Kolibri: Czym właściwie jest model Aleph Alpha 78B o otwartych wagach

Kolibri to model językowy z otwartymi wagami od Aleph Alpha, laboratorium z Heidelbergu, które od lat przekonuje, że europejskie instytucje potrzebują modeli, które mogą uruchamiać na własnym sprzęcie. To system typu mixture-of-experts o 78 miliardach parametrów, aktywujący około 3,46 miliarda parametrów na token, czytający i piszący wyłącznie po niemiecku i angielsku, ze zweryfikowanym oknem kontekstu wynoszącym 1 048 576 tokenów. Wagi są hostowane na Hugging Face w repozytorium o nazwie Aleph-Alpha/Kolibri-1, na licencji Apache 2.0. Te same materiały towarzyszące wydaniu opisują także Kolibri Origin, poprzednika o 30,6 miliarda parametrów, który został wytrenowany, zweryfikowany wewnętrznie i nigdy nie został udostępniony. Jeśli wpisałeś samą nazwę i trafiłeś tutaj, to jest krótka odpowiedź; reszta tej strony to specyfikacja, która za nią stoi, a każda liczba jest przypisana do źródła, które ją publikuje.

Model został udostępniony 3 października 2026 r. — własny wpis informacyjny Aleph Alpha, datowany na Heidelberg, 5 października, stwierdza, że Kolibri jest dostępny od 3 października, a karta modelu nosi tę samą datę. Ta data jest tu po to, by umiejscowić model, a nie by go ogłaszać. To, co następuje, to wersja stała: czym model jest, czym nie jest, które liczby pochodzą od Aleph Alpha, a które — na dzień dzisiejszy — nie pochodzą od nikogo.

Kolibri, Kolibri-1, Kolibri Origin: trzy nazwy, jedno wydanie

Nazewnictwo to pierwsza rzecz, którą czytelnik musi rozgryźć, ponieważ dostawca używa dwóch z nich zamiennie, a trzecia należy do czegoś zupełnie innego.

• Kolibri — nazwa modelu we wszystkim, co pisze Aleph Alpha: na stronie produktu, w ogłoszeniu, w raporcie technicznym. Niemieckie słowo, a dostawca zapisuje je dokładnie tak: wielkie K, bez sufiksu.

• Kolibri-1 — ten sam model na poziomie repozytorium. Repozytorium Hugging Face to Aleph-Alpha/Kolibri-1, a polecenie serwowania publikowane przez dostawcę to vllm serve Aleph-Alpha/Kolibri-1. To identyfikator wersji, a nie drugi model, i oba ciągi prowadzą do identycznych wag.

• Kolibri Origin — inny model, i to nie taki, który można pobrać. To poprzednik o 30,6 mld parametrów i 3,27 mld aktywnych parametrów, który zakończył wstępne trenowanie w czerwcu 2026 r., został użyty do walidacji potoku treningowego i nigdy nie został opublikowany. Aleph Alpha podaje większość wierszy benchmarków Kolibri jako kolumnę porównawczą względem niego, dlatego ta nazwa pojawia się niemal w każdej tabeli dotyczącej Kolibri. Jeśli szukasz wag, to nie ten, którego należy szukać.

Nie istnieje odrębny „Kolibri 2”, nie ma wariantu dostrojonego do czatu opublikowanego pod inną nazwą ani skwantyzowanej oficjalnej dystrybucji. Wszystko inne noszące tę nazwę w indeksie pobierania jest konwersją strony trzeciej, a materiały samego dostawcy nie dokumentują czegoś takiego.

Rozmiar: liczba 78B jest prawidłowa, a to druga liczba decyduje o wszystkim

Zapytanie „Kolibri 78B” krąży, a dostawca potwierdza je, zamiast je korygować. Z karty modelu, opublikowanej wraz z wagami: 78 103 074 560 parametrów łącznie, z czego 3 457 573 120 jest aktywnych na token. To współczynnik rzadkości wynoszący około 22,6 do 1.

Rozróżnienie to nie pedanteria. Całkowita liczba parametrów określa, ile pamięci potrzebuje model; liczba aktywnych parametrów określa, ile obliczeń kosztuje każdy token. Model 78B z 3,46B aktywnych parametrów to bardzo duży artefakt, który w czasie wnioskowania zachowuje się jak mały model w przeliczeniu na token — i właśnie dlatego Aleph Alpha może podać minimalny próg wdrożenia na dwóch GPU dla czegoś tej wielkości. Każde podsumowanie Kolibri, które podaje 78B bez liczby aktywnych parametrów, pomija część, która decyduje o rachunku.

Dla porównania skali na tle własnej linii: Kolibri Origin miał łącznie 30,6 mld parametrów, z czego 3,27 mld aktywnych. Kolibri w przybliżeniu podwaja łączną liczbę parametrów, jednocześnie ledwie zmieniając liczbę aktywnych, co jest stwierdzeniem o pojemności na jednostkę kosztu obsługi, a nie o surowej szybkości.

