Aleph Alpha Kolibri 发布：78B 开源权重模型，可私有化部署

德国 AI 公司 Aleph Alpha 于 2026 年 10 月 3 日在官方博客发布 Kolibri：一个英语—德语混合专家（MoE）模型，总参数 780 亿、每 token 激活约 30 亿，支持最长 100 万 token 上下文，完整权重在 Hugging Face 以 Apache 2.0 发布。官方把它定位为面向公共管理、工业与航空航天等受监管领域的主权模型，并强调拒答训练与自有基础设施部署。

这次发布的是什么

德国 AI 公司 Aleph Alpha 于 2026 年 10 月 3 日（德国统一日）在官方博客发布 Kolibri，一个新的开源权重语言模型。按官方说法，Kolibri 是英语—德语混合专家（MoE）Transformer，总参数 780 亿、每 token 激活约 30 亿，支持最长 100 万 token 的上下文，完整权重在 Hugging Face 上以 Apache 2.0 许可发布。

它是同一条训练流水线上的第二个模型。此前的 Kolibri Origin 为 300 亿总参数、30 亿激活、6.5 万 token 上下文，官方称先用它验证了从数据摄入、消融实验、预训练、后训练到最终评测的整条链路。

产品定位上，官方把 Kolibri 描述为面向受监管领域「主权、关键任务」工作的专用模型，点名的场景包括公共管理、工业与航空航天。影响谁：需要把模型跑在自有机房、内部数据不出网的欧洲政企客户；业务以德语为主的团队；以及在检索问答里需要模型明确拒答、便于事后审计的工程团队。

可用性与限制

• 许可范围：官方写明权重与配置文件以 Apache 2.0 发布，并说明训练代码与方法不随权重开放。
• 获取渠道：权重托管在 Hugging Face 的 Aleph-Alpha/Kolibri-1；国内访问速度与是否需要镜像，以官方说明为准。
• 部署形态：官方强调可在本地或自有基础设施部署；是否提供托管 API、企业版如何采购，以官网为准。
• 运行依赖：官方说明 Kolibri 需要 aleph-alpha-inference 这个包来提供 Kolibri 的 vLLM 插件，可以用官方容器镜像，也可以自行安装该包。
• 硬件门槛：MoE 的激活参数小，但全部参数都需要常驻显存或内存，实际所需资源以官方模型卡为准。
• 语言范围：官方定位为英语 + 德语双语模型，发布材料没有把其他语言列为主要目标。
• 评测口径：官方公布的基准分数由厂商自己的评测流程跑出，发布材料中没有给出第三方复核结果。
• 合规表述：官方称按欧盟 AI 法案、通用 AI 行为准则与 GDPR 设计，具体合规结论仍需客户自己的法务判断。

主要功能

• 处理英语与德语双语任务
• 支持最长 100 万 token 上下文
• 提供推理能力与工具调用
• 上下文中没有答案时明确拒答
• 支持本地或私有环境部署
• 覆盖数学、代码与长文本任务

技术原理

Kolibri 用的是混合专家架构：总参数 780 亿，但每个 token 只激活约 30 亿，用稀疏激活换取能力与推理成本之间的取舍。官方的表述是，在其对比的范围内，Kolibri 处在质量对推理成本的帕累托前沿上——也就是没有对比模型能在同样的推理成本下给出更高质量，或在同样质量下成本更低。这是厂商自测的结论。

德语能力方面，官方称自己训练了德英双语分词器（词表规模 26 万多），德语原文数据在预训练语料中占有相当比例，而对翻译文本用得很少，理由是翻译文本会带来源语言的文化印记。分词器这一层的设计目标是让德语复合词不被切碎。

拒答机制是官方重点讲的一块。官方称在训练中加入了拒答数据与自家的 Merlin-Arthur 协议，让模型在上下文中找不到答案时明确表示不知道，而不是编一段出来；官方称会持续跟踪拒答准确率。官方也公开了一个聚焦幻觉的评测集（AA-Omniscience，公开子集托管在 Hugging Face）。

