AI-modellen en platforms
OVHcloud introduceert Olala Mini 7A1B als zijn eerste opensourcetaalmodel

Belangrijkste puntenOVHcloud trainde zijn compacte model volledig op Europese publieke supercomputers in…
Meer weergeven
- OVHcloud trainde zijn compacte model volledig op Europese publieke supercomputers in plaats van te vertrouwen op externe laboratoria.
- Qwant nam het model over voor flitsantwoorden en meldde snellere reacties met aanzienlijk lagere operationele kosten.
- De roadmap stuurt aan op grotere gespecialiseerde modellen voor agentische zakelijke AI-cloudoperaties en cybersecurity.
OVHcloud kondigde Olala aan, zijn eerste familie van grote taalmodellen, op 17 november 2026, te beginnen met het compacte Olala mini 7A1B. Volgens het bedrijf kan het model draaien op een GPU met slechts 8 GB geheugen. OVHcloud is van plan het als opensourcesoftware beschikbaar te stellen op Hugging Face onder de Apache 2.0-licentie.
Een officiële presentatie van de lancering staat gepland voor de OVHcloud AI Summit op 19 november 2026. Het releasepakket bevat modelgewichten, een vooraf getraind basismodel en documentatie over naleving van de AI-wet, de wetgeving van de Europese Unie op het gebied van kunstmatige intelligentie.
Hybride aandacht en lagere hardwarevereisten
Olala mini heeft een architectuur met 7 miljard parameters, maar per verzoek zijn slechts 1 miljard parameters actief. Die actieve parameters zijn verdeeld over 256 experts per laag, zodat elk verzoek slechts een deel van het model gebruikt en niet het volledige netwerk. Het hybride aandachtsontwerp combineert Differential-TPA en Mamba-3 en gebruikt het BF16-formaat.
Deze structuur is bedoeld om de snelheid te verhogen en het geheugengebruik te verlagen. OVHcloud meldt een verwerkingssnelheid van 160 tokens per seconde op een RTX A4500 en 50 tokens per seconde op een standaardprocessor zonder GPU. Het huidige contextvenster — de hoeveelheid tekst, uitgedrukt in tokens, die het model in één reeks kan verwerken — bedraagt 32.000 tokens.
Europese trainingsinfrastructuur en implementatie bij Qwant
Olala mini is vanaf nul getraind op drie Europese openbare supercomputers: Jupiter, MeluXina en Jean Zay. De trainingsinfrastructuur omvatte GH200-, A100- en H100-GPU’s. OVHcloud noemt de publieke steun voor het project, ter waarde van € 7 miljoen aan rekentijd, doorslaggevend.
Het initiatief bracht ook het AI-team van het bedrijf samen en leidde tot de oprichting van het Agentic Lab, OVHai LLM. Daarmee heeft het project een organisatorische rol die verder reikt dan het eerste model: OVHcloud heeft een speciale groep opgericht om de modelreeks verder te ontwikkelen, in plaats van Olala mini te behandelen als een eenmalig trainingsexperiment.
Qwant gebruikt Olala mini al voor zijn functie voor snelle antwoorden. OVHcloud meldt dat de antwoorden 20% sneller worden gegenereerd en dat de gebruikskosten een derde bedragen van die van het model dat Qwant eerder gebruikte. Daarmee biedt dit een vroeg praktijkvoorbeeld van de implementatie-economie waar OVHcloud naar streeft.
De roadmap omvat Workspace, DevOps en beveiliging
Volgens de roadmap van OVHcloud verschijnt versie 1.1 eind 2026. Deze versie krijgt een contextvenster van 128.000 tokens en beter redeneervermogen voor wiskundige vraagstukken. Versie 2.0 moet meer dan 100 miljard parameters tellen. OVHai LLM ontwikkelt modellen die gespecialiseerd zijn in zakelijke agentische AI, cloud-DevOps en cyberbeveiliging, voor zowel defensieve als offensieve toepassingen.
Latere versies moeten de modelreeks naar de producten en operationele tools van OVHcloud brengen. Uiteindelijk moet Olala OVHai Workspace aandrijven. De versleutelde versie daarvan vereist modellen die lokaal op een werkstation kunnen draaien. Het DevOps-werk omvat versies voor ontwikkelaars, architecten en operationele teams die verantwoordelijk zijn voor de ononderbroken dienstverlening, 24 uur per dag.
Topman Octave Klaba zei dat OVHcloud modellen moet ontwikkelen voor zowel de eigen interne behoeften als die van klanten. “We kunnen de komende jaren niet zomaar vertrouwen op de vrijgevigheid van bepaalde labs die hun LLM’s als opensourcesoftware delen”, zei hij. Volgens Klaba is expertise in het trainen van modellen inmiddels breed toegankelijk en zijn de kosten in drie jaar tijd met een factor 20 gedaald. Hij presenteerde die veranderingen als een weg naar winstgevende modelontwikkeling.
Met Olala beschikt OVHcloud dus zowel over een compact model als over een intern ontwikkeltraject. De centrale vraag is of OVHai LLM de efficiëntie- en implementatievoordelen die met dit eerste model zijn gemeld, kan doortrekken naar de versie met een groter contextvenster en naar de veel grotere, gespecialiseerde systemen die in de roadmap zijn beschreven.












