J'ai pu découvrir les premières démonstrations d'Olala présentées par Octave Klaba, et je trouve que le projet mérite qu'on s'y attarde. Sur les tâches les plus basiques, le modèle fait déjà ce que l'on attend aujourd'hui d'un LLM : répondre à des questions, comprendre des instructions, reformuler, traduire ou assister dans des tâches courantes. On retrouve donc un terrain de jeu que connaissent déjà les utilisateurs de Mistral, Claude ou GPT. Mais une démonstration m'a particulièrement marqué : la retranscription audio et la traduction instantanée, avec conservation de la voix de la personne. C'est le genre de fonctionnalité qui, lorsqu'on la voit fonctionner, rend les possibilités de l'IA beaucoup plus concrètes. Au-delà du chatbot, on commence à disposer d'outils capables de franchir les barrières linguistiques tout en préservant une partie de l'identité vocale de celui qui s'exprime. Et c'est précisément ce genre d'usage qui m'intéresse dans l'évolution de l'IA.
Un modèle européen qui ne veut pas simplement faire de la figuration
Olala mini 7A1B est le premier modèle de cette nouvelle famille développée par OVHcloud. Il repose sur 7 milliards de paramètres, dont 1 milliard activés par requête, répartis sur 256 experts par couche. Son architecture hybride Differential-TPA et Mamba-3 vise à réduire les ressources nécessaires, avec un fonctionnement annoncé à partir de 8 Go de mémoire GPU, et même sur CPU. Le modèle a été entraîné sur les supercalculateurs européens Jupiter, MeluXina et Jean Zay, avec un soutien public estimé à 7 millions d'euros en heures de calcul. Je trouve l'approche intéressante : OVH ne cherche pas nécessairement à rivaliser immédiatement avec les plus gros modèles sur tous les benchmarks, mais à construire une technologie qu'il peut maîtriser, déployer et faire évoluer. Le modèle sera distribué sous licence Apache 2.0, avec ses poids et sa documentation. Annonce officielle d'OVHcloud.
Qwant l'utilise déjà, et c'est un bon exemple concret
Ce qui m'intéresse particulièrement, c'est qu'Olala n'est pas uniquement une démonstration de laboratoire. Qwant l'utilise déjà pour sa fonctionnalité de réponses flash. D'après OVHcloud, cette intégration permet d'obtenir des réponses 20 % plus rapides et de diviser par trois les coûts d'exploitation par rapport au modèle précédemment utilisé. C'est un exemple assez parlant de ce qu'un modèle compact peut apporter dans un environnement réel : on n'a pas forcément besoin du plus gros LLM disponible pour chaque requête. Pour une réponse synthétique, une reformulation, une extraction d'informations ou un résumé des résultats d'une recherche, un modèle léger, suffisamment performant et économiquement viable peut être un choix bien plus pertinent. C'est aussi une intégration que l'on peut reproduire dans nos propres applications, avec un endpoint compatible OpenAI. Le principe est simple, par exemple en Python :
from openai import OpenAI
client = OpenAI( base_url="https://YOUR_AI_ENDPOINT/v1", api_key="YOUR_API_KEY")
response = client.chat.completions.create(model="olala-mini-7a1b", messages=[{
"role": "system",
"content": "Tu es un assistant concis. "
"Réponds uniquement à partir du contexte fourni."
},
{"role": "user",
"content":
"Résume ces résultats en trois points : ..."
}
],temperature=0.2)
print(response.choices[0].message.content)
Exemple illustratif d'appel compatible OpenAI. L'endpoint et l'identifiant de modèle sont à adapter au fournisseur ou au déploiement réel d'Olala.
Une intégration simple, des usages qui peuvent aller beaucoup plus loin
Je peux aussi imaginer facilement ce type de modèle dans un moteur de recherche, un assistant métier ou une application qui doit traiter un grand volume de requêtes sans faire exploser ses coûts. Dans le cas de Qwant, le principe consiste à récupérer des résultats de recherche, puis à les transmettre au modèle pour construire une réponse synthétique. Dans une application, le même workflow peut être reproduit :
search_results = ["Résultat 1 : ...","Résultat 2 : ...","Résultat 3 : ..."]
context = "\n\n".join(search_results)
response = client.chat.completions.create(model="olala-mini-7a1b",messages=[{
"role": "system",
"content": ("Tu es un moteur de réponse. "
"Utilise exclusivement les informations fournies. "
"Si les informations sont insuffisantes, indique-le."
)
},{
"role": "user",
"content": f"Question : Quelle est la différence entre ...\n\n"
f"Sources :\n{context}"
}
],temperature=0.1)
print(response.choices[0].message.content)
Ce qui fait la valeur d'une telle intégration, ce n'est pas seulement le modèle. C'est toute la chaîne : la recherche, la sélection des sources, le contexte transmis, le modèle choisi, la latence et la validation du résultat. Et c'est exactement là que les modèles plus compacts peuvent devenir particulièrement intéressants économiquement.
Une première étape, et probablement pas la dernière
Olala mini reste un premier modèle, avec une fenêtre de contexte de 32 000 tokens, et il est encore trop tôt pour le comparer sérieusement aux meilleurs modèles du marché sur la base de benchmarks indépendants. Mais je trouve que le plus intéressant est justement ce qui vient ensuite : OVH prévoit une version 1.1 avec 128 000 tokens et des améliorations en raisonnement mathématique, puis une version 2.0 orientée agentique, DevOps et cybersécurité, avec une ambition dépassant les 100 milliards de paramètres. Pendant ce temps, les autres acteurs continuent eux aussi d'accélérer, notamment avec les nouveaux GPT-6.2 Astra et Sol. Je ne pense pas que l'avenir appartienne à un seul modèle. Je pense que nous allons progressivement choisir nos IA selon le besoin, la tâche, le coût, la confidentialité et l'infrastructure disponible. Et voir un acteur français comme OVH commencer à maîtriser cette chaîne, de l'infrastructure jusqu'au modèle, est une évolution que je trouve particulièrement intéressante à suivre.