OLMo3-190M-zh-v3.1

OLMo3-190M-zh-v3.1

中文 continue-pretrain 教学模型，基于 OLMo3-190M 架构，在 v3 (from-scratch pretrain) 之上注入 事实密度高的中文语料（Wikipedia-zh + Cosmopedia-Chinese）。

活水 42ailab 出品。配套于《零基础 AI 大模型研发训练营》第 04 讲：预训练。

来源与动机

v3.1 的目标是验证 continue pretrain 这个工业级技术：在已有 base model 上继续训练 1-2B tokens，以低成本（~$14 / 3h H100）改善特定能力。

对比 v3（原 base）→ v3.1 的 7-prompt 抽测：

关键 takeaways：

• ✅ 事实密度策略有效：wiki + Cosmopedia 让"北京大学"跨过了 190M 模型的记忆阈值。
• ⚠️ 190M 参数有记忆天花板："四大发明"即便在语料中存在，曝光次数不够就学不会。
• ⚠️ 未清洗的 Wiki 会引入格式污染：红楼梦 prompt 出现"林黛玉、林黛玉、林黛玉的妹妹"重复——已作为 v4 必修项。

架构

基于 OLMo3-190M canonical 架构（和 allenai/Olmo-3 同宗，但从零训练 + continue pretrain）：

使用

最简用法（路径 A）

from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("42ailab/OLMo3-190M-zh-v3.1")
model = AutoModelForCausalLM.from_pretrained("42ailab/OLMo3-190M-zh-v3.1")

inputs = tok("北京大学位于", return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=50, temperature=0.8, top_p=0.9)
print(tok.decode(outputs[0], skip_special_tokens=True))

用于 SFT（推荐用法，L05 课程路径）

v3.1 是 base model，没有对话能力。上 SFT 就是：

from transformers import AutoModelForCausalLM
# 作为 SFT 基座
model = AutoModelForCausalLM.from_pretrained("42ailab/OLMo3-190M-zh-v3.1")
# ... 用 TRL SFTTrainer 训练

国内加速

export HF_ENDPOINT=https://hf-mirror.com
# 或用 ModelScope：https://modelscope.cn/models/42ailab/OLMo3-190M-zh-v3.1

训练配方

数据混合（1.19B tokens effective）

（原计划加入 bigcode/the-stack-v2 代码和 liwu/MNBVC 事实补刀，但两者在 HF datasets 3.0+ 中因 script-based loading 失效。v4 会用 Parquet-native 替代。）

超参

• Base: v3 final checkpoint
• Peak lr: 2e-4（v3 peak 5e-4 的 2/5）
• Warmup: 500 steps 显式（从 ~0 线性爬升）
• Scheduler: cosine decay to 2e-5
• Batch: 16 × 2048 × grad_accum 8 = 262K tokens/step
• Max steps: 5700
• Duration: 3h 00min on H100
• Attention: SDPA（OLMo3 SWA + flash-attn-2 有 s_aux None bug，continue pretrain 场景必须 SDPA）

Loss 轨迹

对比 v3 final mean loss 3.95 → v3.1 -28%。

限制

1. 事实记忆上限：190M 参数约能稳定记住 ~1000-2000 个事实。"四大发明"等低曝光事实仍会错。
2. 无 code 数据：Stage-2 计划中的代码数据源因 HF gated / script-based 问题未加入。"Python 是编程语言"仍偶有漂移。
3. 未做 SFT：v3.1 是纯 base model，不会对话。对话任务需额外做 SFT。
4. eval 数字偏乐观：训练时 eval/loss = 2.00 是在 in-domain 数据上算的（wiki + Cosmopedia 尾部），不能直接对比 v3 的 3.61 held-out eval。

License

• 模型权重：Apache-2.0（允许商用）
• 训练数据：混合 license
  • FineWeb-Edu-Chinese V2.2、Ultra-FineWeb、Cosmopedia-Chinese：Apache-2.0
  • Wikipedia-zh：CC-BY-SA-3.0 + GFDL（share-alike 传染性，商用前请咨询法律）

按 Allen AI OLMo 社区实践：权重本身声明 Apache-2.0，但披露训练数据含 CC-BY-SA 内容。

Citation

@misc{huoshui-olmo3-190m-zh-v3.1,
  title={OLMo3-190M-zh-v3.1: Chinese Continue-Pretrained Teaching Model},
  author={活水 AI 实验室 (42ailab) and 阳志平},
  year={2026},
  howpublished={\url{https://huggingface.co/42ailab/OLMo3-190M-zh-v3.1}},
  note={LLM001 Course, Lecture 04}
}

配套资源

• 数据集：42ailab/llm101-v3.1-data — tokenizer + tokenized.bin + nano 子集 + 7-prompt 评测对照
• 课程仓库：https://cnb.cool/42edu/LLM001/llm001
• 讲师笔记：demo/ch04/OLMo3-190M-zh-v3.1/teaching_notes.md