Kolibri-1 non censuré : le modèle MoE 78B d'Aleph Alpha expliqué

Kolibri-1 en un coup d'œil

Développeur

Aleph Alpha (Heidelberg, Allemagne)

Date de sortie

3 octobre 2026

Paramètres

78B au total, 3,46B actifs par token

Architecture

Transformer MoE, 50 couches, 384 experts

Fenêtre de contexte

262 144 en natif, validée jusqu'à 1 048 576

Langues

Allemand et anglais

Licence

Apache 2.0 (poids et configuration)

Date limite des connaissances

18 juin 2026

Matériel minimum

2×A100 80GB, 2×H100 ou 1×H200

Non censuré ?

Non, aligné sur la sécurité ; versions communautaires uniquement

Qu'est-ce que Kolibri-1 ?

Aleph Alpha Kolibri-1 est un Transformer à mélange d'experts (MoE) publié par Aleph Alpha GmbH, basée à Heidelberg en Allemagne, et développé par Aleph Alpha Research. Il compte 78B paramètres au total (78 103 074 560) mais n'en active que 3,46B par token, arrondis à environ 3B par l'entreprise. Ses 50 couches sont toutes MoE, chacune avec un expert partagé et six experts routés parmi 384. Le contexte natif est de 262 144 tokens et Aleph Alpha indique avoir validé la qualité jusqu'à 1 048 576 tokens. Le vocabulaire de 128 000 tokens est optimisé pour les mots composés allemands. Seuls l'allemand et l'anglais sont pris en charge, les connaissances s'arrêtent au 18 juin 2026, et le modèle propose quatre niveaux d'effort de raisonnement (none, low, medium, high) ainsi que l'appel d'outils natif.

Pourquoi on cherche Kolibri-1 sans censure

Le modèle a été entraîné à refuser et à s'abstenir : les conditions d'usage d'Aleph Alpha interdisent les usages illégaux et demandent aux intégrateurs d'ajouter leurs propres garde-fous, et le modèle apprend à dire qu'il ne sait pas quand les preuves manquent. Les auteurs et rôlistes qui veulent une fiction adulte franche cherchent donc un Kolibri-1 non censuré. Cela n'existe que sous forme de modifications communautaires non officielles, comme des poids abliterated, qui exigent un gros matériel et n'offrent aucune garantie de qualité. Spicy AI n'héberge pas le modèle d'Aleph Alpha ; son chat utilise un autre modèle, sans filtre de contenu, pour des adultes consentants.

Benchmarks de Kolibri-1 face à Qwen3.6 et Nemotron 3 Super

Tous les scores publiés sont déclarés par Aleph Alpha ; au 15 octobre 2026, aucune reproduction indépendante n'avait été trouvée. Dans le blog de lancement, le modèle obtient 96,9 à AIME 2025 contre 84,6 pour Qwen3.6-35B-A3B et 91,7 pour Nemotron 3 Super 120B-A12B, et 84,3 à GPQA Diamond contre 83,4 et 78,0. Il reste devant sur les versions allemandes : 87,5 à AIME 2025 (DE) et 81,3 à GPQA Diamond (DE). Qwen3.6 l'emporte sur BFCL v4 (67,2 contre 61,4), LongBench Pro (70,8 contre 64,5) et τ²-bench telecom (99,1 contre 94,7). Aleph Alpha affirme que le modèle égale des systèmes ayant jusqu'à quatre fois plus de paramètres actifs, en citant Nemotron 3 Super.

Scores tirés du blog de lancement d'Aleph Alpha, échelle 0–100. Non reproduits de façon indépendante.

Comment Kolibri-1 a été entraîné

Aleph Alpha documente l'entraînement avec un niveau de détail inhabituel. Le pré-entraînement a utilisé environ 20 000 milliards de tokens avec des séquences de 16 384 tokens, suivi de 3 440 milliards de tokens de mid-training à 64k et d'environ 201 milliards de tokens de contexte long à 256k, soit près de 24 000 milliards au total. Le calcul a tourné sur 768 GPU NVIDIA B200 en Allemagne et en Finlande, et le pré-entraînement a duré 21 jours. Selon la fiche du modèle, le mélange compte environ 62,5 % d'anglais, 23,9 % d'allemand et 13,6 % de code. Le post-entraînement associe un jeu SFT de 268 milliards de tokens à un apprentissage par renforcement sur plus de 1,2 million de tâches, et des données d'abstention apprennent au modèle à reconnaître quand le contexte ne permet pas de répondre. Aleph Alpha dit avoir conçu la sortie autour de l'AI Act européen, du code de bonnes pratiques GPAI et du RGPD, et estime l'énergie d'entraînement à environ 950 MWh.

Licence : Apache 2.0 et ses limites

Les poids et fichiers de configuration sont publiés sous Apache 2.0 : vous pouvez les télécharger, les affiner, les redistribuer et les utiliser commercialement, à condition de conserver la licence et les mentions d'attribution. La fiche du modèle fixe une limite : la licence ne couvre que les fichiers du dépôt et ne s'étend pas au code sous-jacent, à l'architecture, aux réglages de paramètres ni aux méthodes d'entraînement d'Aleph Alpha, qui restent sa propriété intellectuelle. L'auto-hébergement est gratuit ; Aleph Alpha n'a publié aucun prix par token pour une API hébergée, l'accès entreprise passe par son équipe commerciale.

