Aleph Alpha veröffentlicht Kolibri-1: Open-Weight-KI-Modell aus Deutschland mit 78 Milliarden Parametern



Aleph Alpha hat Kolibri-1 vorgestellt, ein Open-Weight-KI-Modell für Deutsch und Englisch, das durch eine effiziente Architektur mit nur 3,46 Milliarden aktiven Parametern pro Token überzeugt. Das Modell erzielt starke Benchmark-Ergebnisse, darunter 96,9 % auf AIME 2025.
Aleph Alpha stellt Kolibri-1 vor
Aleph Alpha hat die Einführung von Kolibri-1 bekannt gegeben, einem Open-Weight-KI-Modell, das speziell für die Verarbeitung von Deutsch und Englisch trainiert wurde. Das Modell verfügt über insgesamt 78 Milliarden Parameter, wobei jedoch nur 3,46 Milliarden Parameter pro Token aktiviert werden.
Die Gewichte sind unter der Apache-2.0-Lizenz auf Hugging Face verfügbar: Kolibri-1.
Laut den eigenen Evaluierungen von Aleph Alpha erreicht Kolibri-1 einen Score von 96,9 % auf dem AIME-2025-Benchmark und 84,3 % auf GPQA Diamond. In der Gesamtbewertung für deutschsprachige Aufgaben übertrifft es leicht Qwen3.5 35B-A3B und GPT-OSS 120B.
Die Ergebnisse im Bereich Coding fallen gemischter aus: Auf SWE-Bench Verified erzielte das Modell 66,4 %, während Qwen3.6 hier auf 73,8 % kommt.
Für das Post-Training gab das Unternehmen an, Antworten chinesischer Modelle genutzt zu haben – konkret GLM von Zhipu und Qwen von Alibaba –, wie im technischen Bericht beschrieben.
Kolibri-1 demonstriert, dass wettbewerbsfähige kleine Modelle auch außerhalb der üblichen US- und China-Ökosysteme entstehen können.
Warum das wichtig ist
AnalyseKolibri-1 bietet eine europäische Open-Weight-Option für deutsch- und englischsprachige Workloads und zeigt, dass Modelle mit wenigen aktiven Parametern dennoch starke Benchmark-Leistungen liefern können. Dies ist besonders relevant für Teams, die lokalisierte KI-Produkte unter der permissiven Apache-2.0-Lizenz entwickeln.
In der Community diskutieren
Teile deine Fragen und Erkenntnisse mit Entwicklern
Verwandt im Ökosystem
Praktische Leitfäden, Terminologie und Agenten-Skills
Open Weights vs. Truly Open Source AI
Rechtliche und ingenieurtechnische Analyse des fundamentalen Unterschieds zwischen verfügbaren Modellgewichten (Llama, DeepSeek) und vollständig offenen Projekten mit Quellcode, Daten und Architektur gemäß dem OSI-Standard.
OpenAI veröffentlicht GPT 6.2 Astra und Sol
OpenAI hat GPT 6.2 Astra und Sol vorgestellt; Astra führt Agenten-Benchmarks an und bietet wettbewerbsfähigere Preise.
Teil II. Architektur von KI-Agenten: Vom Modell zu Gedächtnis und Tools
Tiefes technisches Eintauchen: Tokenisierung, KV-Cache, Determinismus beim Sampling, Trainings-Stack, Quantisierung, Kontext-Engineering, Security-Stack, produktives RAG, ReAct sowie Multi-Agenten-Swarm-Systeme.
Prompt-Leitfaden für GPT-Bildgenerierungsmodelle
Die Bildgenerierungsmodelle gpt-image von OpenAI sind darauf ausgelegt, Visuals in Produktionsqualität und vollständig steuerbare kreative Prozesse zu erzeugen. Sie eignen sich sowohl für professionelle Design-...