AI-modeller och plattformar
OVHcloud presenterar Olala Mini 7A1B som sin första stora språkmodell med öppen källkod

Viktiga punkterOVHcloud tränade sin kompakta modell helt på europeiska offentliga superdatorer i…
Visa mer
- OVHcloud tränade sin kompakta modell helt på europeiska offentliga superdatorer i stället för att förlita sig på externa laboratorier.
- Qwant antog modellen för snabba svar och rapporterade snabbare svar med kraftigt lägre driftkostnader.
- Färdplanen strävar mot större specialiserade modeller för agentisk affärs-AI, molndrift och cybersäkerhet.
OVHcloud tillkännagav Olala, sin första familj av stora språkmodeller, den 17 november 2026. Först ut är den kompakta Olala mini 7A1B. Enligt företaget kan modellen köras på en GPU med så lite som 8 GB minne, och planen är att göra den tillgänglig som öppen källkod på Hugging Face under licensen Apache 2.0.
En officiell lanseringspresentation är planerad till OVHcloud AI Summit den 19 november 2026. I lanseringspaketet ingår modellvikter, en förtränad grundmodell och dokumentation om efterlevnad av AI-förordningen, EU:s lagstiftning om artificiell intelligens.
Hybrid uppmärksamhet och lägre hårdvarukrav
Olala mini har en arkitektur med 7 miljarder parametrar, men bara 1 miljard parametrar är aktiva för varje förfrågan. De aktiva parametrarna är fördelade på 256 experter per lager, vilket innebär att varje förfrågan använder en del av modellen i stället för hela nätverket. Den hybrida uppmärksamhetsarkitekturen kombinerar Differential-TPA och Mamba-3 och använder BF16-format.
Strukturen är utformad för att öka hastigheten och minska minnesbehovet. OVHcloud uppger en genomströmning på 160 token per sekund på en RTX A4500 och 50 token per sekund på en vanlig processor utan GPU. Modellens nuvarande kontextfönster – mängden text, mätt i token, som modellen kan bearbeta i en sekvens – är 32 000 token.
Europeisk träningsinfrastruktur och driftsättning hos Qwant
Olala mini tränades från grunden på tre europeiska offentliga superdatorer: Jupiter, MeluXina och Jean Zay. I träningsinfrastrukturen ingick GH200-, A100- och H100-GPU:er. OVHcloud beskriver det offentliga stöd som låg bakom projektet, motsvarande 7 miljoner euro i beräkningstimmar, som avgörande.
Initiativet samlade också företagets AI-team och ledde till företagets Agentic Lab, OVHai LLM. Därmed får projektet en organisatorisk roll utöver den första modellen: OVHcloud har inrättat en särskild grupp som ska fortsätta utveckla modellfamiljen, i stället för att behandla Olala mini som ett enstaka träningsprojekt.
Qwant har redan tagit Olala mini i bruk för sin funktion för snabbsvar. OVHcloud uppger att svaren genereras 20 % snabbare och att driftskostnaderna är en tredjedel av kostnaderna för modellen som Qwant tidigare använde. Det är ett tidigt praktiskt exempel på den kostnadsekonomi som företaget eftersträvar för driftsättningen.
Färdplanen omfattar Workspace, DevOps och säkerhet
OVHclouds färdplan anger att version 1.1 ska lanseras före utgången av 2026, med ett utökat kontextfönster på 128 000 token och förbättrad matematisk slutledningsförmåga. Version 2.0 planeras få över 100 miljarder parametrar, och OVHai LLM ska utveckla modeller specialiserade på affärsinriktad agentisk AI, DevOps för molnet och cybersäkerhet, inklusive defensiv och offensiv användning.
Senare versioner är tänkta att föra in modellfamiljen i OVHclouds produkter och operativa verktyg. På sikt väntas Olala driva OVHai Workspace, vars krypterade version kommer att kräva modeller som kan köras lokalt på en arbetsstation. DevOps-arbetet omfattar versioner för utvecklare, arkitekter och driftteam med ansvar för att tjänsterna ska fungera dygnet runt.
Verkställande direktören Octave Klaba sade att OVHcloud behöver skapa modeller för såväl sina egna interna behov som kundernas behov. ”Vi kan inte bara förlita oss på att vissa labb är generösa nog att dela sina stora språkmodeller som öppen källkod under de kommande åren”, sade han. Klaba sade att expertisen inom modellträning har blivit allmänt tillgänglig och att kostnaderna har sjunkit med en faktor 20 på tre år. Han framställde dessa förändringar som en väg till lönsam modellutveckling.
Olala ger därmed OVHcloud både en kompakt modell och en väg för egen utveckling. Den centrala frågan är om OVHai LLM kan föra över den effektivitet och de driftsättningsfördelar som uppges för den första modellen till versionen med längre kontextfönster och de betydligt större, specialiserade system som beskrivs i färdplanen.












