Modele i platformy AI
OVHcloud wprowadza Olala Mini 7A1B jako swój pierwszy duży model językowy o otwartym kodzie źródłowym

Kluczowe punktyOVHcloud wytrenowało swój kompaktowy model w całości na europejskich publicznych…
Zobacz więcej
- OVHcloud wytrenowało swój kompaktowy model w całości na europejskich publicznych superkomputerach, zamiast polegać na zewnętrznych laboratoriach.
- Qwant przyjął ten model do szybkich odpowiedzi i odnotował szybsze reakcje przy znacznie niższych kosztach eksploatacji.
- Plan rozwoju zmierza w kierunku większych wyspecjalizowanych modeli dla agentowej sztucznej inteligencji biznesowej, operacji w chmurze i cyberbezpieczeństwa.
OVHcloud ogłosiła wprowadzenie Olala, swojej pierwszej rodziny dużych modeli językowych, 17 listopada 2026 r., rozpoczynając od kompaktowego modelu Olala mini 7A1B. Firma informuje, że model może działać na karcie graficznej z zaledwie 8 GB pamięci, i planuje udostępnić go na licencji open source w serwisie Hugging Face na warunkach licencji Apache 2.0.
Oficjalna prezentacja z okazji premiery jest zaplanowana na OVHcloud AI Summit, który odbędzie się 19 listopada 2026 r. Pakiet z wydaniem obejmuje wagi modelu, wstępnie wytrenowany model bazowy oraz dokumentację zgodności z aktem w sprawie sztucznej inteligencji Unii Europejskiej.
Hybrydowy mechanizm uwagi i niższe wymagania sprzętowe
Olala mini ma architekturę z 7 mld parametrów, ale przy każdym zapytaniu aktywny jest tylko 1 mld parametrów. Te aktywne parametry są rozłożone na 256 ekspertów w każdej warstwie, dzięki czemu każde zapytanie wykorzystuje tylko część modelu, a nie całą sieć. Hybrydowy mechanizm uwagi łączy Differential-TPA i Mamba-3 oraz wykorzystuje format BF16.
Taka struktura ma zwiększać szybkość i ograniczać zapotrzebowanie na pamięć. OVHcloud podaje, że przepustowość wynosi 160 tokenów na sekundę na karcie RTX A4500 oraz 50 tokenów na sekundę na standardowym procesorze bez karty graficznej. Obecne okno kontekstowe — ilość tekstu, wyrażona w tokenach, którą model może przetworzyć w ramach jednej sekwencji — wynosi 32 000 tokenów.
Europejska infrastruktura treningowa i wdrożenie w Qwant
Olala mini wytrenowano od podstaw na trzech europejskich publicznych superkomputerach: Jupiter, MeluXina i Jean Zay. Infrastruktura treningowa obejmowała procesory graficzne GH200, A100 i H100. OVHcloud określa publiczne wsparcie projektu, odpowiadające 7 mln euro czasu obliczeniowego, jako decydujące.
Inicjatywa pozwoliła także zgromadzić zespół AI firmy i doprowadziła do powstania Agentic Lab, OVHai LLM. Nadaje to projektowi znaczenie organizacyjne wykraczające poza stworzenie pierwszego modelu: OVHcloud powołała dedykowaną grupę, która będzie dalej rozwijać tę rodzinę modeli, zamiast traktować Olala mini jako jednorazowe ćwiczenie treningowe.
Qwant wdrożył już Olala mini w funkcji szybkich odpowiedzi. OVHcloud podaje, że odpowiedzi są o 20% szybsze, a koszty działania wynoszą jedną trzecią kosztów w porównaniu z modelem używanym wcześniej przez Qwant. To wczesny praktyczny przykład ekonomiki wdrożeń, do której dąży firma.
Plan rozwoju obejmuje Workspace, DevOps i bezpieczeństwo
Plan rozwoju OVHcloud zakłada wydanie wersji 1.1 do końca 2026 r., rozszerzającej okno kontekstowe do 128 000 tokenów i poprawiającej rozumowanie matematyczne. Wersja 2.0 ma przekroczyć 100 mld parametrów, a OVHai LLM ma opracowywać modele wyspecjalizowane w biznesowej sztucznej inteligencji agentowej, chmurowym DevOps i cyberbezpieczeństwie, w tym w zastosowaniach defensywnych i ofensywnych.
Kolejne wersje mają wprowadzić tę rodzinę modeli do produktów i narzędzi operacyjnych OVHcloud. Oczekuje się, że Olala będzie docelowo zasilać OVHai Workspace, którego szyfrowana wersja będzie wymagała modeli zdolnych do działania lokalnie na stacji roboczej. Prace nad DevOps obejmują wersje dla programistów, architektów i zespołów operacyjnych odpowiedzialnych za nieprzerwane działanie usług przez całą dobę.
Dyrektor generalny Octave Klaba powiedział, że OVHcloud musi tworzyć modele odpowiadające zarówno na własne potrzeby wewnętrzne, jak i na potrzeby klientów. „W nadchodzących latach nie możemy po prostu liczyć na hojność niektórych laboratoriów, które udostępniają swoje duże modele językowe na otwartym kodzie źródłowym” — powiedział. Klaba stwierdził, że kompetencje w zakresie trenowania modeli stały się powszechnie dostępne, a koszty spadły 20-krotnie w ciągu trzech lat, przedstawiając te zmiany jako drogę do rentownego rozwoju modeli.
Olala zapewnia więc OVHcloud zarówno kompaktowy model, jak i możliwość rozwijania modeli we własnym zakresie. Kluczowe pytanie brzmi, czy OVHai LLM zdoła przenieść deklarowane korzyści w zakresie wydajności i wdrażania, osiągnięte dzięki temu pierwszemu modelowi, na wydanie z większym oknem kontekstowym oraz znacznie większe, wyspecjalizowane systemy zapowiedziane w planie rozwoju.












