Apache 2.0
Архитектура
olmo3 · dense
Базовая модель
Olmo-3-7B-Think
Библиотека
transformers
Опубликована
14 сен 2026

Olmo-3-7B-Think-OPSA

Генерация текстаТекст → текст3 профессии

Дообученная методом OPSA модель Olmo-3-7B-Think для диалоговой генерации текста и решения задач рассуждения, в частности математических.

885скачиваний за 30 дней1лайквеса обновлены25 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

Tuwhy/Olmo-3-7B-Think-OPSA — дообученная исследовательская модель на базе Olmo-3-7B-Think от Ai2, представленная в виде чекпойнта шага 19. Она использует архитектуру Olmo3ForCausalLM с 6,9 млрд параметров и предназначена для генерации текста в диалоге и задач рассуждения, особенно математических. Обучение OPSA проводилось на вопросах из DAPO-17k без учительской модели, модели вознаграждения и эталонной модели; веса представлены в формате safetensors с типом bfloat16.

Модель принимает текстовые запросы, поддерживает контекст до 65 536 токенов и рассчитана прежде всего на английский язык. В карточке приведены результаты на математических тестах AIME24, AIME25 и HMMT25, а также на MBPP+ и GPQA-Diamond; эти оценки воспроизводят результаты авторов. Для генерации авторы рекомендуют экспериментировать с температурой 1,5, top_p 0,8 и top_k 20, но оптимальные настройки зависят от задачи. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • решение математических задач и олимпиадных примеров
  • пошаговое рассуждение по текстовым вопросам
  • ответы на вопросы на английском языке
  • генерация кода для задач уровня MBPP+

Ограничения

Оценки в карточке приведены как результаты авторов на ограниченном наборе тестов и не гарантируют качество на других задачах. Рекомендуемые параметры сэмплирования являются отправной точкой и требуют настройки под конкретное применение.

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

Olmo-3-7B-Think-OPSA

This repository contains the step 19 checkpoint of Olmo-3-7B-Think trained with On-Policy Self-Adaptation (OPSA).

Paper Code Blog Checkpoints W&B Logs

About OPSA

OPSA improves a policy without a teacher model, reward model, reference-model forward pass, or task reward. The canonical setup trains the 20% of valid response tokens with the lowest actor log probabilities and assigns entropy-adaptive negative advantages between -0.5 and -1.0.

This checkpoint was trained using only the questions from DAPO-17k.

  • Base model: allenai/Olmo-3-7B-Think
  • Architecture: Olmo3ForCausalLM
  • Weight dtype: bfloat16
  • Context window: 65,536 tokens

Evaluation

The three math columns report Avg@32 / Pass@32; the two out-of-distribution columns report Avg@32. All scores are percentages; absolute gains are percentage points.

VariantAIME24AIME25HMMT25MBPP+GPQA_D
Olmo3-7B-TK Base71.88 / 93.3361.77 / 90.0041.98 / 73.3364.5538.86
w/ OPSA (step 19)77.29 / 93.3367.08 / 93.3347.50 / 83.3366.3340.93
Δ+5.41 / +0.00+5.31 / +3.33+5.52 / +10.00+1.78+2.07
Relative gain+7.5% / +0.0%+8.6% / +3.7%+13.1% / +13.6%+2.8%+5.3%

Results and gains above are reproduced from the authors' reported results table. GPQA_D denotes GPQA-Diamond. See the paper and project repository for experimental details.

Usage

Recommended sampling settings

After OPSA training, this model may benefit from a higher sampling temperature. We recommend trying temperature=1.5 with do_sample=True, top_p=0.8, and top_k=20 as a starting point for improved reasoning performance. The best temperature depends on the task, so tune it on your own validation examples; higher temperatures do not always yield better results.

Quick start

Use the checkpoint's chat template to format prompts for the Think model.

pip install "transformers>=4.57.0" accelerate torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Tuwhy/Olmo-3-7B-Think-OPSA"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype="auto",
    device_map="auto",
)

messages = [{"role": "user", "content": "Solve: 3x + 5 = 20."}]
inputs = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt",
    return_dict=True,
).to(model.device)

outputs = model.generate(
    **inputs,
    do_sample=True,
    temperature=1.5,
    top_p=0.8,
    top_k=20,
    max_new_tokens=32768,
)
print(tokenizer.decode(
    outputs[0][inputs.input_ids.shape[1]:],
    skip_special_tokens=True,
))

The decoding settings above are an inference example, not a specification of the evaluation protocol for every result in the table.

License and limitations

This checkpoint is released under the Apache 2.0 license, following the base model. It can produce incorrect, biased, or harmful content; OPSA's reasoning results do not establish improved safety. For the original model's development details and limitations, see the base model card.

Citation

OPSA

If you find this work useful, please cite:

@article{ding2026does,
  title={Does On-Policy Distillation Really Distill? From Noisy Teacher to Self-Improvement},
  author={Ding, Yi and Zhang, Ruqi},
  journal={arXiv preprint arXiv:2608.31046},
  year={2026}
}

Base model

Please also refer to the Olmo 3 model card for the original model citation.

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
475839e

0 моделей