OVHcloud планує побудувати фронтірний LLM за 200 млн євро на суперкомп'ютері Jupiter

OVHcloud заявляє про падіння вартості навчання фронтірної моделі на 80 відсотків: з приблизно 1 мільярда євро до 150–200 мільйонів. Генеральний директор Octave Klaba оголосив на VivaTech 17 червня, що найбільший хмарний провайдер Європи має намір навчити власну лінійку фронтірних LLM, позиціонувати себе як конкурента Mistral і врешті відкрити ваги моделей у відкритому доступі. Попереднє навчання першої моделі вже завершено — на Jupiter, найшвидшому суперкомп'ютері Європи.

Що сталося

Теза Klaba, як повідомляє Reuters, будується на одному економічному аргументі: фронтірний проєкт, який коштував би близько 1 мільярда євро (1,2 мільярда доларів за вказаним курсом 0,8627), тепер можна реалізувати за 150–200 мільйонів євро. Він пояснює це зрушення трьома факторами: кращими чіпами, кращими методиками навчання та синтетичними даними. Він називає це «другою хвилею» побудови фронтірних моделей, коли нові учасники використовують фундамент, закладений OpenAI, Anthropic і Mistral.

Стратегічне обрамлення носить захисний характер. «Нам стало цілком зрозуміло, що якщо ми не оволодіємо цією технологією, ми не зможемо гарантувати наше майбутнє», — сказав Klaba Reuters. Ця фраза звучить не стільки як технологічна дорожня карта, скільки як страховка від залежності від платформ, загострена нещодавнім раптовим відключенням топових моделей Anthropic, яке називається однією з причин пошуку європейських альтернатив.

З оголошення випливають три конкретні зобов'язання. По-перше, OVHcloud випустить лінійку моделей, а не єдину систему: Klaba стверджує, що «не існує однієї моделі, яка робить усе сама». По-друге, компанія не буде навчати моделі на клієнтських даних — це чітка межа, важлива для наявних хмарних клієнтів. По-третє, ваги будуть відкриті, як тільки продуктивність виявиться «достатньо хорошою» — свідомо розмите формулювання. Нещодавно придбаний стартап DragonLLM забезпечує частину технічної основи, а попереднє навчання на Jupiter вже завершено. OVHcloud поки що не готова публікувати детальні показники продуктивності — це найважливіше невідоме в цьому оголошенні.

Технічна анатомія

Цифра 150–200 мільйонів євро заслуговує на ретельний аналіз, оскільки вона неявно визначає, що означає «фронтірний» у середині 2026 року. Джерело не розкриває кількість параметрів, бюджет токенів, обсяг апаратних годин на Jupiter чи те, чи охоплює ця цифра один прогін попереднього навчання або всю лінійку. Це важливо, бо різниця між бюджетом у 200 мільйонів євро і бюджетом у 1 мільярд євро — це різниця між копіюванням моделі класу GPT-4 і справді конкурентоспроможною системою нового покоління. Ми не знаємо, що саме обіцяє Klaba, але орієнтир задано його власним формулюванням: «друга хвиля», будівництво на основі попередньої роботи — що натякає на наздоганяння, а не на стрибок уперед.

Три фактори падіння витрат, на які він посилається, реальні, але нерівномірні. Енергоефективність чіпів у розрахунку на долар суттєво зросла в діапазоні від H100 до B200 і з тим, що EuroHPC встановив у Jupiter. Методики навчання (кращі оптимізатори, маршрутизація mixture-of-experts, стратегії навчальних програм) справді зменшують співвідношення FLOPs до якості. Синтетичні дані — найбільш спірний компонент: вони добре працюють для дистиляції міркувань і коду, але менш очевидно підходять для широкомасштабного попереднього навчання без деградації якості. Зниження витрат на 80 відсотків передбачає одночасний внесок усіх трьох факторів — це правдоподібно, але ще не підтверджено незалежно на фронтірному масштабі жодною європейською лабораторією.

Варто також звернути увагу на залежність від Jupiter. Запуск попереднього навчання на спільному суперкомп'ютері EuroHPC — це не та операційна модель, що в Anthropic або OpenAI, які бронюють виділені GPU-кластери на місяці. Конкуренція в черзі, розподіл ресурсів і той факт, що Jupiter насамперед обслуговує наукові задачі, впливатимуть на швидкість ітерацій. Архітектура лінійки моделей (спеціалізована стратегія генерації, що відображає підхід Anthropic із варіантами Claude та Google з рівнями Gemini; робочий довідник — документація Anthropic) є правильним рішенням. Вона страхує від ризику єдиного контрольного знімка і дозволяє команді раніше випускати задачно-орієнтовані моделі замість монолітного флагмана.

Якщо OVHcloud справді відкриє ваги, природним рівнем розповсюдження стане Hugging Face, а до набору для порівняння увійдуть Mistral, Llama, Qwen та DeepSeek. Це жорстко конкурентна полиця.