Architektura i licencja: czym są wagi i co tak naprawdę obejmuje tutaj Apache 2.0

Kolibri to 50-warstwowy transformer typu mixture-of-experts, który nie ma w ogóle gęstych warstw feed-forward. Każda warstwa kieruje do 384 ekspertów, z których sześciu jest aktywnych na token, plus jeden wspólny ekspert; wymiar pośredni eksperta wynosi 512, a wymiar modelu 2560. Mechanizm uwagi jest hybrydowy: większość warstw korzysta z okna przesuwnego o rozmiarze 512 tokenów, a pełna uwaga występuje tylko w co piątej warstwie. Opis architektury Aleph Alpha przedstawia konsekwencję wprost — udział pracy czystego mechanizmu uwagi spada z 51 procent do 27 procent przy kontekście 16K w porównaniu z Kolibri Origin, a liczba warstw z pełną uwagą spada mniej więcej pięciokrotnie.

Tokenizator to dwujęzyczna wersja niemiecko-angielska ze słownikiem liczącym 128 000 tokenów, wytrenowana metodą, którą laboratorium nazywa UniBPE. Dwa języki, celowo: dostawca ujmuje zakres jako głębię ponad szerokość i mówi to wprost, zamiast przedstawiać dwa dobrze obsługiwane języki jako osiągnięcie wielojęzyczne.

Licencja to Apache 2.0, a karta modelu jest niezwykle precyzyjna, jeśli chodzi o jej zakres. Licencja ma zastosowanie, jak ujmuje to sama karta, „wyłącznie do wag i plików konfiguracyjnych opublikowanych w tym repozytorium” — nie obejmuje ona kodu źródłowego, definicji architektury, ustawień parametrów ani metody treningowej. Zatem praktyczne stanowisko dla zespołu wdrożeniowego jest następujące: wagi są naprawdę otwarte i można ich używać komercyjnie, bez klauzuli dopuszczalnego użytku, bez progu miesięcznych aktywnych użytkowników i bez odrębnych warunków komercyjnych, ale licencja nie przyznaje praw do przepisu treningowego Aleph Alpha ani do jego kodu wnioskowania. Jeśli Twój dział prawny zapyta, czy jest to open source w rozumieniu OSI, uczciwa odpowiedź brzmi: to otwarte wagi na licencji zatwierdzonej przez OSI z określonym ograniczeniem zakresu, a to nie to samo twierdzenie.

Okno kontekstu i maksymalna wielkość danych wyjściowych

Aleph Alpha publikuje okno kontekstowe w dwóch poziomach, a to rozróżnienie warto zachować.

• Zwalidowane maksimum — 1 048 576 tokenów, podane zarówno na stronie produktu, jak i w karcie modelu.

• Natywna i zalecana — 262 144 tokeny. Karta zaleca pozostanie na tym poziomie lub poniżej niego ze względu na wydajność obsługi oraz w przypadku złożonych zadań; strona dostawcy podaje 256K jako wartość roboczą.

• Postęp trenowania — wstępnie wytrenowany na 16 384 tokenach, trenowany pośrednio z horyzontem 65 536 tokenów, a następnie rozszerzony do 262 144 jako długość trenowania.

Osiągnięcie pełnego miliona nie jest konfiguracją, którą otrzymujesz domyślnie. Przepis serwowania wymaga jawnej flagi maksymalnej długości modelu oraz nadpisania osadzania pozycji, co dokumentuje dostawca. Odczytuj 1M jako zweryfikowany pułap z udokumentowaną procedurą, a 262K jako liczbę, wokół której należy projektować obciążenie produkcyjne.

Maksymalna długość danych wyjściowych nie została opublikowana. Ani strona produktu, ani karta modelu, ani ogłoszenie nie podają limitu generowania. Jeśli wdrożenie opiera się na sztywnym limicie danych wyjściowych, jest to pytanie do Aleph Alpha lub do własnej konfiguracji udostępniania modelu — a nie coś, na co odpowiadają materiały wydania.

Modalności: tylko tekst, i jest to zamierzona granica.

Kolibri to model typu tekst na wejściu, tekst na wyjściu. Tag pipeline'u na karcie modelu opisuje go jako przetwarzający tekst wejściowy i generujący tekst wyjściowy oraz zauważa, że dane treningowe są wyłącznie tekstowe. Brak enkodera wizyjnego, ścieżki audio, generowania obrazów, udokumentowanej modalności wyników narzędzi poza wywołaniami narzędzi w formie tekstowej.

