Aleph Alphas Kolibri bietet europäischen Institutionen mehr als ein Souveränitätsversprechen: herunterladbare Gewichte, die sie behalten, anpassen und auf selbst gewählter Infrastruktur betreiben können. Das deutsch-englische Modell war ab 3. Oktober verfügbar; am 5. Oktober folgte eine weitere Firmenmitteilung. Sein stärkstes Versprechen ist Kontrolle über Betrieb und deutsche Arbeitsabläufe, nicht weltweite Führung in jedem Benchmark.
Die Bundesregierung veröffentlichte Kolibri weder selbst noch wählte sie es als nationales Verwaltungsmodell aus. Ein privates deutsches Unternehmen brachte einen Kandidaten für Verwaltung, Industrie, Verteidigung, Luftfahrt und andere regulierte Aufgaben heraus. Einführung verlangt weiterhin Evaluation, Integration und Beschaffung. Bestehende Behördenkontakte belegen keinen Einsatz genau dieser Version bei folgenreichen Entscheidungen.
Sparse Berechnung bedeutet kein kleines Modell
Kolibri hat 78,1 Milliarden Gesamtparameter und aktiviert etwa 3,46 Milliarden je Token. Pro Schicht wählt die Mixture-of-Experts-Architektur sechs von 384 gerouteten Experten neben einem gemeinsamen Experten. Nur zehn von 50 Schichten nutzen volle Attention; die anderen ein 512-Token-Fenster. Das reduziert Berechnungen, doch sämtliche Gewichte müssen zugänglich bleiben.
Apache 2.0 erlaubt kommerzielle Nutzung, Änderung und Weitergabe. BF16- und niedrigpräzisere FP8-Versionen sind verfügbar; für FP8 werden ungefähr 78 GB angegeben. Offene Gewichte bieten mehr Portabilität als eine API, rekonstruieren aber nicht jede Trainingsentscheidung. Vollständige Reproduktion benötigt weiterhin Daten, Code, Methoden, Fachwissen und erhebliche Rechenleistung.
Das Modell unterstützt strukturierte Ausgaben, native Werkzeugaufrufe und Reasoning-Stufen aus, niedrig, mittel oder hoch. Eine OpenAI-kompatible Schnittstelle erleichtert Integration. Die Modellkarte sieht beratende Systeme vor, in denen Menschen vor Handlungen prüfen, nicht autonome Entscheidungen in folgenreichen Fällen.
Maximal beworben werden 1.048.576 Kontexttoken, nativ für langen Kontext trainiert wurden 262.144. Frühere Stufen nutzten 16.384 und 65.536. Für komplexe Aufgaben und effizienten Betrieb empfiehlt Aleph Alpha höchstens die native Länge. Die Million wurde durch Extrapolation validiert, nicht gleich lang nativ trainiert.
Deutsche Spezialisierung mit einer Zahlendifferenz
Aleph Alpha argumentiert, Verwaltungsdeutsch brauche mehr als flüssige Antworten eines englischzentrierten Modells. Gesetzesverweise, Komposita, Behördenrollen und Verfahrensannahmen können durch allgemeine Filter oder Übersetzung verzerrt werden. Deutsche Webfilter wurden angepasst und Parlaments-, Rechts- und gemeinfreie Texte eingebunden.
Die Berichte unterscheiden sich beim Deutschanteil: Zwei nennen 21,3% des Haupttrainings, etwa 4,3 Billionen Tokenpräsentationen innerhalb von 20 Billionen; ein anderer 23,9% neben 62,5% Englisch und 13,6% Code. Ein weiterer rundet Englisch/Code auf 62%/14%. Das sind keine bereinigten Anteile desselben Nenners. Die Dokumentationsabweichung muss geklärt werden, statt einen vermeintlich richtigen Wert zu erfinden.
