Herramienta de IA

Reseña de OLMo

OLMo es una familia de modelos de lenguaje abiertos desarrollada por Allen Institute for AI (AI2), con modelos solo de texto y artefactos de investigación de acceso público.

shipped 29 oct 2026freemium

Domain rating80

Por qué importa

1Variantes de modelos enumeradas: OLMo 3 7B-Instruct, 7B-Think, 32B-Instruct, 32B-Think y OLMo 2 13B.

2La ventana de contexto indicada es de 65.536 tokens.

3AI2 describe el acceso a la arquitectura del modelo, los datos de entrenamiento y los artefactos de las etapas de pretraining y post-training.

4Las integraciones mencionadas incluyen Hugging Face, GitHub y Discord.

Sobre OLMo

Modelo de negocio

Open Source

Sede

Seattle, USA

Tamaño del equipo

200-300

Plataformas

Web, API

Público objetivo

Researchers and developers in AI

Liderazgo

Oren EtzioniCEOLinkedIn

API Docs GitHubOpen Source

overview

¿Qué es OLMo?

OLMo es una familia de modelos de lenguaje abiertos desarrollada por Allen Institute for AI (AI2), que permite a investigadores y desarrolladores de IA estudiar, experimentar con modelos de lenguaje y utilizarlos. AI2 proporciona acceso a la arquitectura del modelo, los datos de entrenamiento y los artefactos que abarcan desde pretraining hasta post-training. Los modelos enumerados son solo de texto; las variantes mencionadas incluyen OLMo 3 7B-Instruct, 7B-Think, 32B-Instruct, 32B-Think y OLMo 2 13B.

features

Características principales de OLMo

AI2 presenta OLMo como un proyecto de modelos abiertos para investigación y experimentación a lo largo del ciclo de vida del modelo. Las capacidades y especificaciones enumeradas incluyen:

Acceso a la arquitectura del modelo, los datos de entrenamiento y los artefactos de investigación.
Variantes de modelos: OLMo 3 7B-Instruct, OLMo 3 7B-Think, OLMo 3 32B-Instruct, OLMo 3 32B-Think y OLMo 2 13B.
Cobertura del desarrollo del modelo desde pretraining hasta post-training.
Una arquitectura basada en Ray para el entrenamiento escalable de modelos, según se describe en la información del producto proporcionada.
Modalidad solo de texto.
Compatibilidad con llamadas a funciones según estándares abiertos, tal como se indica en los datos de capacidades proporcionados.
Una ventana de contexto indicada de 65.536 tokens.
Integraciones mencionadas en los datos proporcionados: Hugging Face, GitHub y Discord.

use cases

¿Quién debería usar OLMo?

AI2 identifica a investigadores y desarrolladores como su público objetivo y describe usos relacionados con la investigación y la experimentación con modelos. Los casos de uso proporcionados incluyen:

Investigadores de IA que estudian la dinámica del aprendizaje en modelos de lenguaje grandes.
Desarrolladores que experimentan con la arquitectura, el entrenamiento o los artefactos de post-training de modelos de lenguaje.
Investigadores que estudian el machine unlearning.
Equipos que exploran aplicaciones clínicas de procesamiento del lenguaje natural.

how to use

Cómo usar OLMo

Empieza por consultar la documentación de modelos OLMo de AI2 y selecciona la variante adecuada para la tarea de investigación o desarrollo. Los materiales proporcionados mencionan Hugging Face y GitHub entre las integraciones de OLMo.

1Abre la documentación de OLMo en https://docs.allenai.org/models/olmo.
2Revisa las variantes de modelos disponibles y elige un modelo Instruct, Think u OLMo 2, según corresponda.
3Usa los modelos y artefactos de investigación disponibles para experimentar; consulta la documentación para obtener información sobre el acceso y la ejecución.
4Conéctate mediante las integraciones de Hugging Face o GitHub mencionadas, cuando corresponda.
5Antes de la implementación, consulta la documentación del modelo correspondiente para conocer los límites de contexto y el comportamiento admitido de llamadas a funciones.

pricing

Precios y planes de OLMo

La información proporcionada describe OLMo como un producto de código abierto e indica que dispone de un nivel gratuito, pero no ofrece precios específicos, nombres de planes de pago ni tarifas de uso comercial. Por tanto, no se puede indicar un precio concreto a partir de los datos disponibles del producto.

Acceso a modelos de código abierto: indicado; no se proporciona un precio específico.
Nivel gratuito: indicado en los metadatos proporcionados; no se especifican las funciones incluidas ni las condiciones.
Niveles de pago o cargos por uso: no se proporcionan precios ni detalles de los planes.

¿Te está gustando? Recibe uno así en tu bandeja cada mañana.

un correo al día · date de baja en dos clics · sin rastreadores de terceros

Pros

+AI2 describes access to architecture, training data, and artifacts across pretraining and post-training.
+The listed OLMo family includes 7B and 32B OLMo 3 Instruct and Think variants, plus OLMo 2 13B.
+The supplied specifications list a 65,536-token context window.
+Named integrations include Hugging Face, GitHub, and Discord.
+Listed research applications include learning-dynamics studies, machine unlearning, and clinical NLP.

Cons

−The supplied capability data says no API is available, despite separate metadata listing API as a platform; API availability is therefore not established consistently.
−The model family is listed as text-only; image, audio, and video input are not specified.
−No concrete pricing, paid-plan details, or free-tier terms are provided.
−The supplied information does not specify hardware requirements, inference benchmarks, or deployment instructions.

Herramientas similares

OLMo frente a la competencia

La distinción declarada de OLMo es el acceso a la arquitectura del modelo, los datos de entrenamiento y los artefactos a lo largo del desarrollo del modelo. Las descripciones proporcionadas de la competencia destacan otras prioridades, como la disponibilidad de checkpoints, el ecosistema, la eficiencia de inferencia y la cobertura multilingüe.

Pythia↗

Provides 16 dense decoder-only models ranging from 70M to 12B parameters with all intermediate training checkpoints and identical data order publicly available.

Both are designed explicitly for interpretability and scientific study of pretraining dynamics, but Pythia models are generally older and smaller than OLMo, lacking the contemporary performance and extended context windows of OLMo 2.

LlamaOn Stork

Industry-standard open-weights foundation model backed by Meta with massive community fine-tunes, tool support, and runtime optimizations.

You get significantly higher raw downstream benchmark performance and broader hardware tooling support, but you lose the full transparency OLMo provides since Meta does not release its exact pretraining data mix or checkpoints.

MistralOn Stork

Offers highly optimized base and mixture-of-experts (MoE) architectures tailored for high inference throughput and low memory footprints.

Mistral models deliver superior reasoning and instruction-following efficiency out of the box, but their pretraining data, training code, and intermediate checkpoints are closed, making them unsuitable if your goal is open science and pretraining research.

BLOOM↗

Trained collaboratively by BigScience across 46 natural languages and 13 programming languages with fully documented open datasets.

BLOOM offers wider multilingual coverage and documented data lineage, but its parameter architectures are computationally heavier to run locally and trail OLMo's architecture in standard English benchmark efficiency.

Más en Stork