Ferramenta de IA

Análise do OLMo

OLMo é uma família de modelos de linguagem abertos desenvolvida pelo Allen Institute for AI (AI2), com modelos exclusivamente de texto e artefatos de pesquisa acessíveis publicamente.

shipped 29 de out. de 2026freemium

Domain rating80

Por que importa

1Variantes de modelo listadas: OLMo 3 7B-Instruct, 7B-Think, 32B-Instruct, 32B-Think e OLMo 2 13B.

2A janela de contexto listada é de 65.536 tokens.

3A AI2 descreve o acesso à arquitetura do modelo, aos dados de treinamento e aos artefatos de pré-treinamento e pós-treinamento.

4As integrações mencionadas incluem Hugging Face, GitHub e Discord.

Sobre o OLMo

Modelo de negócio

Open Source

Sede

Seattle, USA

Tamanho da equipe

200-300

Plataformas

Web, API

Público-alvo

Researchers and developers in AI

Liderança

Oren EtzioniCEOLinkedIn

API Docs GitHubOpen Source

overview

O que é OLMo?

OLMo é uma família de modelos de linguagem abertos desenvolvida pelo Allen Institute for AI (AI2), que permite a pesquisadores e desenvolvedores de IA estudar, experimentar e usar modelos de linguagem. A AI2 fornece acesso à arquitetura do modelo, aos dados de treinamento e a artefatos que abrangem etapas desde o pré-treinamento até o pós-treinamento. Os modelos listados são exclusivamente de texto; as variantes mencionadas incluem OLMo 3 7B-Instruct, 7B-Think, 32B-Instruct, 32B-Think e OLMo 2 13B.

features

Principais recursos do OLMo

A AI2 apresenta o OLMo como um projeto de modelo aberto para pesquisa e experimentação ao longo do ciclo de vida do modelo. Os recursos e especificações listados incluem:

Acesso à arquitetura do modelo, aos dados de treinamento e aos artefatos de pesquisa.
Variantes de modelo: OLMo 3 7B-Instruct, OLMo 3 7B-Think, OLMo 3 32B-Instruct, OLMo 3 32B-Think e OLMo 2 13B.
Abrangência do desenvolvimento do modelo, do pré-treinamento ao pós-treinamento.
Uma arquitetura baseada em Ray para treinamento escalável de modelos, conforme descrito nas informações de produto fornecidas.
Modalidade exclusivamente de texto.
Suporte a function calling segundo padrões abertos, conforme indicado nos dados de recursos fornecidos.
Janela de contexto listada de 65.536 tokens.
Integrações mencionadas nos dados fornecidos: Hugging Face, GitHub e Discord.

use cases

Quem deve usar o OLMo?

A AI2 identifica pesquisadores e desenvolvedores como seu público e descreve usos relacionados à pesquisa e à experimentação com modelos. Os casos de uso fornecidos incluem:

Pesquisadores de IA que estudam a dinâmica de aprendizado em grandes modelos de linguagem.
Desenvolvedores que experimentam com a arquitetura, o treinamento ou os artefatos de pós-treinamento de modelos de linguagem.
Pesquisadores que investigam o machine unlearning.
Equipes que exploram aplicações clínicas de processamento de linguagem natural.

how to use

Como usar o OLMo

Comece pela documentação dos modelos OLMo da AI2 e selecione uma variante de modelo adequada à tarefa de pesquisa ou desenvolvimento. Os materiais fornecidos listam Hugging Face e GitHub entre as integrações do OLMo.

1Acesse a documentação do OLMo em https://docs.allenai.org/models/olmo.
2Confira as variantes de modelo disponíveis e escolha um modelo Instruct, Think ou OLMo 2, conforme apropriado.
3Use o modelo e os artefatos de pesquisa disponíveis para experimentação; consulte a documentação para obter detalhes sobre acesso e execução.
4Conecte-se pelas integrações mencionadas do Hugging Face ou GitHub, quando aplicável.
5Antes da implantação, consulte a documentação do modelo pertinente para verificar os limites de contexto e o comportamento de function calling compatível.

pricing

Preços e planos do OLMo

As informações fornecidas descrevem o OLMo como código aberto e indicam um plano gratuito, mas não apresentam preços específicos, nomes de planos pagos nem tarifas de uso comercial. Portanto, não é possível informar um preço concreto com base nos dados de produto disponíveis.

Acesso a modelos de código aberto: listado; preço específico não informado.
Plano gratuito: indicado nos metadados fornecidos; recursos incluídos e termos não especificados.
Planos pagos ou cobranças por uso: não foram fornecidos preços nem detalhes dos planos.

Gostando do artigo? Receba um assim na sua caixa de entrada toda manhã.

um e-mail por dia · cancele em dois cliques · sem rastreadores de terceiros

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.

Ferramentas similares

OLMo vs. concorrentes

A distinção declarada do OLMo é o acesso à arquitetura do modelo, aos dados de treinamento e aos artefatos ao longo do desenvolvimento do modelo. As descrições fornecidas dos concorrentes enfatizam prioridades diferentes, incluindo disponibilidade de checkpoints, ecossistema, eficiência de inferência e cobertura multilíngue.

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.

Mais no Stork