Nach Filterung und Deduplizierung lagen zunächst 390 Milliarden verwendbare deutsche Token vor, gegenüber einem Ziel von ungefähr vierBillionen. Eine eigene Common-Crawl-Pipeline sammelte 1,3 Billionen einzigartige Token; Umformulierungen deutscher Dokumente erzeugten ungefähr eine weitereBillion als Fragen/Antworten oder Lexikonpassagen. Korpusaufbau und wiederholte Präsentationen sind unterschiedliche Größen, keine einfach addierbare Menge einzigartiger Daten.
Das zweisprachige Vokabular mit 128.000 Token nutzt UniBPE für deutsche Morphologie. Gemeldet werden 4,7 Bytes je Token auf Deutsch und 4,2 auf Englisch sowie sinnvollere Kompositazerlegung. Kompression kann Kontext und Berechnung sparen, beweist aber keine juristische Genauigkeit.
Etwa 800.000 deutsche überwachte Reasoning-Beispiele nutzten deutsche Satzanfänge gegen Abdriften ins Englische. Lesbare Erklärungen erleichtern Prüfung, bilden interne Berechnung aber nicht notwendig getreu ab. Quellen, versionierte Prompts und Zugriffsunterlagen bleiben nötig. Wissensstand für Deutsch/Englisch ist 18. Juni 2026; neuere Fakten brauchen Abruf oder Werkzeuge.
Umfangreiche Trainingsdokumentation bedeutet keine einfache Reproduktion
Aleph Alpha meldet Trainingsende am 11. September nach 21 Tagen auf 768 Nvidia B200, mit 38 ungeplanten Unterbrechungen und automatischen Neustarts ab Checkpoints. Genannt werden 392.000 GPU-Stunden für diese Stufe. Vor Kuratierung wurden über 200 Billionen Roh-Token verarbeitet; Haupttraining nutzte 20 Billionen, Mid-Training 3,44 Billionen und Langkontextanpassung 200 Milliarden.
Weitere Post-Training-Zahlen sind 174 Milliarden erzeugte synthetische Token, eine nach Filterung mit permissiv lizenzierten Daten kombinierte 268 Milliarden-Token-SFT-Mischung und über 1,2 Millionen kuratierte Reinforcement-Learning-Aufgaben. Diese stufenspezifischen Mengen sind keine einzigartigen Rohdokumente und dürfen nicht einfach zu den Hauptkorpusprozenten addiert werden.
Geschätzte Energie für offengelegte Trainingsphasen beträgt 950 MWh einschließlich Rechenzentrumsaufwand, ohne SFT, Reinforcement Learning, kleinere Experimente und weitere Aktivitäten. Dokumentiert werden eine Sperrliste mit über 4,5 Millionen URLs und Prüfungen von Lizenzen, rechtmäßiger Herkunft, Opt-outs und Drittdaten. Das ermöglicht Kontrolle, beweist aber nicht die Lösung jeder Urheberrechts- oder Datenschutzfrage.
Trainiert wurde in Deutschland und Finnland, mit beanspruchter deutscher/europäischer Kontrolle über Entwicklung und Lieferkette. Das geht über lokale Promptspeicherung hinaus, umfasst aber weiter ausländische Chips, Software, Strom und Fachanbieter. Souveränität heißt verbleibende Abhängigkeiten regeln, nicht beseitigen.
Hardware und langer Kontext bleiben Betriebsgrenzen
Als Mindestkonfigurationen nennt die Anleitung zwei A100 mit 80 GB, zwei H100 SXM5 oder eine H200, B200 beziehungsweise B300. Für manche Einsätze werden zwei H100 SXM5 oder zwei H200 empfohlen, daneben neuere Einzelbeschleuniger. 3,46 Milliarden aktive Parameter machen daraus kein gewöhnliches Desktopmodell gleicher Größe.
In einem Firmentest bediente der 78 Milliarden-Entwurf auf zwei H100s 18 gleichzeitige Anfragen mit ungefähr 256.000 Kontexttoken; eine experimentelle 123 Milliarden-Version nur drei. Dekodierung war 28% schneller. Beschaffungsgarantien sind das nicht: Präzision, Batching, Software, Ein-/Ausgabelänge, Speicher, Kommunikation und Serviceziele verändern Kosten.
