Ikke alle åpne modeller er like åpne

I AI-bransjen brukes «open source» ofte upresist. Noen modeller slipper bare vektene. Andre slipper kode, men ikke treningsdata. Noen tillater kommersiell bruk, men med tunge begrensninger. Resultatet er et landskap der «åpen» kan bety alt fra full etterprøvbarhet til ren markedsføring.

Ai2 prøver å flytte definisjonen med Olmo 3 og oppdateringen Olmo 3.1. Instituttet beskriver ikke bare en modell, men en modellflyt: hele livsløpet fra data og pretrening til post-training, reinforcement learning, checkpoints og evaluering.

Det er viktig fordi reell åpenhet ikke bare handler om å laste ned en fil. Det handler om å kunne forstå hvordan modellen ble til, hvor den kan endres, og hva slags valg som formet oppførselen.

Åpne vekter lar deg kjøre modellen. Åpen modellflyt lar deg forstå og endre den.

Hva Olmo 3.1 legger til

Ai2 lanserte Olmo 3 i november 2025 og oppdaterte senere med Olmo 3.1. Oppdateringen inkluderer blant annet Olmo 3.1 Think 32B og Olmo 3.1 Instruct 32B.

Ifølge Ai2 bygger Think-varianten på en forlenget reinforcement learning-kjøring, med tydelige forbedringer på oppgaver som AIME, ZebraLogic, IFEval og IFBench. Instruct-varianten er rettet mot chat, tool use og flerstegs dialog.

Poenget er ikke at Olmo plutselig slår alle lukkede modeller. Poenget er at utviklingsprosessen er mer synlig enn hos de fleste konkurrenter.

32B
største Olmo 3.1-varianter
21 dager
ekstra RL-kjøring
224
GPU-er brukt i oppdateringen
Olmo 3.1 viser hva «ekte åpen AI» faktisk krever - Bilde 1

Hvorfor dette er forskning, ikke bare produkt

Olmo-serien er spesielt interessant for universiteter, offentlige miljøer og forskningsnære selskaper. Når data, kode og checkpoints er tilgjengelige, kan andre miljøer undersøke hvordan bestemte egenskaper oppstår.

Det betyr mer enn benchmarking. Hvis en modell gjør feil i juridisk språk, norsk fagterminologi eller medisinsk tekst, er det verdifullt å vite om problemet kommer fra data, tokenizer, pretrening, instruksjonstuning eller evaluering.

Lukkede modeller gir vanligvis bare sluttresultatet. Olmo prøver å gi mer av årsakskjeden.

Relevans for Norge

Norge har sterke forskningsmiljøer, men begrenset tilgang på frontier-scale compute sammenlignet med USA og Kina. Derfor er fullt åpne modeller viktige. De gjør det mulig å bygge videre på internasjonal forskning uten å starte fra null.

For norske språkmodeller, offentlig sektor og domene-AI kan Olmo-tilnærmingen være mer relevant enn rene leaderboard-vinnere. En modell som kan tilpasses transparent, dokumenteres godt og evalueres lokalt, kan være bedre egnet for sensitive eller regulerte områder.

Det gjelder særlig for språk, juss, helse og offentlig forvaltning, der tillit og sporbarhet betyr mer enn rå demo-effekt.

Open weights er ikke nok

Bransjen har lenge feiret «open weights» som en seier. Det er det også. Men åpne vekter uten treningsdata og oppskrift gir begrenset innsyn. Du kan kjøre modellen, men du vet lite om hvorfor den svarer som den gjør.

Ai2s argument er at open source-AI bør være mer som vitenskap: reproduserbar, etterprøvbar og mulig å bygge videre på.

Det setter press på andre aktører. Hvis en modell markedsføres som åpen, men ikke gir innsikt i data eller trening, bør brukere spørre: Åpen for hvem, og til hvilket formål?

Den neste open source-kampen handler ikke bare om lisens. Den handler om sporbarhet.

Begrensningene

Olmo 3.1 er fortsatt ikke et magisk svar på alle behov. Å kjøre og tilpasse 32B-modeller krever kompetanse og infrastruktur. Full åpenhet kan også gjøre systemet mer komplekst å forstå for vanlige produktteam.

Dessuten er «fully open» ikke det samme som risikofritt. Modeller kan fortsatt hallusinere, kode feil, gjengi skjevheter eller brukes misvisende. Åpenhet gir bedre mulighet til å finne og rette problemer, men ikke garanti for at problemene er borte.

Konklusjon

Olmo 3.1 er en av de viktigste open source-lanseringene fordi den løfter spørsmålet fra «kan jeg laste ned vektene?» til «kan jeg forstå modellen?».

For Norge er det en nyttig påminnelse. Hvis vi vil bygge AI som kan brukes i offentlig sektor, forskning og regulerte bransjer, holder det ikke å velge den modellen som ser best ut i en demo. Vi trenger modeller som kan undersøkes, dokumenteres og tilpasses med åpen metode.

Olmo 3.1 viser hvordan det kan se ut.