Aleph Alpha stellt Kolibri vor: 78 Mrd. offene Gewichte für Englisch‑Deutsch MoE‑Modell

Am 3. Oktober 2026 hat Ale Alpha in einer offiziellen Mitteilung verkündet, dass es den vollständigen Gewichts‑Satz seines brandneuen Kolibri‑Modells unter der Apache 2.0‑Lizenz öffentlich bereitstellt. Der Release‑Tag fiel bewusst auf den Tag der deutschen Wiedervereinigung, um ein klares Signal für die Förderung europäischer KI‑Souveränität zu setzen und das Engagement des Unternehmens für offene Forschung zu unterstreichen.

Kolibri ist ein Mixture‑of‑Experts‑Transformer (MoE), der von Grund auf für die zweisprachige Verarbeitung von Englisch und Deutsch konzipiert wurde. Die Architektur umfasst exakt 78,1 Milliarden Parameter, von denen jedoch pro Token nur etwa 3,46 Milliarden aktiv werden – ein Mechanismus, der die Rechenlast während der Inferenz drastisch senkt, ohne dass die Gesamtkapazität des Modells verloren geht.

Technische Spezifikationen

Das Modell bietet ein nativen Kontextfenster von rund 262 000 Token, ein Wert, der die meisten derzeit verfügbaren Groß‑Sprachmodelle deutlich übertrifft. Für besonders anspruchsvolle Anwendungsfälle stellt Ale Alpha zudem eine erweiterte maximale Kontextlänge von bis zu 1 048 576 Token bereit, empfiehlt jedoch für den alltäglichen Betrieb kürzere Fenster, um mögliche Latenzspitzen zu vermeiden.

Obwohl das MoE‑Design die Inferenz effizienter macht, muss der vollständige Gewichts‑Satz gespeichert werden. Laut Schätzungen von MarkTechPost beträgt der Speicherbedarf nach einer FP8‑Quantisierung etwa 78 GB. Diese Datenmenge lässt sich auf einem einzelnen Nvidia H200‑Beschleuniger ablegen oder, je nach Infrastruktur, auf mehrere Geräte mit je 80 GB Speicher verteilt werden.

Trainingsdaten und Methodik

Ale Alpha gibt an, dass Kolibri auf etwa 20 Billionen kuratierte Token trainiert wurde, die aus einem noch größeren Pool von mehr als 200 Billionen rohen Token ausgewählt wurden. Davon entfielen 21,3 % auf deutschsprachige Quellen, während lediglich 6 % aus übersetztem Material bestanden, was den klaren Schwerpunkt auf native Sprachdaten verdeutlicht.

Die Trainingspipeline wurde besonders robust konzipiert: Checkpoints wurden automatisch gesichert, Evaluierungen fanden etwa stündlich statt und das System konnte nach Hardware‑ oder Netzwerk‑Fehlern das Training ohne manuelles Eingreifen wieder aufnehmen, wie das Unternehmen in seiner technischen Dokumentation beschreibt.

Leistungsansprüche und regulatorische Haltung

Ale Alpha berichtet von starken Ergebnissen auf sowohl proprietären als auch öffentlich zugänglichen Benchmarks und führt Vergleiche mit Modellen an, die pro Token mehr aktive Parameter einsetzen. Das Unternehmen betont jedoch, dass diese Zahlen aus eigenen Tests stammen und einer unabhängigen Validierung durch Dritte bedürfen, um ihre Objektivität zu bestätigen.

Kolibri wurde in Deutschland und Finnland entwickelt und trainiert, wobei sämtliche regulatorischen Vorgaben des EU‑KI‑Acts, des General‑Purpose‑AI‑Code‑of‑Practice, der DSGVO sowie urheberrechtlicher Bestimmungen berücksichtigt wurden. Die offene Lizenz senkt zwar die Zugangshürden, garantiert jedoch nicht automatisch die rechtliche Konformität jeder nachgelagerten Nutzung.

• Anwendungen im öffentlichen Sektor wie Steuerverwaltung und Bürgerdienste
• Industrielle Automation und prädiktive Instandhaltung
• Automobil‑Design, Simulation und Compliance‑Prüfung
• Halbleiter‑Chip‑Design‑Verifikation
• Luft‑ und Raumfahrt‑Systemengineering und Sicherheitsanalyse

Für deutsche Unternehmen stellt Kolibri eine souveräne Alternative zu fremden Cloud‑Anbietern dar, insbesondere für regulierte und missionskritische Workloads. Die Möglichkeit, das Modell on‑premise zu betreiben, gibt Organisationen die volle Kontrolle über ihren KI‑Stack und unterstützt damit die europäischen Daten‑Souveränitäts‑Strategien.

Die zweisprachige Fähigkeit von Kolibri ermöglicht es Unternehmen, direkt auf englischsprachige Fachliteratur, Forschungspapiere oder Marktberichte zuzugreifen, ohne teure und latente Übersetzungspipelines einsetzen zu müssen. Das massive native Kontextfenster erlaubt die Verarbeitung von umfangreichen Dokumenten, Verträgen oder Codebasen in einem einzigen Durchlauf, was Prüfungen und Audits erheblich beschleunigt.

Ein weiterer Vorteil liegt in der offenen Gewichts‑Veröffentlichung: Firmen können das Modell intern weiter verfeinern, an ihre spezifischen Governance‑Richtlinien anpassen und das Verhalten der KI gezielt steuern, um etwaige Risiken zu minimieren und die Abhängigkeit von externen Anbietern zu reduzieren.

Die Veröffentlichung von Kolibri unter einer permissiven Lizenz ist ein klares Zeichen dafür, dass europäische Unternehmen zunehmend in der Lage sind, hochmoderne KI‑Technologien eigenständig zu nutzen und weiterzuentwickeln, ohne sich ausschließlich auf US‑ oder chinesische Anbieter zu verlassen.

Zusammenfassend bietet das 78,1 Milliarden‑Parameter‑Modell eine Kombination aus hoher Leistungsfähigkeit, zweisprachiger Flexibilität und regulatorischer Konformität, die es zu einem bedeutenden Baustein für die zukünftige KI‑Infrastruktur in Europa macht.

In Berlin, München und Hamburg bereits erste Pilotprojekte laufen, bei denen Kolibri zur Analyse von Gesetzestexten, zur automatisierten Erstellung von technischen Dokumentationen und zur Unterstützung von Kundenservice‑Chatbots eingesetzt wird. Diese lokalen Initiativen zeigen, wie schnell das Modell in praxisrelevante Anwendungen integriert werden kann.