Μοντέλα και πλατφόρμες AI
Η OVHcloud παρουσιάζει το Olala Mini 7A1B, το πρώτο της μοντέλο μεγάλου γλωσσικού μοντέλου ανοιχτού κώδικα

Βασικά σημείαΗ OVHcloud εκπαίδευσε το συμπαγές μοντέλο της εξ ολοκλήρου σε ευρωπαϊκούς δημόσιους…
Δείτε περισσότερα
- Η OVHcloud εκπαίδευσε το συμπαγές μοντέλο της εξ ολοκλήρου σε ευρωπαϊκούς δημόσιους υπερυπολογιστές αντί να βασίζεται σε εξωτερικά εργαστήρια.
- Η Qwant υιοθέτησε το μοντέλο για άμεσες απαντήσεις και ανέφερε ταχύτερες αποκρίσεις με σημαντικά χαμηλότερο κόστος λειτουργίας.
- Ο οδικός χάρτης κατευθύνεται προς μεγαλύτερα εξειδικευμένα μοντέλα για πρακτορικές επιχειρηματικές λειτουργίες AI στο cloud και για την κυβερνοασφάλεια.
Στις 17 Νοεμβρίου 2026, η OVHcloud ανακοίνωσε το Olala, την πρώτη οικογένεια μεγάλων γλωσσικών μοντέλων της, ξεκινώντας με το συμπαγές Olala mini 7A1B. Η εταιρεία αναφέρει ότι το μοντέλο μπορεί να εκτελεστεί σε GPU με μνήμη μόλις 8 GB και σχεδιάζει να το διαθέσει ως λογισμικό ανοιχτού κώδικα στο Hugging Face, με άδεια Apache 2.0.
Η επίσημη παρουσίαση της κυκλοφορίας έχει προγραμματιστεί για τη Σύνοδο Κορυφής AI της OVHcloud στις 19 Νοεμβρίου 2026. Το πακέτο της έκδοσης περιλαμβάνει τα βάρη του μοντέλου, ένα προεκπαιδευμένο βασικό μοντέλο και τεκμηρίωση συμμόρφωσης με την Πράξη για την Τεχνητή Νοημοσύνη, τη νομοθεσία της Ευρωπαϊκής Ένωσης για την τεχνητή νοημοσύνη.
Υβριδική προσοχή και χαμηλότερες απαιτήσεις υλικού
Το Olala mini έχει αρχιτεκτονική 7 δισεκατομμυρίων παραμέτρων, αλλά σε κάθε αίτημα ενεργοποιούνται μόνο 1 δισεκατομμύριο παράμετροι. Αυτές οι ενεργές παράμετροι κατανέμονται σε 256 ειδικούς ανά επίπεδο, επομένως κάθε αίτημα χρησιμοποιεί ένα μέρος του μοντέλου και όχι ολόκληρο το δίκτυο. Ο σχεδιασμός υβριδικής προσοχής συνδυάζει τα Differential-TPA και Mamba-3 και χρησιμοποιεί τη μορφή BF16.
Αυτή η δομή αποσκοπεί στην αύξηση της ταχύτητας και στη μείωση των απαιτήσεων μνήμης. Η OVHcloud αναφέρει ρυθμό επεξεργασίας 160 token ανά δευτερόλεπτο σε RTX A4500 και 50 token ανά δευτερόλεπτο σε τυπικό επεξεργαστή χωρίς GPU. Το τρέχον παράθυρο συμφραζομένων του —η ποσότητα κειμένου, μετρημένη σε token, που μπορεί να επεξεργαστεί το μοντέλο σε μία ακολουθία— είναι 32.000 token.
Ευρωπαϊκή υποδομή εκπαίδευσης και υιοθέτηση από την Qwant
Το Olala mini εκπαιδεύτηκε εξαρχής σε τρεις ευρωπαϊκούς δημόσιους υπερυπολογιστές: τους Jupiter, MeluXina και Jean Zay. Η υποδομή εκπαίδευσης περιλάμβανε GPU GH200, A100 και H100. Η OVHcloud χαρακτηρίζει καθοριστική τη δημόσια στήριξη του έργου, η οποία αντιστοιχεί σε 7 εκατομμύρια ευρώ σε ώρες υπολογιστικής ισχύος.