Kolibri Base erzielte bei RULER 69,8 mit 256.000 Token und 63,2 bei einerMillion. Maximale Annahmelänge garantiert keine zuverlässige Nutzung aller Details. Belege können zwischen Wiederholungen, Widersprüchen und bösartigen Anweisungen liegen. Berechtigungsbewusster Abruf mit nachvollziehbaren Quellen kann besser sein als eine gesamte Akte samt irrelevanten Personendaten im Prompt.
Grounding ist aussichtsreich, Benchmarks bleiben gemischt
Merlin-Arthur erzeugt belegte Dokumentkontexte und absichtlich unvollständige Varianten: Antworten bei vorhandener Evidenz, Enthaltung bei fehlender. Intern meldet Aleph Alpha 44% Enthaltung bei unbelegten Aufgaben gegenüber 15% für Kolibri Origin. Der deutsche Behördenproxy stieg von 0,54 auf 0,75. Das sind Firmenevaluationen, keine geprüfte Produktionszuverlässigkeit.
Private Kundenproxies decken auch Autozulieferer, Halbleiter, Antriebstechnik und Luftfahrt ab. Sie können realitätsnäher als akademische Tests sein, sind ohne Aufgaben, Prompts, Bewertung und Baselines aber nicht reproduzierbar. Korrekte und unbelegte Antworten, sinnvolle und unnötige Ablehnungen sowie Quellenpräzision zählen. Hohe Enthaltung allein kann Nutzen gegen Vorsicht tauschen.
Für AIME 2025 meldet die Firma 96,9 auf Englisch/87,5 auf Deutsch, für AIME 2026 96,0/90,0. GPQA Diamond erreicht 84,3/81,3. Ausgewählte Vergleiche mit Mistral, Qwen und Nvidia belegen Konkurrenzfähigkeit, teils gegenüber viermal so vielen aktiven Parametern, nicht allgemeine Überlegenheit.
Werkzeug- und Agententests sind uneinheitlicher. BFCL v4 gesamt ergibt 61,4 gegen 67,2 für gelistetes Qwen3.6 35B-A3B; mehrstufig 47,5. TerminalBench 2.1 liegt bei 27,7 unter gelisteten Qwen3.6, Nemotron 3 Super und dichtem Qwen3.8. Domänenagenten erreichen 94,7 Telekom,76,7 Fluggesellschaft und 38,1 Bank; andere Modelle führen mehrere Zeilen. Prompts, Reasoning-Budgets, Übersetzungen, Kontamination und Bewertung beeinflussen Vergleiche.
Der Staat verfolgt mehrere Wege statt eines Champions
F13 mit Baden-Württemberg und ein angeführter Rollout für 80.000 Behördennutzer belegen institutionellen Zugang, nicht Kolibri-Produktion. Ein benannter Einsatz braucht Arbeitsablauf, aktive Nutzer, menschliche Prüfung, Fehlerklassen und nach Verifikation gesparte Zeit. Tausende zugelassene Pilotnutzer sind keine tägliche Nutzung.
SAP und OpenAI kündigten OpenAI for Germany imSeptember 2025 mit OpenAI-Technik sowie SAPs Delos Cloud und Microsoft Azure an. Das betont deutschen Betrieb, Verträge und Support statt Eigentum an der Modellpipeline. Managed Services liefern Kapazität, Monitoring und Updates; portable Gewichte stärken Kontinuität und Versionskontrolle, verschieben aber Verantwortung zum Kunden.
KIPITZ unterstützt bereits Zusammenfassungen, Übersetzung, Entwürfe, Umschreiben und Dialog und soll cloudagnostisch mit anwendungsspezifischen offenen Modellen arbeiten. Keine zitierte Bekanntgabe wählt Kolibri aus. Agentic-AI-Hub-Piloten betreffen Planung, Genehmigungen, Protokolltranskription und Bürgerdienste; Tool Calling allein stellt weder Berechtigungen noch ein fertiges Agentensystem.