训练流程上，官方称后训练分两步：先做监督微调教会模型基础推理与对话交互，再做大规模强化学习，让它在一批长周期任务上学会推理。更完整的细节官方指向配套的技术报告。

实际体验

下面是一套读者可以自己复现的验证路径，不是本站的实测结论：

1. 先核对许可与规格：打开 Hugging Face 上的 Aleph-Alpha/Kolibri-1，确认许可证字段是 Apache 2.0，并核对模型卡里的上下文长度与激活参数说明，再和你准备投入的硬件对照。
2. 起一次本地服务：按官方说明二选一——使用官方容器镜像 ghcr.io/aleph-alpha/aleph-alpha-inference，或安装 aleph-alpha-inference 包（官方给的安装写法是 pip install 「aleph-alpha-inference>=1.0」，它会自动装上配套版本的 vLLM）。启动命令与参数以官方仓库当前说明为准。
3. 验证德语处理：准备一段含长复合词的德语业务材料，比较同一份材料用德语提问和用英语提问时，回答的要点是否一致、专业名词有没有被切碎。
4. 验证拒答：故意问一个上下文里根本没有答案的问题，观察模型是否明确说不知道，而不是补一段看起来合理的内容。这一步建议做成固定用例，方便以后换版本时重跑。
5. 验证长上下文：逐步加长输入，记录从哪个长度开始出现前后不一致。官方标注的原生窗口是 262,144 token，超过它需要显式放开到 1,048,576，具体参数以官方说明为准。
6. 估算成本：记录显存占用与解码速度，与你正在用的同规模模型横向对比，再决定值不值得替换。

项目地址与获取方式

• 官方发布博客：https://aleph-alpha.com/en/blog/kolibri-has-landed-a-sovereign-open-weight-model/
• 模型权重：https://huggingface.co/Aleph-Alpha/Kolibri-1
• 推理代码：https://github.com/Aleph-Alpha/aleph-alpha-inference
• 官方容器镜像：ghcr.io/aleph-alpha/aleph-alpha-inference
• 官方另在 GitHub 上提供了评测框架仓库 Aleph-Alpha-Research/eval-framework

请通过官方渠道获取，避免安装被篡改的版本。企业采购与托管形态以官网为准。

适合谁用

• 需要把模型跑在自有机房或私有云、数据不出内网的欧洲政企团队
• 以德语业务为主的客服、文档处理与知识问答场景
• 需要模型明确拒答、便于事后审计的检索问答系统
• 研究稀疏激活 MoE 与双语分词器的工程团队
• 不必用：只需要中英文通用对话、且不关心私有化部署的个人用户，这类需求用成熟的通用对话工具省事得多，可以先看站内 /category/chat 下的工具

常见问题

Kolibri 是完全开源的模型吗？

官方写明权重与配置文件以 Apache 2.0 许可发布，可以下载、微调和部署，不需要单独的商业许可。但官方同时说明，训练代码与训练方法不在开放范围内。如果你需要的是完整可复现的训练栈，这一点要先确认清楚。

780 亿参数的模型需要什么硬件才能跑？

官方没有在发布博客里给出具体的硬件清单。要注意 MoE 的特点是激活参数小、但全部参数都要常驻显存或内存，所以显存与内存容量是主要门槛，而不只是算力。实际所需资源以官方模型卡为准。

它支持中文吗？

官方定位是英语—德语双语模型，发布材料没有把中文列为主要目标语言。中文场景下是否够用，建议按上面「实际体验」里的步骤自己跑一遍，不要直接按英文或德语的表现推断。

官方公布的基准分数能直接拿来和其他模型对比吗？

这些分数是厂商用自己的评测流程跑出来的，官方也说明了对比对象与设置，但发布材料中没有第三方复核结果。做选型时建议把它当作参考区间，并用自己的业务用例复跑一遍。

和上一代 Kolibri Origin 相比改了什么？

官方的说法是两者走同一条训练流水线，Kolibri Origin 用来验证这条流水线。参数规模从 300 亿总参数提升到 780 亿，上下文从 6.5 万 token 提升到最长 100 万 token，官方称在数学、代码、事实依据与长上下文等任务上有明显提升。具体分数以官方技术报告为准。

相关工具与内容

• 想对比同类对话与模型工具：/category/chat
• 可自部署的开源对话模型：/tool/qwen、/tool/deepseek
• 相关的开源模型快讯：/article/olmo-core-3-release-2026-10
• 开源训练与 RL 代码：/article/openpangu-2-0-training-rl-open-source-2026-09
• 推理算子的开源进展：/article/deepseek-ascend-kernels-open-source-2026-09