موسسه آلن برای هوش مصنوعی (Ai2) اخیراً جدیدترین و قدرتمندترین خانواده مدل‌های خود به نام Olmo 3 را منتشر کرد. اما این شرکت با تکرار فرآیند توسعه و گسترش اجرای یادگیری تقویتی (RL)، مدل Olmo 3.1 را به وجود آورد. مدل‌های جدید Olmo 3.1 بر کارایی، شفافیت و کنترل برای سازمان‌ها متمرکز هستند.

Ai2 دو نسخه از سه نسخه Olmo 2 را به‌روزرسانی کرد: Olmo 3.1 Think 32B، مدل اصلی بهینه‌سازی شده برای تحقیقات پیشرفته، و Olmo 3.1 Instruct 32B، که برای دنبال کردن دستورالعمل‌ها، گفتگوی چند مرحله‌ای و استفاده از ابزارها طراحی شده است.

Olmo 3 دارای نسخه سوم، Olmo 3-Base برای برنامه‌نویسی، درک مطلب و ریاضیات است. این مدل همچنین برای تنظیم دقیق مداوم عملکرد خوبی دارد.

Ai2 اعلام کرد که برای ارتقاء Olmo 3 Think 32B به Olmo 3.1، محققان آن، بهترین اجرای RL را با یک برنامه آموزشی طولانی‌تر گسترش دادند.

Ai2 در یک پست وبلاگ نوشت: «پس از عرضه اولیه Olmo 3، ما اجرای آموزش RL خود را برای Olmo 3 32B Think از سر گرفتیم و به مدت 21 روز اضافی بر روی 224 GPU با دوره‌های اضافی بر روی مجموعه داده Dolci-Think-RL آموزش دادیم. این امر منجر به Olmo 3.1 32B Think شد که پیشرفت‌های قابل توجهی را در معیارهای ریاضی، استدلال و دنبال کردن دستورالعمل‌ها به همراه دارد: بهبود 5+ امتیازی در AIME، 4+ امتیاز در ZebraLogic، 4+ امتیاز در IFEval و 20+ امتیاز در IFBench، همراه با عملکرد قوی‌تر در کدنویسی و وظایف پیچیده چند مرحله‌ای.»

برای رسیدن به Olmo 3.1 Instruct، Ai2 اعلام کرد که محققان آن، دستورالعمل مدل کوچکتر Instruct 7B را به مدل بزرگتر اعمال کرده‌اند.

Olmo 3.1 Instruct 32B برای چت بهینه‌سازی شده است.