Unzensiertes Kolibri-1: Aleph Alphas 78B-MoE-Modell erklärt

Kolibri-1 auf einen Blick

Entwickler

Aleph Alpha (Heidelberg)

Veröffentlichung

3. Oktober 2026

Parameter

78B gesamt, 3,46B aktiv pro Token

Architektur

MoE-Transformer, 50 Schichten, 384 Experten

Kontextfenster

262.144 nativ, validiert bis 1.048.576

Sprachen

Deutsch und Englisch

Lizenz

Apache 2.0 (Gewichte und Konfiguration)

Wissensstand

18. Juni 2026

Mindest-Hardware

2×A100 80GB, 2×H100 oder 1×H200

Unzensiert?

Nein, sicherheitsausgerichtet; nur Community-Builds

Was ist Kolibri-1?

Aleph Alpha Kolibri-1 ist ein Mixture-of-Experts-Transformer (MoE) der Aleph Alpha GmbH aus Heidelberg; entwickelt hat ihn Aleph Alpha Research. Er hat 78B Parameter insgesamt (78.103.074.560), aktiviert pro Token aber nur 3,46B, was das Unternehmen auf etwa 3B rundet. Alle 50 Schichten sind MoE-Schichten mit je einem geteilten und sechs gerouteten Experten aus 384. Der native Kontext beträgt 262.144 Token; laut Aleph Alpha ist die Qualität bis 1.048.576 Token validiert. Das Vokabular mit 128.000 Token ist auf deutsche Komposita abgestimmt. Unterstützt werden nur Deutsch und Englisch, der Wissensstand endet am 18. Juni 2026, und es gibt vier Reasoning-Stufen (none, low, medium, high) sowie natives Tool Calling.

Warum Menschen nach Kolibri-1 unzensiert suchen

Das Modell wurde mit Ablehnungs- und Enthaltungsverhalten trainiert: Die Nutzungsbedingungen von Aleph Alpha verbieten illegale Zwecke und verlangen eigene Schutzmechanismen beim Einsatz, und das Modell soll sagen, dass es etwas nicht weiß, wenn Belege fehlen. Autorinnen, Autoren und Rollenspieler, die offene Erwachsenenfiktion wollen, suchen deshalb nach einem unzensierten Kolibri-1. Das gibt es nur als inoffizielle Community-Modifikationen wie abliterated Gewichte, die große Hardware brauchen und keine Qualitätsgarantie bieten. Spicy AI hostet das Modell von Aleph Alpha nicht; der Chat hier nutzt ein anderes Modell ohne Inhaltsfilter für einvernehmliche Erwachsene.

Kolibri-1-Benchmarks im Vergleich mit Qwen3.6 und Nemotron 3 Super

Alle veröffentlichten Werte stammen von Aleph Alpha selbst; bis zum 15. Oktober 2026 war keine unabhängige Reproduktion zu finden. Im Launch-Blog erreicht das Modell 96,9 bei AIME 2025, gegenüber 84,6 für Qwen3.6-35B-A3B und 91,7 für Nemotron 3 Super 120B-A12B, sowie 84,3 bei GPQA Diamond gegenüber 83,4 und 78,0. Auch in den deutschen Varianten liegt es vorn: 87,5 bei AIME 2025 (DE) und 81,3 bei GPQA Diamond (DE). Qwen3.6 gewinnt bei BFCL v4 (67,2 zu 61,4), LongBench Pro (70,8 zu 64,5) und τ²-bench Telecom (99,1 zu 94,7). Aleph Alpha behauptet, das Modell erreiche Systeme mit bis zu viermal so vielen aktiven Parametern, und nennt Nemotron 3 Super.

Werte aus dem Launch-Blog von Aleph Alpha, Skala 0–100. Nicht unabhängig reproduziert.

So wurde Kolibri-1 trainiert

Aleph Alpha dokumentiert den Trainingslauf ungewöhnlich detailliert. Das Pre-Training nutzte etwa 20 Billionen Token bei 16.384 Token Sequenzlänge, gefolgt von 3,44 Billionen Mid-Training-Token bei 64k und rund 201 Milliarden Langkontext-Token bei 256k, zusammen etwa 24 Billionen. Gerechnet wurde auf 768 NVIDIA-B200-GPUs in Deutschland und Finnland, das Pre-Training dauerte 21 Tage. Laut Model Card besteht der Mix aus etwa 62,5 % Englisch, 23,9 % Deutsch und 13,6 % Code. Im Post-Training kamen ein SFT-Mix mit 268 Milliarden Token und Reinforcement Learning über mehr als 1,2 Millionen Aufgaben zum Einsatz; Abstention-Daten bringen dem Modell bei zuzugeben, wenn der Kontext keine Antwort stützt. Aleph Alpha richtet die Veröffentlichung nach eigenen Angaben am EU AI Act, am GPAI Code of Practice und an der DSGVO aus und schätzt den Trainingsenergiebedarf auf rund 950 MWh.

