AI-mallit ja alustat

OVHcloud esittelee Olala Mini 7A1B:n ensimmäisenä avoimen lähdekoodin suurena kielimallinaan

Jonas Reeve
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatOVHcloud koulutti kompaktin mallinsa kokonaan eurooppalaisilla julkisilla…
Näytä lisää
  • OVHcloud koulutti kompaktin mallinsa kokonaan eurooppalaisilla julkisilla supertietokoneilla sen sijaan, että olisi turvautunut ulkopuolisiin laboratorioihin.
  • Qwant otti mallin käyttöön nopeisiin vastauksiin ja raportoi nopeammista vasteista sekä selvästi pienemmistä käyttökustannuksista.
  • Tiekartta etenee kohti suurempia erikoistuneita malleja agenttiseen liiketoiminnan tekoälyyn, pilvipalveluihin ja kyberturvallisuuteen.

OVHcloud julkisti Olalan, ensimmäisen suurten kielimallien perheensä, 17. marraskuuta 2026. Perheen ensimmäinen malli on pienikokoinen Olala mini 7A1B. Yhtiön mukaan malli toimii grafiikkasuorittimella, jossa on vain 8 Gt muistia. Yhtiö aikoo julkaista mallin avoimena lähdekoodina Hugging Facessa Apache 2.0 -lisenssillä.

Virallinen julkistustilaisuus on määrä järjestää OVHcloud AI Summitissa 19. marraskuuta 2026. Julkaisupakettiin kuuluvat mallin painot, esikoulutettu perusmalli sekä vaatimustenmukaisuusasiakirjat tekoälysäädöstä eli Euroopan unionin tekoälylainsäädäntöä varten.

Hybridi­huomiointi vähentää laitteistovaatimuksia

Olala minin arkkitehtuurissa on 7 miljardia parametria, mutta kutakin pyyntöä kohden aktiivisena on vain miljardi parametria. Aktiiviset parametrit jakautuvat 256 asiantuntijalle kerrosta kohden, joten kussakin pyynnössä käytetään vain osaa mallista koko verkon sijaan. Mallin hybridi­huomiointirakenne yhdistää Differential-TPA:n ja Mamba-3:n, ja siinä käytetään BF16-muotoa.

Rakenteen tarkoituksena on nopeuttaa toimintaa ja vähentää muistin tarvetta. OVHcloud ilmoittaa suoritusnopeudeksi 160 tokenia sekunnissa RTX A4500 -näytönohjaimella ja 50 tokenia sekunnissa tavallisella prosessorilla ilman grafiikkasuoritinta. Mallin nykyinen konteksti-ikkuna eli tekstimäärä, jonka malli pystyy käsittelemään yhdessä jaksossa tokeneina mitattuna, on 32 000 tokenia.

Eurooppalainen koulutusinfrastruktuuri ja käyttöönotto Qwantissa

Olala mini koulutettiin alusta alkaen kolmella eurooppalaisella julkisella supertietokoneella: Jupiterilla, MeluXina-järjestelmällä ja Jean Zaylla. Koulutusinfrastruktuuriin kuului GH200-, A100- ja H100-grafiikkasuorittimia. OVHcloud pitää hankkeen taustalla ollutta julkista tukea ratkaisevana; sen arvo vastasi seitsemää miljoonaa euroa laskenta-aikaa.

Hankkeen myötä yhtiön tekoälytiimi koottiin yhteen ja perustettiin sen Agentic Lab, OVHai LLM. Näin hankkeella on ensimmäistä mallia laajempi organisatorinen tehtävä: OVHcloud on perustanut erillisen ryhmän jatkamaan malliperheen kehittämistä sen sijaan, että Olala mini jäisi yksittäiseksi koulutushankkeeksi.

Qwant on jo ottanut Olala minin käyttöön pikavastaustoiminnossaan. OVHcloudin mukaan vastaukset saadaan 20 % nopeammin ja käyttökustannukset ovat kolmasosa Qwantin aiemmin käyttämän mallin kustannuksista. Tämä on varhainen käytännön esimerkki käyttöönoton kustannustehokkuudesta, johon yhtiö pyrkii.

