德國 Aleph Alpha 開源 Kolibri 1：78B MoE 模型，主打政府與工業主權部署

德國 AI 公司 Aleph Alpha 在德國統一日當天發布 Kolibri 1，以 Apache 2.0 授權在 Hugging Face 開放下載，任何人都可以免費商用。這不是一個通用競賽型大模型，而是一個從一開始就為主權部署設計的工業級工具，鎖定歐洲政府機關、航太、製造與汽車等受監管產業。

規格上，Kolibri 1 是 Mixture-of-Experts 架構，總參數 78B，但每次推論只啟動約 3B 的參數——這個設計讓它可以在客戶自己的機房裡跑，不必把資料送到第三方推論服務。上下文長度最高支援 100 萬 tokens，比前一代 Kolibri Origin 的 65,000 tokens 拉高了約 15 倍。Aleph Alpha 宣稱它在同等服務成本下沒有競爭模型能超越它的品質，具體數字是：78B 的架構在兩張 H100 上可同時處理 18 條長上下文請求，而如果改成 123B 版本只能處理 3 條，解碼速度也慢了 28%。

從語言資料的角度來看，Kolibri 1 有 21.3% 的預訓練 tokens 是德文，約 4.3T tokens。Aleph Alpha 並沒有靠機器翻譯填資料，而是自己從 Common Crawl 抓了 1.3T 的有機德文網頁、再用 LLM 改寫另外 1T tokens，原因很實際：把英文翻成德文，文化語境還是英美的，模型學到的是「用德文說美國的事」。他們還為此開發了新的分詞器 UniBPE，更好處理德文複合字的詞形結構，讓德文推論的 token 消耗更低。

整個訓練過程在德國和芬蘭的基礎設施上完成，不涉及非歐洲法律管轄，這正是他們對外承諾的「主權」——不只是能自己部署，而是從資料蒐集、預訓練到後訓練，整條供應鏈都在自己手上。這一點讓 Kolibri 1 可以直接宣稱符合 EU AI Act、GDPR 等法規要求，合規性是模型繼承的屬性，不是事後打補丁的。

對企業來說，另一個值得注意的能力是「知道自己不知道」。一般模型的訓練邏輯是猜錯有小機率答對、不回答則絕對得零分，所以模型學會硬猜；Kolibri 1 用 Merlin-Arthur 協議訓練，讓模型在上下文沒有足夠依據時選擇棄答而非亂猜。測試數字顯示，在 AA-Omniscience 資料集上，Kolibri 1 正確棄答的比率是 44%，前一代 Kolibri Origin 只有 15%——在法律文件或飛航安全等場景，這個差距意味著「可部署」與「不可部署」之間的分界線。

Kolibri 1 從開始規劃到發布，前後不過幾個月：前一代 Kolibri Origin 於 6 月 11 日完成預訓練，Kolibri 1 於 9 月 11 日完成，中間只隔三個月，訓練 tokens 從 7.5T 擴到 20T（處理原始資料超過 200T 才篩出 20T），GPU 用的是 768 張 B200。這個速度說明 Aleph Alpha 建的不只是一個模型，而是一條可以反覆跑的自動化訓練流水線——預訓練 21 天裡遇到 38 次非計畫中斷，全部由系統自動切換節點、從 checkpoint 恢復，沒有人工介入。

這件事對企業主的意義在於：開源主權模型的門檻正在快速降低。以前要達到「合規、可自建、德文夠用」這三個條件需要大量客製，現在 Kolibri 1 把這三個條件打包成一個可以直接下載的 Apache 2.0 模型。對在歐洲有合規壓力的企業，或是對把資料送到境外推論感到顧慮的組織，這個選項的出現讓評估清單上少了幾個原本繞不開的障礙。真正的問題是：Aleph Alpha 的企業部署與專業化支援能不能跟上需求，規模和後台服務能力決定這能走多遠。