Modelli e piattaforme di IA
OVHcloud presenta Olala Mini 7A1B, il suo primo modello linguistico di grandi dimensioni open source

Punti chiaveOVHcloud ha addestrato il suo modello compatto interamente su supercomputer pubblici…
Vedi di più
- OVHcloud ha addestrato il suo modello compatto interamente su supercomputer pubblici europei invece di affidarsi a laboratori esterni.
- Qwant ha adottato il modello per le risposte rapide e ha riportato risposte più veloci con costi operativi nettamente inferiori.
- La roadmap punta verso modelli specializzati più grandi per l'IA agentica aziendale, le operazioni cloud e la cybersecurity.
Il 17 novembre 2026, OVHcloud ha annunciato Olala, la sua prima famiglia di modelli linguistici di grandi dimensioni, a partire dal compatto Olala mini 7A1B. L’azienda afferma che il modello può funzionare su una GPU con appena 8 GB di memoria e prevede di renderlo disponibile come open source su Hugging Face con licenza Apache 2.0.
La presentazione ufficiale del lancio è prevista per il 19 novembre 2026, in occasione dell’OVHcloud AI Summit. Il pacchetto di rilascio comprende i pesi del modello, un modello di base preaddestrato e la documentazione sulla conformità alla legge sull’intelligenza artificiale dell’Unione europea.
Attenzione ibrida e minori requisiti hardware
Olala mini ha un’architettura da 7 miliardi di parametri, ma per ogni richiesta ne attiva soltanto 1 miliardo. Questi parametri attivi sono distribuiti tra 256 esperti per livello, perciò ogni richiesta utilizza solo una parte del modello, anziché l’intera rete. La sua architettura ibrida di attenzione combina Differential-TPA e Mamba-3 e utilizza il formato BF16.
Questa struttura è pensata per aumentare la velocità e ridurre il fabbisogno di memoria. OVHcloud dichiara una velocità di elaborazione di 160 token al secondo su una RTX A4500 e di 50 token al secondo su un processore standard senza GPU. La finestra di contesto attuale, ovvero la quantità di testo, misurata in token, che il modello può elaborare in un’unica sequenza, è di 32.000 token.
Infrastruttura europea per l’addestramento e implementazione su Qwant
Olala mini è stato addestrato da zero su tre supercomputer pubblici europei: Jupiter, MeluXina e Jean Zay. L’infrastruttura di addestramento comprendeva GPU GH200, A100 e H100. OVHcloud definisce decisivo il sostegno pubblico al progetto, pari a 7 milioni di euro in ore di calcolo.
L’iniziativa ha inoltre riunito il team di IA dell’azienda e portato alla creazione del suo Agentic Lab, OVHai LLM. Al progetto viene così attribuito un ruolo organizzativo che va oltre il primo modello: OVHcloud ha istituito un gruppo dedicato a continuare lo sviluppo della famiglia, anziché considerare Olala mini un esercizio di addestramento isolato.
Qwant ha già adottato Olala mini per la sua funzione di risposta rapida. OVHcloud dichiara che le risposte sono più veloci del 20% e che i costi di esercizio sono ridotti a un terzo rispetto al modello usato in precedenza da Qwant, offrendo un primo esempio concreto dei vantaggi economici della messa in produzione che l’azienda intende perseguire.
La roadmap si estende a Workspace, DevOps e sicurezza
La roadmap di OVHcloud prevede la versione 1.1 entro la fine del 2026, con l’estensione della finestra di contesto a 128.000 token e il miglioramento delle capacità di ragionamento matematico. La versione 2.0 dovrebbe superare i 100 miliardi di parametri; OVHai LLM svilupperà modelli specializzati nell’IA agentica per le imprese, nel DevOps cloud e nella cybersicurezza, per usi sia difensivi sia offensivi.
Le versioni successive sono pensate per integrare la famiglia nei prodotti e negli strumenti operativi di OVHcloud. In futuro, Olala dovrebbe alimentare OVHai Workspace, la cui versione cifrata richiederà modelli in grado di funzionare localmente su una workstation. Le attività DevOps comprendono versioni destinate a sviluppatori, architetti e team operativi responsabili della continuità del servizio 24 ore su 24.
L’amministratore delegato Octave Klaba ha affermato che OVHcloud deve creare modelli adatti sia alle proprie esigenze interne sia a quelle dei clienti. «Non possiamo semplicemente fare affidamento sulla generosità di alcuni laboratori, che negli anni a venire potrebbero condividere i loro LLM come open source», ha dichiarato. Klaba ha aggiunto che le competenze necessarie per l’addestramento sono ormai ampiamente accessibili e che i costi sono diminuiti di un fattore 20 in tre anni, presentando questi cambiamenti come una strada verso lo sviluppo di modelli redditizi.
Olala offre quindi a OVHcloud sia un modello compatto sia un percorso di sviluppo interno. La questione centrale è se OVHai LLM riuscirà a trasferire l’efficienza e i vantaggi della messa in produzione riscontrati con questo primo modello alla versione con una finestra di contesto più ampia e ai sistemi molto più grandi e specializzati previsti dalla roadmap.