Хто програє

Mistral — очевидний гравець, що зазнає тиску. Klaba прямо позиціонує OVHcloud як другого європейського фронтірного гравця, що переосмислює наратив Mistral: із «чемпіона Європи» на «першого серед кількох». Mistral поки що лідирує за зрілістю моделей і популярністю серед розробників, але добре профінансований інфраструктурний гравець, який відкриває ваги, змінює цінову підлогу для європейського інференсу. Якщо OVHcloud постачатиме конкурентні моделі у власній хмарі за собівартістю, маржа Mistral на API стиснеться.

Американські фронтірні лабораторії безпосередньо не відчувають загрози від 200-мільйонного євро-проєкту, але ситуація із закупівлями змінюється. Кожен європейський банк, страховик, покупець із держсектору та регульований фінтех, якого злякало відключення Anthropic, тепер має вагому підставу вимагати суверенного резервного варіанту у своїй архітектурі. Anthropic і OpenAI збережуть верхній сегмент, але втратять можливість укладати багаторічні ексклюзивні угоди. Схема двох постачальників стає стандартом для регульованих робочих навантажень у ЄС.

Платформи iGaming і фінтех у ЄС мають розцінювати це як покращення з боку пропозиції. Суверенно розміщені моделі з відкритими вагами та гарантією відсутності навчання на клієнтських даних вирішують комплаєнс-проблему, яка гальмувала впровадження AI у KYC, скорингу шахрайства, генерації AML-наративів і системах захисту гравців. Реалістична перспектива на 90 днів для цих команд: нічого не змінюється негайно, оскільки OVHcloud ще не випустила і не протестувала моделі. Але команди із закупівель вже зараз повинні починати складати порівняльну матрицю.

Крипто- та DeFi-сторона менш вразлива. Більшість продакшн-AI у цій вертикалі працює на хостингових API або self-hosted варіантах Llama, і нова європейська модель не змінює модель загроз навколо ончейн-агентів. Питання без відповіді, яке варто позначити: чи буде ліцензія OVHcloud справді дозвільною, чи вона міститиме обмеження, які дискваліфікують її для комерційного DeFi-інструментарію? Орієнтир задано тим, що зробили Mistral і Meta, але наразі ми цього не знаємо.

Практичний посібник для AI-розробки

Для керівників платформ та інфраструктури цього тижня йдеться про формування варіантів, а не про міграцію. Три конкретні кроки:

По-перше, проведіть аудит поточних LLM-залежностей щодо ризику відключення. Інцидент із Anthropic — це саме той фактор, на який посилається Klaba, і якщо ваш продакшн-стек має єдиний критичний шлях через API одного фронтірного постачальника, то у вашому аналізі інцидентів вже має бути задокументований суверенний або open-weight резервний варіант. Стандартизуйте рівень абстракції моделей вже зараз, до того, як він вам знадобиться.

По-друге, розцінюйте оголошення OVHcloud як сигнал для перегляду базових припущень щодо вартості інференсу. Якщо вартість навчання фронтірної моделі впала на 80 відсотків за словами одного авторитетного європейського оператора, вартість обслуговування інференсу конкурентної якості рухається за схожою кривою. Перерахунок дорожньої карти AI-функцій за форвардною кривою на 12 місяців, а не за поточними цінами API, змінить, які функції варто випускати.

По-третє, якщо ви працюєте в регульованій вертикалі ЄС, відкрийте розмову з командою облікових записів OVHcloud щодо раннього доступу. Зобов'язання не навчати на клієнтських даних — це саме та договірна мова, яка дійсно важлива для комплаєнс- та DPO-функцій, а участь у когорті партнерів із проєктування обходиться дешевше, ніж подальше доопрацювання. Для агентних навантажень стежте за тим, чи підтримує лінійка протоколи використання інструментів, сумісні з MCP, оскільки це стає стандартом інтеграції.

Перевіряємо прогноз: якщо заявки OVHcloud підтвердяться, ми повинні побачити щонайменше один публічний результат бенчмарку проти Mistral і Llama протягом шести місяців, а відкриті ваги на Hugging Face — протягом дванадцяти. Якщо жодне з цього не станеться до середини 2027 року, цифра 150–200 мільйонів євро була заявою про наміри, а не зобов'язанням.

Ключові висновки

• OVHcloud заявляє про зниження вартості фронтірного навчання на 80 відсотків — з 1 мільярда євро до 150–200 мільйонів — завдяки чіпам, методикам навчання та синтетичним даним.
• Попереднє навчання завершено на Jupiter із використанням технологій придбаного DragonLLM, однак показники продуктивності не розкриті — це центральне невідоме.
• Стратегія — лінійка моделей, яка відкривається у відкритий доступ, як тільки стане «достатньо хорошою», явно змодельована за принципом багаторівневих систем OpenAI та Anthropic.
• Mistral втрачає позицію єдиної фронтірної історії Європи; регульовані покупці з ЄС отримують надійний суверенний резервний варіант замість американських лабораторій.
• Перевіряємо прогноз: очікуйте публічних бенчмарків протягом шести місяців та відкритих ваг протягом дванадцяти — або вважайте заявку про витрати лише прагненням.