AI-modeller og platforme
OVHcloud lancerer Olala Mini 7A1B som sin første open source-storsprogmodel

NøglepunkterOVHcloud trænede sin kompakte model udelukkende på europæiske offentlige supercomputere…
Vis mere
- OVHcloud trænede sin kompakte model udelukkende på europæiske offentlige supercomputere i stedet for at være afhængig af eksterne laboratorier.
- Qwant adopterede modellen til lynhurtige svar og rapporterede hurtigere svartider med markant lavere driftsomkostninger.
- Køreplanen peger mod større specialiserede modeller til agentbaseret forretnings-AI, clouddrift og cybersikkerhed.
OVHcloud annoncerede Olala, sin første familie af store sprogmodeller, den 17. november 2026. Først kommer den kompakte Olala mini 7A1B. Ifølge virksomheden kan modellen køre på en GPU med blot 8 GB hukommelse, og planen er at udgive den som open source på Hugging Face under Apache 2.0-licensen.
En officiel præsentation af lanceringen er planlagt til OVHcloud AI Summit den 19. november 2026. Udgivelsespakken omfatter modelvægte, en forudtrænet grundmodel og dokumentation for overholdelse af AI-forordningen, Den Europæiske Unions lovgivning om kunstig intelligens.
Hybrid opmærksomhedsmekanisme og lavere hardwarekrav
Olala mini har en arkitektur med 7 milliarder parametre, men kun 1 milliard parametre er aktive for hver forespørgsel. De aktive parametre er fordelt på 256 eksperter pr. lag, så hver forespørgsel bruger en del af modellen frem for hele netværket. Modellens hybride opmærksomhedsmekanisme kombinerer Differential-TPA og Mamba-3 og anvender BF16-formatet.
Denne struktur skal øge hastigheden og mindske hukommelsesbehovet. OVHcloud oplyser, at gennemløbet er 160 tokens i sekundet på en RTX A4500 og 50 tokens i sekundet på en standardprocessor uden GPU. Modellens nuværende kontekstvindue – den mængde tekst, målt i tokens, som modellen kan behandle i én sekvens – er 32.000 tokens.
Europæisk træningsinfrastruktur og implementering hos Qwant
Olala mini blev trænet fra bunden på tre europæiske offentlige supercomputere: Jupiter, MeluXina og Jean Zay. Træningsinfrastrukturen omfattede GH200-, A100- og H100-GPU’er. OVHcloud beskriver den offentlige støtte til projektet, svarende til 7 millioner euro i beregningstimer, som afgørende.
Initiativet samlede også virksomhedens AI-team og førte til oprettelsen af virksomhedens Agentic Lab, OVHai LLM. Det giver projektet en organisatorisk rolle, der rækker ud over den første model: OVHcloud har etableret en dedikeret gruppe, som skal fortsætte udviklingen af modelserien, frem for at behandle Olala mini som et enkeltstående træningsprojekt.
Qwant har allerede taget Olala mini i brug til sin funktion til hurtige svar. OVHcloud oplyser, at svarene kommer 20 % hurtigere, og at driftsomkostningerne er en tredjedel af omkostningerne ved den model, Qwant tidligere brugte. Det er et tidligt eksempel fra den faktiske drift på den økonomi ved implementering, som virksomheden sigter efter.
Køreplanen omfatter Workspace, DevOps og sikkerhed
OVHclouds køreplan lægger op til version 1.1 inden udgangen af 2026 med et kontekstvindue på 128.000 tokens og forbedret matematisk ræsonnering. Version 2.0 er planlagt til at overstige 100 milliarder parametre, og OVHai LLM skal udvikle modeller, der er specialiseret i agentisk AI til erhvervsbrug, cloud-DevOps og cybersikkerhed, herunder både defensive og offensive anvendelser.
Senere versioner skal bringe modelserien ind i OVHclouds produkter og driftsværktøjer. Det forventes på sigt, at Olala skal drive OVHai Workspace, hvis krypterede version vil kræve modeller, der kan køre lokalt på en arbejdsstation. DevOps-arbejdet omfatter versioner til udviklere, arkitekter og driftsteams, der har ansvaret for at sikre kontinuerlig drift døgnet rundt.
Administrerende direktør Octave Klaba sagde, at OVHcloud er nødt til at udvikle modeller, der opfylder både virksomhedens egne interne krav og kundernes behov. „Vi kan ikke bare regne med, at visse laboratorier også fremover er så velvillige at dele deres sprogmodeller som open source,“ sagde han. Klaba sagde, at ekspertisen i modeltræning nu er bredt tilgængelig, og at omkostningerne er faldet med en faktor 20 på tre år. Han fremhævede disse ændringer som en vej til rentabel modeludvikling.
Olala giver dermed OVHcloud både en kompakt model og en intern udviklingsmulighed. Det centrale spørgsmål er, om OVHai LLM kan overføre de effektivitets- og implementeringsgevinster, der er rapporteret for den første model, til udgivelsen med et større kontekstvindue og de langt større, specialiserede systemer, der er beskrevet i køreplanen.