W tym miejscu język dostawcy i oczekiwania czytelnika najczęściej się rozchodzą, więc warto powiedzieć wprost: nic w nazwie Kolibri, jego rozmiarze ani modelach siostrzanych nie powinno skłaniać do założenia, że przyjmuje obrazy. Nie przyjmuje. Jego dwa języki to niemiecki i angielski, a nie został zbudowany do obsługi trzeciego — żądanie w języku francuskim lub hiszpańskim wykracza poza cel projektowy, niezależnie od tego, co robi z nim demo.

Ma natomiast wywoływanie narzędzi — w stylu Hermes, z parserem dostarczanym w tym samym repozytorium co wagi — oraz cztery poziomy wysiłku rozumowania, none, low, medium i high, ustawiane przez szablon czatu. Oba te zachowania są udokumentowane, a nie odkryte przez społeczność.

Co twierdzi Aleph Alpha, a co zmierzył ktokolwiek inny

Dwie kategorie, i nie są one tej samej wielkości.

Zgłoszone przez dostawcę, z własnego środowiska testowego Aleph Alpha, uruchomionego przez Aleph Alpha i opublikowanego przez Aleph Alpha: Kolibri plasuje się na granicy Pareto pod względem jakości w stosunku do kosztu obsługi dla języka angielskiego i niemieckiego; dorównuje modelom o nawet czterokrotnie większej liczbie aktywnych parametrów — twierdzenie, które dostawca ilustruje modelem Nemotron 3 Super, modelem 120B-A12B; specjalizuje się w języku niemieckim, rozumowaniu, matematyce i pracy agentowej, z mocnymi wierszami użycia narzędzi (Tau2-Bench telecom 94,7 proc., retail 69,9 proc., airline 76,7 proc.; BFCL v4 ogółem 61,4 proc.) oraz wierszami rozumowania (GPQA Diamond 84,3 proc. w języku angielskim, AIME 2025 96,9 proc. w języku angielskim). Niemieckie dane w tej samej tabeli — GPQA Diamond 81,3 proc., AIME 2025 87,5 proc., AIME 2026 90 proc. — pochodzą z niemieckojęzycznej wersji tych samych benchmarków.

Niezależnie zmierzone, na dzień 13 października 2026 r.: nic. Nie istnieje wpis Artificial Analysis dla Kolibri ani wiersz Aleph Alpha na liście jego dostawców; sama karta modelu stwierdza, że model nie jest udostępniany przez żadnego dostawcę inferencji na Hugging Face; a żadna strona trzecia nie opublikowała reprodukcji frameworka ewaluacyjnego dostawcy, mimo że kod harnessu jest publiczny w repozytorium samego laboratorium. Ewaluacja jest wnikliwa i jest to ewaluacja jednego laboratorium. Traktuj każdy powyższy procent jako twierdzenie dostawcy, dopóki ktoś spoza Heidelbergu tego nie uruchomi.

Jedna liczba w materiałach dostawcy zasługuje na szczególną ostrożność, a nie na powtarzanie. Strona produktowa Aleph Alpha pokazuje indeks AA-Omniscience wynoszący 33,6 procent dla Kolibri. Ten indeks to konstrukt Artificial Analysis, a Artificial Analysis obecnie nie publikuje żadnego wpisu dotyczącego Kolibri. Ta wartość to własne uruchomienie cudzego indeksu przez Aleph Alpha, co jest rzeczą uprawnioną do opublikowania, a nieuprawnioną do odczytywania jako niezależny wynik. To liczba zgłoszona przez dostawcę, dopóki właściciel indeksu nie opublikuje własnej.

Jak to właściwie uruchomić

Nie ma hostowanego endpointu, na który można by wskazać. Kolibri jest dystrybuowany jako wagi wraz z pakietem do wnioskowania, a jego wywołanie oznacza uruchomienie go samodzielnie.

• Instalacja — pip install "aleph-alpha-inference>=1.0", które zapewnia wtyczkę Kolibri vLLM i przypina obsługiwaną przez nią wersję vLLM; alternatywnie pobierz obraz kontenera ghcr.io/aleph-alpha/aleph-alpha-inference.

• Serwowanie — standardowe wywołanie vLLM na modelu Aleph-Alpha/Kolibri-1, z włączoną pamięcią podręczną KV w FP8, parserem rozumowania Kolibri, parserem wywołań narzędzi Kolibri i automatycznym wyborem narzędzi.

• Pamięć — wagi FP8 to około 78 GB. Podane minimum to dwie karty A100 80 GB, dwa H100 SXM5, jeden H200, jeden B200 lub jeden B300; zalecana konfiguracja to dwa H100 SXM5, dwa H200, jeden B200 lub jeden B300.

• Próbkowanie — temperatura 1.0, top-p 0.97, top-k 128, zgodnie z zaleceniem karty.