Η πρωτοβουλία συγκρότησε επίσης την ομάδα τεχνητής νοημοσύνης της εταιρείας και οδήγησε στη δημιουργία του Agentic Lab, OVHai LLM. Έτσι, το έργο αποκτά οργανωτικό ρόλο πέρα από το πρώτο μοντέλο: η OVHcloud έχει δημιουργήσει μια ειδική ομάδα για να συνεχίσει την ανάπτυξη της οικογένειας μοντέλων, αντί να αντιμετωπίσει το Olala mini ως μεμονωμένο εγχείρημα εκπαίδευσης.
Η Qwant έχει ήδη υιοθετήσει το Olala mini για τη λειτουργία άμεσων απαντήσεων. Η OVHcloud αναφέρει ότι οι απαντήσεις είναι κατά 20% ταχύτερες και ότι το λειτουργικό κόστος έχει μειωθεί στο ένα τρίτο σε σύγκριση με το μοντέλο που χρησιμοποιούσε προηγουμένως η Qwant, προσφέροντας ένα πρώιμο επιχειρησιακό παράδειγμα των οικονομικών της ανάπτυξης που επιδιώκει η εταιρεία.
Ο οδικός χάρτης επεκτείνεται σε Workspace, DevOps και ασφάλεια
Ο οδικός χάρτης της OVHcloud προβλέπει την έκδοση 1.1 έως το τέλος του 2026, με επέκταση του παραθύρου συμφραζομένων στα 128.000 token και βελτίωση της μαθηματικής συλλογιστικής. Η έκδοση 2.0 σχεδιάζεται να ξεπεράσει τα 100 δισεκατομμύρια παραμέτρους, ενώ η OVHai LLM θα αναπτύσσει μοντέλα εξειδικευμένα στην τεχνητή νοημοσύνη με πράκτορες για επιχειρήσεις, στο cloud DevOps και στην κυβερνοασφάλεια, συμπεριλαμβανομένων αμυντικών και επιθετικών χρήσεων.
Οι επόμενες εκδόσεις προορίζονται να ενσωματώσουν την οικογένεια μοντέλων στα προϊόντα και στα επιχειρησιακά εργαλεία της OVHcloud. Αναμένεται τελικά το Olala να τροφοδοτεί το OVHai Workspace, του οποίου η κρυπτογραφημένη έκδοση θα απαιτεί μοντέλα που μπορούν να εκτελούνται τοπικά σε σταθμό εργασίας. Οι εργασίες DevOps περιλαμβάνουν εκδόσεις για προγραμματιστές, αρχιτέκτονες και ομάδες λειτουργιών που είναι υπεύθυνες για την αδιάλειπτη λειτουργία των υπηρεσιών όλο το εικοσιτετράωρο.
Ο διευθύνων σύμβουλος Octave Klaba δήλωσε ότι η OVHcloud πρέπει να δημιουργεί μοντέλα τόσο για τις δικές της εσωτερικές απαιτήσεις όσο και για τις ανάγκες των πελατών. «Δεν μπορούμε απλώς να βασιζόμαστε στη γενναιοδωρία ορισμένων εργαστηρίων, ώστε να διαθέτουν τα LLM τους ως λογισμικό ανοιχτού κώδικα τα επόμενα χρόνια», είπε. Ο Klaba ανέφερε ότι η τεχνογνωσία στην εκπαίδευση μοντέλων είναι πλέον ευρέως προσβάσιμη και ότι το κόστος έχει μειωθεί κατά 20 φορές μέσα σε τρία χρόνια, παρουσιάζοντας αυτές τις αλλαγές ως δρόμο προς την κερδοφόρα ανάπτυξη μοντέλων.
Το Olala προσφέρει, επομένως, στην OVHcloud τόσο ένα συμπαγές μοντέλο όσο και μια εσωτερική πορεία ανάπτυξης. Το βασικό ερώτημα είναι αν η OVHai LLM μπορεί να μεταφέρει τα κέρδη αποδοτικότητας και ανάπτυξης που αναφέρθηκαν για αυτό το πρώτο μοντέλο στην έκδοση με το μεγαλύτερο παράθυρο συμφραζομένων και στα πολύ μεγαλύτερα, εξειδικευμένα συστήματα που περιγράφονται στον οδικό της χάρτη.












