在"完全开源"大模型这条赛道上，有两个项目几乎总是被同时提起：OLMo（Allen Institute for AI，美国）和 LLM360（MBZUAI，阿联酋）。它们都主张把训练数据、代码、权重甚至中间 checkpoint 全部公开，但代际、规模、性能和迭代节奏差异不小。这篇文章把两者摆在一起做个梳理，方便后来者快速建立全景认识。
TL;DR
| 维度 | OLMo 系列 | LLM360 |
|---|---|---|
| 主导单位 | Allen Institute for AI (AI2)，美国非营利 | MBZUAI（+ Petuum + Cerebras），阿联酋学术 |
| 代表人物 | Dirk Groeneveld、Matt Gardner 等 | 邢波（Eric Xing）——MBZUAI 校长 / Petuum 创始人 |
| 最新版本 | OLMo 3 / 3.1（2025-11/12） | K2-V2（2026 初，70B 稠密） |
| 规模谱系 | 7B / 13B / 32B（+ 多模态 Molmo） | 7B（Amber/CrystalCoder）→ 70B（K2-V2） |
| 性能定位 | 全开源阵营最强，逼近 Qwen 3 同尺寸 | 第一代偏弱，K2-V2 在 70B 量级反追 |
| 透明度 | 全开源（数据 + 代码 + checkpoint） | 全开源，“360°” 口号更彻底 |
一句话：看重 benchmark 性能选 OLMo；看重训练过程可研究性，两者都行，LLM360 的 K2-V2 是单点突破的 70B 旗舰。
OLMo 系列（AI2）
一句话定位
学术界最知名的全开源 LLM 家族，每一代都开放预训练数据、代码、中间 checkpoint。已从 OLMo 1（2024-02）迭代到 OLMo 3（2025-11），并扩展到视觉多模态（Molmo / OLMoVision）。
OLMo 2（7B / 13B，2024-11）
官方定位"迄今最强的全开源模型"，对标 Llama 3.1、Gemma 2、Qwen 2.5 同尺寸开权重模型。核心评测覆盖 11 个学术 benchmark：Average / ARC-C / HellaSwag / WinoGrande / MMLU / DROP / NQ / AGIEval / GSM8k / MMLUPro / TriviaQA。
| Model | Avg | ARC-C | HellaSwag | MMLU | DROP | GSM8k |
|---|---|---|---|---|---|---|
| OLMo-2-1124-7B | 62.9 | 79.8 | 83.8 | 63.7 | 60.8 | 67.5 |
| OLMo-2-1124-13B | 68.3 | 83.5 | 86.4 | 67.5 | 70.7 | 75.1 |
| Llama-3.1-8B | 61.8 | 79.5 | 81.6 | 66.9 | 56.4 | 56.5 |
| Qwen-2.5-7B | 67.4 | 89.5 | 89.7 | 74.4 | 55.8 | 81.5 |
| Gemma-2-9B | 67.8 | 89.5 | 87.3 | 70.6 | 63.0 | 70.1 |
几个关键观察：
- vs Llama-3.1-8B：OLMo-2-7B 平均 62.9 vs 61.8，基本持平甚至略优，但训练 FLOPs 仅为对方的约 1/4——计算效率更高。
- vs Qwen-2.5-7B：落后约 4-5 分（MMLU、ARC-C、GSM8k 上 Qwen 明显更强），但 Qwen 的训练 FLOPs 也约是 OLMo 的 4.5 倍。
- 代际跃迁：相对初代 OLMo-7B，几乎所有 benchmark 翻倍以上（GSM8k 9.2 → 67.5，MMLU 28.3 → 63.7）。
- 短板：MMLUPro（31-35）、NQ（事实问答）偏弱。
OLMo 3 / 3.1（2025-11 / 2025-12）
这是 OLMo 目前最重要的版本跃迁，不再只是"一组权重"，而是把**整个模型流（model flow）**开源——数据、代码、各阶段 checkpoint 全开放，可任意 fork。
四条产品线：
| 路径 | 尺寸 | 定位 |
|---|---|---|
| OLMo 3-Base | 7B / 32B | 基座，全开源阵营最强 base |
| OLMo 3-Think | 7B / 32B | 旗舰推理模型，可查中间推理 trace |
| OLMo 3-Instruct | 7B | 对话 / 工具调用 |
| OLMo 3-RL Zero | 7B | RL 研究起点 |
OLMo 3-Think 32B 核心评测：
| Benchmark | OLMo 3-Think 32B | Qwen 3 32B | DeepSeek R1 Distill 32B |
|---|---|---|---|
| MATH | 96.1 | 95.4 | 92.6 |
| AIME 2024 | 76.8 | 80.8 | 70.3 |
| AIME 2025 | 72.5 | 70.9 | 56.3 |
| MMLU-Pro | 75.9 | — | — |
| GPQA (Diamond) | 61.0 | 67.3 | 61.8 |
| IFEval | 89.0 | 86.5 | 78.7 |
| HumanEvalPlus | 91.4 | 91.2 | 92.3 |
OLMo 3-Think 7B：MATH 94.4 追平 Qwen 3 8B，AIME 2024/2025 仅差几分；Instruct 7B 在 Safety（87.3）上反超 Qwen 3 8B（78.0）。
