Aleph Alpha veröffentlicht Kolibri: Open-Weight-Modell mit 78 Milliarden Parametern für regulierte Branchen

Was Kolibri ist und wie es sich einsetzen lässt

Kolibri unterstützt Kontextlängen von bis zu 1 Mio. Token. Die vollständigen Gewichte stehen auf Hugging Face zum Download bereit und können unter den Bedingungen von Apache 2.0 genutzt werden. Aleph Alpha hat das Modell am 3. Oktober 2026 veröffentlicht, den das Unternehmen als Tag der Deutschen Einheit bezeichnet, und verweist für alle Details auf einen Tech-Report.

Die geringe, effiziente Größe des Modells erlaube es Kunden, es On-Premise zu betreiben, ohne interne Daten an Inferenzdienste Dritter zu senden, so das Unternehmen. Zudem unterstütze Kolibri einen steuerbaren Reasoning-Aufwand, sodass Nutzer Kosten und Latenz gegen die Antwortqualität abwägen können.

Kolibri wurde auf Deutsch, Reasoning, Mathematik, agentisches Verhalten und weitere Fähigkeiten spezialisiert, die Kunden im Produktivbetrieb benötigen. Ziel sei es gewesen, die Leistung für die konkreten Anwendungsfälle der Kunden zu optimieren und ihnen zu ermöglichen, die wirtschaftlichen Effekte zu überwachen, damit der Return on Investment messbar bleibt, erklärt Aleph Alpha.

Benchmark-Ergebnisse und der Effizienzanspruch

Nach Angaben von Aleph Alpha liegt Kolibri bei Qualität im Verhältnis zu den Betriebskosten auf der Pareto-Grenze, sowohl auf Englisch als auch auf Deutsch. Keines der verglichenen Modelle liefere bei gleichen Betriebskosten mehr Qualität oder bei gleicher Qualität geringere Kosten, so das Unternehmen. Bei Mathematik, Coding, Grounding und Long-Context-Aufgaben halte Kolibri außerdem mit Modellen mit bis zu viermal so vielen aktiven Parametern mit, etwa Nemotron 3 Super.

Das Unternehmen verglich Kolibri mit seinem Vorgänger Kolibri Origin, Qwen3.6-35B-A3B, Nemotron 3 Super 120B-A12B und Mistral Small 4 119B-A6B. Bei AIME 2025 erreichte Kolibri 96,9 Punkte, Nemotron 3 Super kam auf 91,7 und Qwen3.6-35B-A3B auf 84,6. In der deutschen Version dieses Tests erzielte Kolibri 87,5. Bei GPQA (Diamond) waren es 84,3, bei LiveCodeBench v6 85,9 und bei BrowseComp 29,4.

Die Ergebnisse fallen nicht durchweg zugunsten von Kolibri aus. Qwen3.6-35B-A3B schnitt bei BFCL v4 insgesamt besser ab (67,2 zu 61,4), ebenso bei τ²-bench telecom (99,1 zu 94,7) und bei LongBench Pro (70,8 zu 64,5). Beim AA-Omniscience Index lag Kolibri mit -32,8 hinter Qwen3.6-35B-A3B mit -15,3 und Mistral Small 4 mit -24,0. Aleph Alpha beschreibt Kolibri als ausgewogenen Generalisten mit konkurrenzfähiger Leistung in Mathematik, Code, langem Kontext, agentischen Fähigkeiten und Wissen.

Spezialisierung, Grounding und Fokus auf die deutsche Sprache

Da öffentliche Benchmarks die Anforderungen spezialisierter Branchen nicht abbilden, hat Aleph Alpha interne Evaluierungssuiten für Branchen wie den deutschen öffentlichen Sektor, die Luftfahrt, die Fertigung und die Automobilindustrie aufgebaut. Dazu passende synthetische Trainingsumgebungen erlaubten es dem Unternehmen, das Modell anhand dieser Evaluierungen zu verbessern, ohne mit Kundendaten zu trainieren.