• Interfejs — zgodny z OpenAI, serwowany lokalnie. Istniejący kod chat-completions można skierować na niego; reasoning effort przechodzi przez szablon czatu, a wywołania narzędzi trafiają do standardowego pola tools.

Własny formularz rejestracyjny dostawcy oferuje „Modelltest API” jako kategorię zgłoszenia, więc rozmowa o API jest możliwa przez dział sprzedaży. Żadne opublikowane materiały nie opisują je jako dostępne, wycenione ani samoobsługowe.

Nic w materiałach wydawniczych nie podaje ceny, bo nie ma czego wyceniać: wagi można pobrać bezpłatnie, a koszt korzystania z Kolibri to koszt GPU, które pod nim umieścisz. Aleph Alpha nie publikuje również żadnych limitów szybkości, darmowych kredytów ani poziomu próbnego dla tego modelu — wszelkie twierdzenia przeciwne byłyby wnioskiem wyciągniętym ze słowa „available”, a nie faktem z stron dostawcy.

Brak trasy w OrcaRouter i uczciwa alternatywa

Sprawdziliśmy dziś własny katalog: OrcaRouter obsługuje 207 modeli, a Kolibri nie ma wśród nich, bez względu na pisownię nazwy czy prefiks Aleph Alpha. To ma znaczenie dla czytelnika, którego faktyczne pytanie brzmi: „czy mogę to wywołać bez kupowania dwóch H100s”, ponieważ odpowiedź brzmi: nie — ani tutaj, ani w infrastrukturze samego dostawcy jako opublikowana usługa. Samodzielny hosting to obecnie jedyny sposób na uruchomienie Kolibri.

Jeśli potrzebujesz modelu mieszanki ekspertów obsługującego niemiecki i angielski, który możesz wywołać jeszcze dziś po południu, najbliższym produktem, jaki mamy w ofercie, jest Gemma 4 26B A4B IT — model MoE z otwartymi wagami w cenie $0.06 za milion tokenów wejściowych i $0.33 za milion tokenów wyjściowych, z oknem 262 144 tokenów — ta sama klasa kontekstu co zalecana wartość robocza Kolibri, rozliczana za token zamiast 78 GB VRAM i rozmowy z działem zakupów. OrcaRouter kieruje ruch do każdego modelu, który obsługuje, po cenie katalogowej dostawcy, bez żadnych dodatków, co jest tanim sposobem sprawdzenia, czy dane obciążenie uzasadnia posiadanie sprzętu. Dwa zastrzeżenia, wypowiedziane wprost, a nie pozostawione domysłom: to inny model z innymi wagami i nie zastępuje głębi niemieckiego pretreningu Kolibri. To uczciwe porównanie modelu, który można wynająć, z modelem, który trzeba posiadać.

Dla zespołu rozważającego suwerenne wdrożenie istnieje drugi powód, by kierować ruch, a nie zobowiązywać się na stałe. Jeśli obciążenie jest obecnie obsługiwane przez model hostowany i rozważasz przeniesienie go do samodzielnie hostowanego Kolibri, użytecznym testem jest uruchomienie obu na własnym ruchu, a nie czytanie dwóch tabel z benchmarkami — a endpoint z routingiem i automatycznym przełączaniem awaryjnym jest mniej ryzykownym miejscem do przeprowadzenia tego testu niż ścieżka produkcyjna, którą już zmigrowałeś.

Stanowisko Kolibri

Aleph Alpha opublikował wyjątkowo kompletny opis modelu — pipeline treningowy, pochodzenie danych, metodę tokenizacji, wartość zużycia energii oraz poprzednika, którego zbudowano i porzucono — a także udostępnił wagi na licencji, na podstawie której firma może faktycznie prowadzić wdrożenie. Dla niemieckiego nabywcy z sektora publicznego lub przemysłowego, którego zasady zamówień zaczynają się od tego, gdzie znajdują się dane, właśnie ta kombinacja jest produktem i żaden wiersz benchmarku jej nie zastąpi.

To, czego nabywca nie może jeszcze zrobić, to zweryfikować tych twierdzeń. Nie ma niezależnej oceny, hostowanego endpointu ani ceny, którą można by porównać z czymkolwiek innym, co oznacza, że decyzja opiera się na danych liczbowych samego dostawcy plus testach we własnej infrastrukturze. To realne ograniczenie i nie jest powodem, by odrzucać model — jest powodem, dla którego powyższą specyfikację warto czytać linijka po linijce, a nie przeglądać pobieżnie procenty. Jeśli chcesz zrozumieć, czym jest Kolibri, odpowiedź brzmi: to 78B otwartowagowy, wyłącznie tekstowy, niemiecko-angielski MoE z limitem 1 mln tokenów i minimalnym wymaganiem dwóch GPU. To, czy jest to właściwy model dla twojego obciążenia, to pytanie, które może rozstrzygnąć wyłącznie twoja własna ocena.