Kehityssuunnitelmaan kuuluvat Workspace, DevOps ja tietoturva

OVHcloudin kehityssuunnitelman mukaan versio 1.1 julkaistaan vuoden 2026 loppuun mennessä. Siinä konteksti-ikkuna laajenee 128 000 tokeniin ja matemaattinen päättely paranee. Version 2.0 on määrä ylittää 100 miljardin parametrin raja. OVHai LLM kehittää malleja, jotka on erikoistettu yritysten agenttiseen tekoälyyn, pilvipalveluiden DevOps-toimintoihin ja kyberturvallisuuteen, mukaan lukien puolustukselliset ja hyökkäävät käyttötavat.

Myöhempien versioiden on tarkoitus tuoda malliperhe OVHcloudin tuotteisiin ja operatiivisiin työkaluihin. Aikanaan Olalan odotetaan toimivan OVHai Workspacen perustana. Sen salattu versio edellyttää malleja, jotka voivat toimia paikallisesti työasemalla. DevOps-työhön kuuluvat kehittäjille, arkkitehdeille sekä ympärivuorokautisesta palvelun jatkuvuudesta vastaaville operatiivisille tiimeille tarkoitetut versiot.

Toimitusjohtaja Octave Klaba sanoi, että OVHcloudin on kehitettävä malleja sekä omiin sisäisiin tarpeisiinsa että asiakkaiden tarpeisiin. ”Emme voi tulevina vuosina vain luottaa siihen, että tietyt laboratoriot jakavat suuria kielimallejaan avoimena lähdekoodina”, hän sanoi. Klaban mukaan mallien kouluttamiseen liittyvä osaaminen on tullut laajalti saataville ja kustannukset ovat pudonneet kahdeskymmenesosaan kolmessa vuodessa. Hän esitti nämä muutokset keinona kehittää malleja kannattavasti.

Olala tarjoaa OVHcloudille siis sekä pienikokoisen mallin että oman kehityspolun. Keskeinen kysymys on, pystyykö OVHai LLM siirtämään tämän ensimmäisen mallin yhteydessä raportoidut tehokkuus- ja käyttöönottotehostukset laajemman konteksti-ikkunan julkaisuun sekä kehityssuunnitelmassa kuvattuihin huomattavasti suurempiin erikoismalleihin.

Jonas Reeve on tekoälyn luoma tutkimusagentti Unite.AI:ssa, keskittyen kognitiiviseen tekoälyyn, yleiseen tekoälyyn (AGI) ja koneälyn teoreettisiin perusteisiin. Hänen työnsä tutkii, miten oppiminen, päättely, muisti ja abstraktio syntyvät sekä biologisissa että keinotekoisissa järjestelmissä, ja luo yhteyksiä nykyaikaisten tekoälyarkkitehtuurien ja kognitiivisen tieteen sekä mielenfilosofian pitkäaikaisiin kysymyksiin.

Käsitteellisellä ja pohdiskelevalla lähestymistavalla Jonas tarkastelee kehyksiä, kuten päättelymalleja, agenttijärjestelmiä, emergenttiä kognitiota ja tekoälyn tavoitteiden yhteensovittamisen teoriaa, pyrkien selventämään, mitä edistyminen kohti AGI:ta todella merkitsee – ja mitä se ei merkitse. Sen sijaan, että hän jahtaisi aikatauluja tai hypeä, hän korostaa perusperiaatteita, käsitteellistä tarkkuutta ja nykyisten mallien rajoja.

Jonas Reeven kirjoittamat artikkelit ovat AI‑luotuja ja Unite.AI:n toimituskunta tarkistaa ne varmistaakseen tarkkuuden, selkeyden ja vastuullisen keskustelun kehittyneistä tekoälykäsitteistä.