Lizenz: Apache 2.0 und ihre Grenzen

Gewichte und Konfigurationsdateien stehen unter Apache 2.0. Sie dürfen sie herunterladen, feinabstimmen, weitergeben und kommerziell nutzen, solange Lizenz- und Urheberhinweise erhalten bleiben. Die Model Card zieht eine Grenze: Die Lizenz deckt nur die Dateien im Repository ab und erstreckt sich nicht auf den zugrunde liegenden Code, die Architektur, Parametereinstellungen oder Trainingsmethoden von Aleph Alpha, die geistiges Eigentum des Unternehmens bleiben. Selbst hosten ist kostenlos; einen öffentlichen Preis pro Token für eine gehostete API hat Aleph Alpha nicht veröffentlicht, Unternehmenszugang läuft über den Vertrieb.

Download von Hugging Face und GPU-Anforderungen

Es gibt nur zwei Repositories des Herstellers: Aleph-Alpha/Kolibri-1 mit FP8-Gewichten (etwa 79 GB) und Aleph-Alpha/Kolibri-1-BF16 (etwa 156 GB). FP8 braucht rund 78 GB GPU-Speicher. Als Minimum dokumentiert sind 2×A100 80GB, 2×H100 SXM5, 1×H200, 1×B200 oder 1×B300; laut Aleph Alpha bedienen zwei H100 18 gleichzeitige Anfragen mit 256k Token. Bereitgestellt wird über vLLM mit dem Plugin aleph-alpha-inference: vllm serve Aleph-Alpha/Kolibri-1 --kv-cache-dtype fp8 --reasoning-parser kolibri1 --tool-call-parser kolibri1 --enable-auto-tool-choice. Für mehr als 262.144 Token ergänzen Sie --max-model-len 1048576 und einen Override für max_position_embeddings. Empfohlenes Sampling: temperature 1,0, top_p 0,97, top_k 128.

GGUF-Quants, llama.cpp und Ollama

Aleph Alpha liefert keine GGUF-, ONNX- oder MLX-Dateien. Die meistgeladene Konvertierung ist Hob-forge/Kolibri-1-GGUF; der Autor erklärt, sie sei unabhängig und weder von Aleph Alpha noch von llama.cpp unterstützt. Die Größen reichen von Q2_K mit 28,6 GB über Q4_K_M mit 47,5 GB bis Q8_0 mit 83,1 GB. Stand des Updates vom 8. Oktober unterstützte das offizielle llama.cpp die Architektur kolibri1 nicht; nötig sind der Patch aus dem Repository oder die vorkompilierten Binärdateien des Autors, und Ollama sowie LM Studio können das Modell noch nicht laden. Der Autor meldet etwa 12,3 Token pro Sekunde für Q4_K_M auf einem Ryzen 7 7800X3D mit 128 GB RAM, rund 18 mit Attention auf einer 12-GB-GPU; das sind Eigenangaben, keine Benchmarks.

Größen laut Hob-forge-Repository; die Einsatzhinweise sind unsere grobe Einschätzung.

Abliterated und unzensierte Community-Builds

Mehrere Community-Varianten versuchen, Ablehnungen zu entfernen. huihui-ai/Huihui-Kolibri-1-BF16-abliterated-GGUF entfernt die Ablehnungsrichtung aus den Gewichten; iSkye/Kolibri-1-heretic und Blackfrost-AI/KOLIBRI-1-DERISKED-BF16 verfolgen ähnliche Ansätze. Keine davon wird von Aleph Alpha veröffentlicht oder getestet, niemand hat Benchmarks zum Qualitätsverlust beim Reasoning veröffentlicht, und sie brauchen dieselben 30 bis 160 GB Speicher wie die Originale. Das Entfernen von Ablehnungen ändert weder Lizenz noch Gesetz: Inhalte mit Minderjährigen, mit realen Personen ohne Einwilligung oder andere illegale Inhalte bleiben verboten. Für Rollenspiele unter Erwachsenen ohne diesen Aufwand ist ein unzensierter Online-Chat der praktische Weg.

