The Pulse
Aleph Alpha presenta Kolibri, modello a pesi aperti da 78 miliardi di parametri
Aleph Alpha ha presentato Kolibri, un modello a pesi aperti per il tedesco e l’inglese con 78 miliardi di parametri totali e licenza Apache 2.0. L’azienda afferma che supporta finestre di contesto fino a un milione di token, anche se la sch
AI.info Team · Scritto con l’IA ·
«Kolibri è un transformer Mixture-of-Experts per l’inglese e il tedesco con 78 miliardi di parametri totali, di cui 3 miliardi attivi».
Aleph Alpha
Aleph Alpha ha presentato Kolibri il 3 ottobre 2026, rendendo disponibili tutti i pesi del modello su Hugging Face con licenza Apache 2.0. L’azienda tedesca si rivolge alle organizzazioni che vogliono eseguire modelli linguistici sulla propria infrastruttura, in particolare nella pubblica amministrazione, nell’industria e nel settore aerospaziale. Kolibri supporta l’inglese e il tedesco, modalità di ragionamento e chiamate agli strumenti.
Kolibri dà la priorità al tedesco e all’inglese
Il modello è progettato per due lingue, anziché per un’ampia copertura multilingue. Aleph Alpha afferma che il tedesco rappresenta il 21,3% dei token usati nel pre-addestramento e di aver sviluppato un tokenizer bilingue per gestire la struttura delle parole tedesche. L’azienda dice inoltre di aver usato con parsimonia i dati tradotti, con l’obiettivo di esporre il modello a materiale in tedesco prodotto originariamente in quella lingua.
Kolibri segue un precedente modello interno, Kolibri Origin. Secondo Aleph Alpha, il nuovo modello è passato dai 30,6 miliardi di parametri totali e dal contesto di 65.536 token usato nell’addestramento di Origin a 78,1 miliardi di parametri e a un contesto di 262.144 token usato nell’addestramento. È stato pre-addestrato su 20.000 miliardi di token, selezionati da oltre 200.000 miliardi di token grezzi che l’azienda afferma di aver filtrato e curato.
Pochi parametri attivi, ma notevoli esigenze di memoria
Kolibri è un modello Mixture-of-Experts: attiva 3,46 miliardi di parametri per token, pur avendone 78,1 miliardi in totale. Questa architettura può limitare il calcolo necessario per ogni token generato, ma il modello completo deve comunque trovare posto in memoria. La sua scheda su Hugging Face indica un fabbisogno di memoria di circa 156 GB per i pesi BF16 e una configurazione minima di quattro GPU A100 da 80 GB, quattro GPU H100 SXM5, due GPU H200 oppure una B200 o B300.
Aleph Alpha dichiara lunghezze di contesto fino a 1.048.576 token, ma precisa che la scheda del modello raccomanda contesti non superiori a 262.144 token per l’efficienza nell’utilizzo del modello e per i compiti complessi. Il modello è stato addestrato con contesti fino a 262.144 token, mentre l’azienda ha validato contesti più lunghi, fino a un milione di token. È una distinzione importante per chi deve valutare la funzionalità di contesto lungo rispetto ai costi dell’hardware e ai tempi di latenza.
I benchmark dell’azienda mostrano punti di forza e lacune
Nei risultati pubblicati da Aleph Alpha, Kolibri ottiene 96,0 su AIME 2026 in inglese e 90,0 nella versione tedesca. Nel confronto dell’azienda, questi punteggi superano quelli degli altri modelli elencati in entrambe le righe. La stessa tabella riporta 21,5 nella versione inglese di Humanity’s Last Exam, al di sotto del punteggio di 35,6 indicato per Qwen3.8, un modello con 27 miliardi di parametri attivi.
I risultati provengono dalle valutazioni condotte dalla stessa Aleph Alpha, non da un’analisi indipendente. L’azienda afferma che i confronti sui benchmark usano i suoi strumenti di valutazione e, dove applicabile, il massimo livello di impegno nel ragionamento per ciascun modello. I clienti hanno così una serie di risultati da esaminare, ma i punteggi pubblicati vanno letti come confronti riportati dal fornitore, non come una misura definitiva delle prestazioni nelle diverse implementazioni.
La sovranità dei dati alla prova della pratica
Aleph Alpha afferma di aver sviluppato Kolibri in Germania e di averlo addestrato su infrastrutture in Germania e Finlandia, nel rispetto delle leggi europee e tedesche. Presenta i pesi scaricabili e l’installazione on-premises come modi per consentire ai clienti di mantenere i dati nei propri sistemi e conservare il controllo sull’uso del modello. Si tratta di dichiarazioni dell’azienda su come il modello è stato sviluppato e distribuito, non di una garanzia che ogni configurazione adottata dai clienti soddisfi i rispettivi requisiti legali o di sicurezza.
Il compromesso più evidente di Kolibri emerge dalle sue specifiche: per ogni token si attiva solo una piccola parte dei parametri, ma l’insieme dei pesi BF16 richiede comunque molta memoria. Il modello offre alle organizzazioni un’opzione per il tedesco e l’inglese che possono scaricare ed eseguire autonomamente; la configurazione minima indicata per la versione BF16 prevede quattro GPU A100 da 80 GB.