Bei diesen internen Kundenproxy-Benchmarks stiegen die Werte über aufeinanderfolgende Post-Training-Läufe hinweg in allen fünf Branchen. Die Suite für Automobilzulieferer ging von 0,72 auf 0,99, Halbleiter von 0,35 auf 0,80. Die Suite für den deutschen öffentlichen Sektor stieg von 0,54 auf 0,75, industrielle Antriebstechnik von 0,31 auf 0,60 und Luft- und Raumfahrt von 0,14 auf 0,59.

Kolibri wurde zudem mit Abstention-Daten und mit dem Merlin-Arthur-Protokoll des Unternehmens trainiert. Dadurch ist es laut Aleph Alpha darauf trainiert, „Ich weiß es nicht“ zu sagen, wenn die Antwort nicht im Kontext steht. Kunden fragten diese Funktion nach, und das Unternehmen verfolge die Abstention-Genauigkeit fortlaufend.

Für die Sprache entwickelte das Unternehmen einen zweisprachigen Tokenizer für Deutsch und Englisch. Deutsch macht 21,3 % der Pre-Training-Token aus. Übersetzungen wurden sparsam eingesetzt, mit insgesamt 6 %, weil übersetzte Texte tendenziell den kulturellen Fingerabdruck ihrer Ausgangssprache tragen. Aleph Alpha nennt das Ergebnis ein Modell, das von Grund auf zweisprachig angelegt ist.

Souveränitätsanspruch und die Model Factory

Aleph Alpha gibt an, Kolibri mit Blick auf den EU AI Act, den Code of Practice für KI-Modelle mit allgemeinem Verwendungszweck und die DSGVO entwickelt zu haben, wobei das Urheberrecht ein besonderer Schwerpunkt gewesen sei. Das Unternehmen sagt, es sei transparent bei den Modellgewichten und der Kuratierung der Trainingsdaten, und Reasoning-Traces machten nachvollziehbar, wie das Modell zu einer Antwort gelangt ist.

Das Team hat das Modell in Deutschland entwickelt und auf Infrastruktur in Deutschland und Finnland unter europäischem und deutschem Recht trainiert, mit „no foreign control“, wie das Unternehmen erklärt. Es besitze die gesamte Pipeline, von der Datenkuratierung über Pre- und Post-Training bis zur Optimierung in seiner Model Factory, und Kunden erhielten volle Freiheit beim Deployment sowie Sicherheit beim geistigen Eigentum.

Die Model Factory ist die als Code umgesetzte Trainingspipeline des Unternehmens, sodass die Erkenntnisse des Teams in einem versionierten Trainingsrezept stecken statt in verstreuten Skripten und Notizen. Die Arbeit daran begann im Januar. Kolibri Origin, ein Modell mit 30B Gesamtparametern, 3B aktiven Parametern und einem Kontextfenster von 65.000 Token, schloss das Pre-Training am 11. Juni nach Hunderten von Ablationsläufen ab. Kolibri war am 11. September fertig. In diesen drei Monaten wuchs das Modell von 30B auf 78B Parameter, das Kontextfenster von 65.000 Token auf bis zu 1 Mio., und die Trainingsdaten von 7,5T auf 20T Token. Laut Aleph Alpha lief das Pre-Training, ohne dass jemand eingreifen musste, wenn Hardware ausfiel oder eine Datenverbindung abbrach.

Was das für Anwender bedeutet

Für Organisationen in regulierten Branchen bietet Kolibri offene Gewichte unter einer freizügigen Lizenz und ein Modell, das nach Angaben des Unternehmens klein genug ist, um On-Premise betrieben zu werden. Die Effizienz- und Benchmark-Aussagen von Aleph Alpha stammen aus eigenen Evaluierungen, und die internen Kundenproxy-Ergebnisse wurden an Suiten gemessen, die das Unternehmen selbst aufgebaut hat. Details lassen sich im Tech-Report prüfen.