2025-12-12 的 3.1 更新：把 32B Think 的 RL 训练额外延长 21 天，AIME +5、IFEval +4、IFBench +20，并发布首个大尺寸 Instruct（32B）。
OLMo Hybrid（2026-03，架构研究分支）
注意这不是 OLMo 4（OLMo 4 目前未官宣）。它是一个受控对比实验：把 OLMo 3 7B 配方当作控制组，只换架构（transformer 层 → 混合 SSM/attention，Mamba 风格），其余数据/代码/超参全部保持一致。
| 指标 | 结果 |
|---|---|
| 数据效率 | 约 2 倍——用 49% 更少 token 达到与 OLMo 3 相同精度 |
| 计算等价 | 1.25× |
| 定位 | 架构研究，非产品线 |
它首次把混合 SSM 架构纳入主流开源 LLM 路线，证明混合架构在 scaling 上确实比纯 Transformer 更高效，和 NVIDIA Nemotron-3、Jamba 等一起标志"混合架构从论文走向工业"。
LLM360（MBZUAI + Petuum + Cerebras）
主导单位与定位
LLM360 是三家机构联合发起的开放研究项目：
| 机构 | 角色 |
|---|---|
| MBZUAI（Mohamed bin Zayed University of AI） | 主导单位，阿联酋阿布扎比，全球第一所研究生级 AI 大学。K2 系列由其基础模型研究所（IFM）开发 |
| Petuum, Inc. | 联合发起，AI 创业公司，由邢波创立 |
| Cerebras Systems | 算力/硬件支持（晶圆级芯片） |
核心人物是邢波（Eric Xing）：MBZUAI 校长、Petuum 创始人、CMU 教授。LLM360 与 OLMo 形成了东西方两大学术开源阵营的对照。
⚠️ 重要澄清：搜索时高频出现的"K2 万亿参数、SWE-Bench 65.8%“指的是 Moonshot AI 的 Kimi K2（商业开源权重 MoE，总参 1T），不是 LLM360 的产品。两者只是同名。
第一代：Amber & CrystalCoder（均为 7B，2023-12）
| 模型 | 强项 | 表现 |
|---|---|---|
| Amber-7B（通用基座） | MMLU 相对有竞争力 | ARC 明显落后同期模型；MT-Bench 仅 2.49（弱） |
| AmberChat / AmberSafe | 对话/安全微调 | MT-Bench 4.95 / 4.97 |
| CrystalCoder-7B | 代码 | MMLU / HumanEval / MBPP 上明显优于 Amber，代码任务是亮点 |
坦率说，第一代 LLM360 的绝对水平在 7B 量级里偏弱——主要价值是"透明度"而非"性能”。
新一代：K2-V2（2026 初，70B 稠密）
这是 LLM360 自 2024 年以来最重要的一次更新：
| 项目 | 内容 |
|---|---|
| 发布时间 | 2026 初（纪念 LLM360 两周年） |
| 参数量 | ~65–70B（稠密模型） |
| 许可 | Apache 2.0（全球免费商用） |
| 定位 | “360-open” 全透明 LLM，主打推理增强的基座 |
关键 benchmark（mid-4 checkpoint）：
| Benchmark | K2-V2 (mid-4) |
|---|---|
| GPQA-Diamond | 55.1 |
| GSM8K | 93.6 |
| MATH | 94.7 |
配套还有 K2 Think V2（基于 K2-V2 端到端构建的推理系统，被定位为"阿联酋首个完全自主的推理系统"，合作方含 G42 与 Cerebras）。
⚠️ 务必注意：K2-V2 的 GPQA-Diamond 55.1 / MATH 94.7 等分数（mid-4 checkpoint），与 OLMo 3-Think 32B 不可直接横比——评测设置、checkpoint 阶段、是否开推理模式都有差异，引用时以各自技术报告为准。
横向对比：怎么选
| 你想要 | 推荐 |
|---|---|
| 全开源阵营里最强基座 + 推理模型 | OLMo 3-Think 32B |
| 同等计算下高效率的 7B | OLMo 3-Think 7B |
| 一个单点突破的 70B 全透明研究旗舰 | LLM360 K2-V2 |
| 纯代码任务且要小模型 | OLMo 3 系列整体更强（HumanEvalPlus 91.4 居首；第一代 CrystalCoder 已过时） |
| 研究训练流程本身 / 做 RL 实验 | 两者都开放 checkpoint；OLMo 3-Think 32B 官方定位为"RL 研究工作马" |
| 只要绝对最高分 | 选别的——Qwen 3 / DeepSeek 等 open-weights 更强 |
我的判断
这两个项目都是开源科学精神的标杆，但工程投入和迭代节奏差异明显：
- OLMo 的代际进步是肉眼可见的。从 1 到 2 到 3，每代都把"全开源阵营的天花板"抬高一大截，3 代已开始追平 Qwen 3。AI2 的节奏更像一个产品团队。
- LLM360 的价值在"全程可研究"。第一代 Amber/CrystalCoder 性能确实偏弱，但 K2-V2 把规模跳到 70B 后有了实质竞争力。它的"360°“口号不是营销——连训练日志都开放，作为复现/教学材料非常宝贵。
- 两者共同的短板是通用知识。MMLU / GPQA 上都打不过最强的 open-weights 模型。全开源（含数据）的代价在此：高质量私有数据没法用。
如果你要做研究复现或教学，OLMo 2/3 + LLM360 K2-V2 是目前最完整的两套公开教材级 LLM 栈。