Kolibri-1

Überblick

Kolibri-1 ist das erste Sprachmodell, das Aleph Alpha als offene Gewichte veröffentlicht – am 3. Oktober 2026 unter Apache-2.0 auf Hugging Face (Repo Aleph-Alpha/Kolibri-1). Es ist ein Mixture-of-Experts-Modell mit 78,1 Mrd. Parametern, von denen je Token rund 3,46 Mrd. aktiv sind, und ausdrücklich auf Deutsch und Englisch ausgelegt. Aleph Alpha positioniert es für Organisationen, die Modelle auf eigener Hardware betreiben wollen – öffentliche Verwaltung und regulierte Branchen.

Trainiert wurde auf 768 NVIDIA-B200-GPUs in Rechenzentren in Deutschland und Finnland: rund 20 Billionen Token Vortraining (laut Model Card etwa 62,5 % Englisch, 23,9 % Deutsch, 13,6 % Code), dazu Mid-Training, eine Long-Context-Phase sowie SFT und Reinforcement Learning. Wissensstand laut Hersteller: 18. Juni 2026.

Use Cases

• Deutschsprachige Assistenten und Wissensarbeit im eigenen Rechenzentrum, ohne Datenabfluss an externe Cloud-Anbieter
• Agentische Workflows mit Werkzeugaufrufen (τ²-Bench Telecom 94,7 %, BFCL v4 61,4 % laut Hersteller)
• Strukturierte Extraktion und Orchestrierungsaufgaben, bei denen ein Mensch die Ergebnisse prüft – so beschreibt Aleph Alpha selbst den vorgesehenen Einsatz
• Mathematische und naturwissenschaftliche Aufgaben (AIME 2025 96,9 %, GPQA Diamond 84,3 % – jeweils Englisch, Herstellerangabe)
• Coding-Unterstützung (LiveCodeBench v6 85,9 %, SWE-bench Verified 66,4 % laut Hersteller)

Stärken & Grenzen

Stärken: Für ein Modell mit nur rund 3,5 Mrd. aktiven Parametern berichtet Aleph Alpha sehr hohe Werte. Im eigenen Vergleich mit MoE-Modellen ähnlicher Klasse (u. a. Qwen3.6 35B-A3B, Nemotron 3 Nano, Gemma 4 26B A4B, gpt-oss-120b, Nemotron 3 Super) liegt Kolibri-1 im englischen Gesamtschnitt vorn (75,5) und führt bei GPQA Diamond, AIME und τ³-Bench Banking (38,1 % gegenüber 10,6 % bei Qwen3.6 35B-A3B). Der kleine aktive Anteil hält die Inferenz schnell. Lizenz und Trainingsstandort machen das Modell für DSGVO-sensible Einsätze attraktiv.

Grenzen:

• Nur zwei Sprachen. Kolibri-1 ist auf Deutsch und Englisch trainiert; für weitere Sprachen ist es nicht ausgelegt.
• Deutsch liegt unter Englisch. Gesamtschnitt Deutsch 70,8 gegenüber 75,5 Englisch; AIME 2025 87,5 % (DE) gegenüber 96,9 % (EN), Humanity's Last Exam 15,9 % (DE) gegenüber 21,5 % (EN). Bei MMLU-ProX CoT (DE) erreicht Kolibri-1 75,5 % – Qwen3.6 35B-A3B (81,9 %) und Gemma 4 26B A4B (81,1 %) liegen laut derselben Tabelle vorn.
• Wissen und Halluzination. AA-Omniscience Index (öffentlicher Satz, vom Hersteller gemessen) −32,8 bei 14,8 % Trefferquote – schwächer als die meisten Vergleichsmodelle der Herstellertabelle.
• Werkzeugnutzung über viele Runden. BFCL v3 multi-turn 39,8 % und Terminal-Bench 2.1 27,7 % liegen unter mehreren Vergleichsmodellen.
• Langer Kontext. Nativ trainiert bis 262.144 Token; bis 1.048.576 Token sind über zusätzliche Serving-Flags möglich. Aleph Alpha empfiehlt für latenzkritische oder komplexe Aufgaben höchstens 262K.
• Nur Text. Keine Bild-, Audio- oder Videoeingabe.

Einordnung

Es liegt noch kein eigener Test vor; die Einordnung stützt sich auf die Herstellerangaben vom Erscheinungstag. Unabhängige Messungen fehlen bislang vollständig: Artificial Analysis, BenchLM und das LMArena-Textboard führten das Modell am 10.10.2026 nicht.

Für den deutschen Mittelstand ist Kolibri-1 vor allem wegen der Kombination interessant: europäischer Hersteller, Apache-2.0, deutschsprachiges Training und ein Speicherbedarf, der auf einer einzelnen H200 oder B200 bzw. zwei 80-GB-GPUs läuft. Wer deutschsprachige Wissensaufgaben abdecken will, sollte die schwächeren deutschen Werte und den niedrigen AA-Omniscience-Index gegen Qwen3.6 35B-A3B oder Gemma 4 26B A4B abwägen und an eigenen Daten testen.

Gut zu wissen

• Lizenz: Apache-2.0; Gewichte in FP8 (rund 78 GB), zusätzlich eine BF16-Fassung (Aleph-Alpha/Kolibri-1-BF16)
• Hardware laut Model Card mindestens 2× A100 80 GB, 2× H100 SXM5, 1× H200, 1× B200 oder 1× B300
• Betrieb über vLLM mit Aleph Alphas Plugin aleph-alpha-inference (pip oder Container); Tool Calling über --tool-call-parser kolibri1 --enable-auto-tool-choice. Empfohlene Sampling-Parameter: temperature 1.0, top_p 0.97, top_k 128
• Reasoning-Stufen über reasoning_effort (none, low, medium, high); enable_thinking=false schaltet das Denken ab. Laut Launch-Blog liefen alle Benchmarks mit der jeweils höchsten Effort-Stufe
• Architektur am Artefakt (config.json) bestätigt: Kolibri1ForCausalLM, 50 Layer, Hidden 2.560, 48 Query- / 4 KV-Heads, 384 Experten mit 6 aktiven, Vokabular 128.000, 262.144 Positionen, 40 Sliding-Window- und 10 Full-Attention-Layer. Die safetensors-Metadaten summieren sich auf 78.103.074.560 Parameter
• Kein offizieller Ollama-Eintrag und kein gehosteter API-Endpunkt mit veröffentlichtem Preis; Unternehmenseinsätze laufen über den Vertrieb. Community-Builds (GGUF, MLX, NVFP4) sind von Aleph Alpha nicht validiert
• Weitere Herstellerwerte ohne Eintrag in der Score-Tabelle: GPQA Diamond (DE) 81,3 %, AIME 2026 96,0 % (EN) / 90,0 % (DE), MMLU-ProX CoT (DE) 75,5 %, HumanEval+ 92,7 %, τ²-Bench Retail 69,9 % / Airline 76,7 %, τ³-Bench Banking 38,1 %, BFCL v3 multi-turn 39,8 %, BrowseComp 29,4 %, LongBench Pro 64,5, FRAMES 71,2, MuSiQue (bereinigt) 77,3 sowie eigene Branchen-Evals (u. a. „German public sector" 75,0)
• Der Vorgänger „Kolibri Origin" (30,6B gesamt / 3,27B aktiv) wurde nicht öffentlich veröffentlicht