Model dan platform AI
OVHcloud Memperkenalkan Olala Mini 7A1B sebagai LLM Sumber Terbuka Pertamanya

Poin utamaOVHcloud melatih model ringkasnya sepenuhnya di superkomputer publik Eropa daripada…
Lihat selengkapnya
- OVHcloud melatih model ringkasnya sepenuhnya di superkomputer publik Eropa daripada bergantung pada laboratorium luar.
- Qwant mengadopsi model tersebut untuk jawaban kilat dan melaporkan respons yang lebih cepat dengan biaya operasional yang jauh lebih rendah.
- Peta jalan tersebut mendorong menuju model khusus yang lebih besar untuk operasi cloud AI bisnis agentik dan keamanan siber.
Pada 17 November 2026, OVHcloud mengumumkan Olala, keluarga model bahasa besar pertamanya, yang diawali dengan Olala mini 7A1B berukuran ringkas. Perusahaan menyatakan bahwa model ini dapat dijalankan pada GPU dengan memori sekecil 8 GB dan berencana menyediakannya sebagai model sumber terbuka di Hugging Face dengan lisensi Apache 2.0.
Presentasi peluncuran resmi dijadwalkan berlangsung dalam OVHcloud AI Summit pada 19 November 2026. Paket rilisnya mencakup bobot model, model dasar yang telah dilatih sebelumnya, dan dokumentasi kepatuhan terhadap Undang-Undang Kecerdasan Buatan, legislasi kecerdasan buatan Uni Eropa.
Mekanisme Atensi Hibrida dan Kebutuhan Perangkat Keras yang Lebih Rendah
Olala mini memiliki arsitektur dengan 7 miliar parameter, tetapi hanya 1 miliar parameter yang aktif untuk setiap permintaan. Parameter aktif tersebut tersebar di antara 256 pakar pada setiap lapisan, sehingga tiap permintaan hanya menggunakan sebagian model, bukan seluruh jaringan. Rancangan atensi hibridanya menggabungkan Differential-TPA dan Mamba-3 serta menggunakan format BF16.
Struktur tersebut dirancang untuk meningkatkan kecepatan dan mengurangi kebutuhan memori. OVHcloud melaporkan kecepatan pemrosesan 160 token per detik pada RTX A4500 dan 50 token per detik pada prosesor standar tanpa GPU. Jendela konteksnya saat ini—jumlah teks, yang diukur dalam token, yang dapat diproses model dalam satu rangkaian—adalah 32.000 token.
Infrastruktur Pelatihan Eropa dan Penerapan di Qwant
Olala mini dilatih dari awal menggunakan tiga superkomputer publik di Eropa: Jupiter, MeluXina, dan Jean Zay. Infrastruktur pelatihannya mencakup GPU GH200, A100, dan H100. OVHcloud menyebut dukungan publik di balik proyek ini, yang setara dengan €7 juta dalam jam komputasi, sebagai faktor penentu.
Inisiatif ini juga menyatukan tim AI perusahaan dan melahirkan Agentic Lab, OVHai LLM. Hal itu memberi proyek ini peran organisasi yang melampaui model pertamanya: OVHcloud telah membentuk kelompok khusus untuk terus mengembangkan keluarga model tersebut, alih-alih memperlakukan Olala mini sebagai proyek pelatihan sekali saja.
Qwant telah mengadopsi Olala mini untuk fitur jawaban kilatnya. OVHcloud melaporkan bahwa jawaban dihasilkan 20% lebih cepat dan biaya operasionalnya menjadi sepertiga dibandingkan dengan model yang sebelumnya digunakan Qwant. Ini menjadi contoh awal dalam penerapan nyata mengenai ekonomi penerapan yang tengah diupayakan perusahaan.
Peta Jalan Mencakup Workspace, DevOps, dan Keamanan
Peta jalan OVHcloud mencakup peluncuran versi 1.1 pada akhir 2026, dengan perluasan jendela konteks menjadi 128.000 token dan peningkatan kemampuan penalaran matematis. Versi 2.0 direncanakan memiliki lebih dari 100 miliar parameter. OVHai LLM akan mengembangkan model yang dikhususkan untuk AI agentik di bidang bisnis, DevOps cloud, dan keamanan siber, termasuk penggunaan defensif maupun ofensif.
Versi-versi berikutnya dirancang untuk menghadirkan keluarga model ini ke dalam produk dan perangkat operasional OVHcloud. Pada akhirnya, Olala diharapkan menjadi tenaga penggerak OVHai Workspace; versi terenkripsinya akan membutuhkan model yang dapat dijalankan secara lokal di stasiun kerja. Pekerjaan DevOps mencakup versi untuk pengembang, arsitek, dan tim operasi yang bertanggung jawab menjaga kesinambungan layanan sepanjang waktu.
CEO Octave Klaba mengatakan bahwa OVHcloud perlu membuat model untuk memenuhi kebutuhan internalnya sendiri maupun kebutuhan pelanggan. “Kita tidak bisa begitu saja mengandalkan kemurahan hati sejumlah laboratorium untuk membagikan LLM mereka sebagai sumber terbuka pada tahun-tahun mendatang,” ujarnya. Klaba mengatakan bahwa keahlian pelatihan kini telah dapat diakses secara luas dan biaya telah turun 20 kali lipat dalam tiga tahun. Ia menyebut perubahan tersebut sebagai jalan menuju pengembangan model yang menguntungkan.
Dengan demikian, Olala memberi OVHcloud model ringkas sekaligus jalur pengembangan internal. Pertanyaan utamanya adalah apakah OVHai LLM dapat menghadirkan efisiensi dan peningkatan penerapan yang dilaporkan pada model pertama ini ke rilis dengan konteks yang lebih luas serta sistem khusus berukuran jauh lebih besar yang tercantum dalam peta jalannya.