Alternativen sind Mistral, das Konsortium OpenEuroLLM, das deutsch-englische Soofi-Projekt auf Deutsche Telekoms German Industrial AI Cloud sowie offene Modelle von Meta, Qwen und Nvidia. Mistral ist auch an Regierungsinitiativen beteiligt, darunter französische Einsätze und geprüfte deutsch-französische Kooperation mit SAP. Ersetzbare Alternativen stärken Souveränität mehr als ein nationaler Alleinanbieter.
Unabhängige Evaluation ergänzt diese Wege. Bundesdruckereis MÖVE begann mit neun deutschen Datensätzen und sieben Kriterien für Verwaltung/Recht, Sicherheit, Nachhaltigkeit und demokratische Werte; BSI und Fraunhofer AISEC wirken an Sicherheit mit. Eine weitere Studie mit 39 Modellen von 13 Anbietern fand keinen universellen Governance-Sieger und über 60 fache Energieunterschiede. Die besten zwei erreichten nur 0,671 Genauigkeit bei 4.788 politischen Positionen von 64 Parteien. Kolibri wurde dort nicht direkt geprüft; europäische Herkunft beweist keine deutsche Institutionenkompetenz.
Kontrolle muss Betrieb und Firmenwechsel überstehen
Der geplante Zusammenschluss mit Cohere steht unter regulatorischem Vorbehalt. Berichte beschreiben eine Berlin-/Toronto-Gruppe mit über 1.000 Beschäftigten unter Cohere-Namen. Kolibri ist bereits fertiggestellt, während der geplante Zusammenschluss noch genehmigt werden muss und nicht wirksam geworden ist. Forschungskapazität und Vertrieb könnten wachsen, doch Käufer brauchen Klarheit zu IP, Recht, Support, künftigen Versionen und Kontinuität. Aktuelle Apache 2.0-Gewichte bleiben unter diesen Bedingungen verfügbar; künftige Offenheit ist eine andere Frage.
Der freiwillige EU-GPAI-Kodex soll Anbietern den Nachweis einschlägiger AI-Act-Pflichten erleichtern. Unterzeichnung, DSGVO-orientierter Entwurf oder offene Lizenz zertifizieren weder jede Anwendung noch alle Trainingsdatenfragen. Entwürfe, Suche und Leistungsentscheidungen tragen unterschiedliche Risiken; Betreiber verantworten Zweck, Betroffene, Sicherheit, Aufsicht, Logs und Rechtsbehelf.
Portable Basisgewichte lassen mögliche Bindungen durch Adapter, Suchindizes, Orchestrierung und Monitoring bestehen. Prompt Injection, Datenabfluss, vergiftete Dokumente und unsichere Tool Calls benötigen Anwendungskontrollen. Handbücher lesen darf keine Maschinenbefehle erlauben; Dokumenthilfe bedeutet keinen unbeschränkten Mailzugang.
Der nächste Beleg sind unabhängige Replikation und dauerhafte benannte Nutzung: Rechts- und Kommunaldeutsch, regionale Unterschiede, unzugängliche Akten, widersprüchliche/veraltete Regeln, entzogene Rechte, bösartige Anweisungen, Energie, Latenz und Wiederherstellung. Gehostete oder angepasste Versionen sind mit den herunterladbaren zu vergleichen. Souveränität wird glaubwürdig, wenn Institutionen zuverlässige Dienste prüfen, betreiben, ersetzen und regeln können – nicht durch Nationalität oder eine Million-Token-Schlagzeile.
Quellen und weiterführende Lektüre
Kolibri-Veröffentlichung · Analyse deutscher Trainingsdaten · Forschung zu deutschem Reasoning · OpenAI for Germany · Geplanter Cohere-Zusammenschluss · Kolibri-Modellkarte · Fundnachweis des Hauptberichts · BF16-Gewichte · MÖVE-Benchmark · Bundesplattform KIPITZ · Unabhängige deutsche Governance-Studie · Zugriffsregeln für Wissensdatenbanken · Fundnachweis des zweiten Berichts · Mitteilung vom 5.Oktober · EU-GPAI-Verhaltenskodex · Fundnachweis des dritten Berichts