Unsere Einschätzung: Stärken und Schwächen von Kolibri-1

Liest man Model Card und Launch-Material nebeneinander, wirkt Kolibri-1 weniger wie ein allgemeiner Chatbot und mehr wie ein Infrastrukturmodell für europäische Organisationen, die Daten auf eigenen Servern halten müssen. Die stärksten Argumente sind Effizienz und deutsche Sprachqualität, nicht reine Kreativität. Das sind unsere redaktionellen Schlüsse aus den veröffentlichten Fakten, keine eigenen Testergebnisse:

• Stärke: Nur 3,46B aktive Parameter bedeuten schnelles Decoding für die Größe, wichtig, wenn viele Nutzer einen GPU-Knoten teilen.
• Stärke: Deutsch ist eine vollwertige Sprache, mit einem Tokenizer für lange Komposita und eigenen deutschen Benchmark-Versionen.
• Stärke: Apache-2.0-Gewichte und eine veröffentlichte Datenzusammenfassung erleichtern die rechtliche Prüfung.
• Schwäche: Trotz kleiner Aktivzahl braucht es rund 78 GB GPU-Speicher, ein Laptop-Modell ist es also nicht.
• Schwäche: Andere Sprachen, auch Chinesisch, werden offiziell weder unterstützt noch evaluiert.
• Schwäche: Bei Tool-Calling und Langkontext liegt es in Aleph Alphas eigenen Tabellen hinter Qwen3.6.

Erste Reaktionen der Community

Zwei Wochen nach dem Start gibt es weder unabhängige Benchmark-Reproduktionen noch längerfristige Nutzerbewertungen, die wir prüfen konnten, deshalb zitieren wir keine. Messbar ist die Aktivität auf Hugging Face, und sie zeigt großes Interesse daran, Kolibri-1 außerhalb eines Rechenzentrums zu betreiben. Downloadzahlen zeigen Interesse, nicht Qualität:

• Hob-forge/Kolibri-1-GGUF kam bis zum 15. Oktober 2026 auf 42.241 Downloads und 26 Likes, mehr als jede andere Konvertierung.
• Das abliterierte GGUF von huihui-ai erreichte 4.551 Downloads, ein Zeichen, dass viele weniger Verweigerungen wollen.
• Nutzer von Apple Silicon veröffentlichten MLX-Versionen mit 3 und 4 Bit, andere bauten NVFP4- und EAGLE3-Drafter-Varianten.
• Am 4. Oktober erschien ein Gradio-Space aus der Community; Aleph Alpha selbst bietet keinen öffentlichen Demo-Chat.

Nicht das Lehrwerk Kolibri 1/2, die Kolibri-App oder Colibri LLM

Kolibri ist ein vielfach belegter Name, prüfen Sie also, worauf sich ein Suchergebnis bezieht. Kolibri 1/2 ist eine Lehrwerksreihe für die Grundschule, und Seiten zum Kolibri-Download verweisen meist auf die Offline-Lernplattform von Learning Equality für Windows und Android. Colibri LLM, oft mit C geschrieben, ist eine davon unabhängige Inferenz-Engine auf GitHub. Das Modell auf dieser Seite ist immer Aleph Alpha Kolibri-1 aus der Organisation Aleph-Alpha auf Hugging Face; sein Vorgänger hieß Kolibri Origin.

Prompt-Tipps für Ergebnisse im Kolibri-1-Stil

1. Das Modell unterstützt offiziell nur Deutsch und Englisch, lokale Läufe funktionieren in diesen Sprachen am besten.
2. Nutzen Sie reasoning_effort none oder low für Rollenspiele; high erzeugt langes Nachdenken, das Sie selten brauchen.
3. Bleiben Sie bei höchstens 262.144 Token Kontext, außer Sie brauchen wirklich den 1M-Modus.
4. Behandeln Sie abliterated Builds als Experimente und vergleichen Sie sie mit dem Original.
5. Geben Sie an, dass alle Figuren erwachsen (18+) sind, und bauen Sie keine Szene auf einer realen Person auf.

Quellen

• Model Card Kolibri-1 (Hugging Face)
• BF16-Gewichte Kolibri-1 (Hugging Face)
• Launch-Blog „Kolibri Has Landed“ (Aleph Alpha)
• Pressemitteilung (Aleph Alpha)
• Hob-forge Kolibri-1 GGUF (Drittanbieter)
• Huihui abliterated GGUF (Drittanbieter)

Weitere unzensierte KI-Chat-Modelle

• ChatGPT unzensiert
• Claude unzensiert
• Gemini unzensiert
• Grok unzensiert
• DeepSeek unzensiert
• Llama unzensiert
• Mistral unzensiert
• Qwen unzensiert
• Character.AI unzensiert
• Kimi unzensiert
• Gemma unzensiert