Téléchargement sur Hugging Face et besoins en GPU

Il n'existe que deux dépôts de l'éditeur : Aleph-Alpha/Kolibri-1 en FP8 (environ 79 Go) et Aleph-Alpha/Kolibri-1-BF16 (environ 156 Go). Le FP8 demande environ 78 Go de mémoire GPU. Le minimum documenté est 2×A100 80GB, 2×H100 SXM5, 1×H200, 1×B200 ou 1×B300 ; selon Aleph Alpha, deux H100 servent 18 requêtes simultanées de 256k tokens. Le service passe par vLLM avec le 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. Au-delà de 262 144 tokens, ajoutez --max-model-len 1048576 et une surcharge de max_position_embeddings. Échantillonnage recommandé : temperature 1,0, top_p 0,97, top_k 128.

Quantifications GGUF, llama.cpp et Ollama

Aleph Alpha ne fournit aucun fichier GGUF, ONNX ou MLX. La conversion la plus téléchargée est Hob-forge/Kolibri-1-GGUF, dont l'auteur précise qu'elle est indépendante et non approuvée par Aleph Alpha ni par llama.cpp. Les tailles vont de Q2_K à 28,6 Go à Q8_0 à 83,1 Go, en passant par Q4_K_M à 47,5 Go. Lors de sa mise à jour du 8 octobre, llama.cpp en amont ne prenait pas en charge l'architecture kolibri1 : il faut le patch du dépôt ou les binaires précompilés de l'auteur, et Ollama comme LM Studio ne peuvent pas encore le charger. L'auteur indique environ 12,3 tokens par seconde en Q4_K_M sur un Ryzen 7 7800X3D avec 128 Go de RAM, environ 18 avec l'attention sur un GPU de 12 Go ; ce sont des chiffres autodéclarés, pas des benchmarks.

Tailles issues du dépôt Hob-forge ; les usages indiqués sont notre estimation approximative.

Versions abliterated et non censurées de la communauté

Plusieurs variantes communautaires tentent de supprimer les refus. huihui-ai/Huihui-Kolibri-1-BF16-abliterated-GGUF retire la direction de refus des poids ; iSkye/Kolibri-1-heretic et Blackfrost-AI/KOLIBRI-1-DERISKED-BF16 suivent des idées proches. Aucune n'est publiée ni testée par Aleph Alpha, personne n'a publié de benchmark sur la perte de qualité de raisonnement, et elles exigent les mêmes 30 à 160 Go de mémoire que les originaux. Supprimer les refus ne change ni la licence ni la loi : les contenus impliquant des mineurs, des personnes réelles sans consentement ou tout autre contenu illégal restent interdits. Pour du jeu de rôle entre adultes sans cette installation, un chat non censuré en ligne est la voie pratique.

Notre avis : forces et points faibles de Kolibri-1

En lisant la fiche du modèle et les documents de lancement côte à côte, Kolibri-1 ressemble moins à un chatbot généraliste qu'à un modèle d'infrastructure pour les organisations européennes qui doivent garder leurs données sur leurs propres serveurs. Ses meilleurs arguments sont l'efficacité et la qualité en allemand, pas la créativité brute. Ce sont nos conclusions éditoriales à partir des faits publiés, pas des résultats de tests maison :

• Force : seulement 3,46B de paramètres actifs, donc un décodage rapide pour sa taille, utile quand beaucoup d'utilisateurs partagent un nœud GPU.
• Force : l'allemand est une langue de premier plan, avec un tokenizer adapté aux mots composés et des benchmarks en version allemande.
• Force : des poids sous Apache 2.0 et un résumé des données publié facilitent l'examen juridique.
• Point faible : il faut toujours environ 78 Go de mémoire GPU, ce n'est donc pas un modèle pour ordinateur portable.
• Point faible : les autres langues, dont le chinois, ne sont ni prises en charge ni évaluées officiellement.
• Point faible : en appel d'outils et en contexte long, il reste derrière Qwen3.6 dans les propres tableaux d'Aleph Alpha.

Premières réactions de la communauté

Deux semaines après le lancement, nous n'avons trouvé ni reproduction indépendante des benchmarks ni avis d'utilisateurs sur la durée que nous puissions vérifier, nous n'en citons donc aucun. Ce qui se mesure, c'est l'activité sur Hugging Face, qui montre une forte envie de faire tourner Kolibri-1 hors d'un centre de données. Les téléchargements traduisent l'intérêt, pas la qualité :

• Hob-forge/Kolibri-1-GGUF comptait 42 241 téléchargements et 26 likes au 15 octobre 2026, le record parmi les conversions.
• Le GGUF abliterated de huihui-ai a atteint 4 551 téléchargements, signe que beaucoup veulent moins de refus.
• Des utilisateurs d'Apple Silicon ont publié des conversions MLX en 3 et 4 bits, d'autres des variantes NVFP4 et un drafter EAGLE3.
• Un Space Gradio communautaire est apparu le 4 octobre, mais Aleph Alpha ne propose aucun chat de démonstration public.

Ni le manuel Kolibri 1/2, ni l'app Kolibri, ni Colibri LLM

Kolibri est un nom très partagé, vérifiez donc ce que désigne un résultat de recherche. Kolibri 1/2 est une collection de manuels scolaires allemands pour le primaire, et les pages de téléchargement Kolibri renvoient en général à l'application éducative hors ligne de Learning Equality pour Windows et Android. Colibri LLM, souvent écrit avec un C, est un moteur d'inférence sans rapport hébergé sur GitHub. Le modèle de cette page est toujours Aleph Alpha Kolibri-1, publié par l'organisation Aleph-Alpha sur Hugging Face ; son prédécesseur s'appelait Kolibri Origin.

Conseils de prompt pour des résultats dans le style de Kolibri-1

1. Le modèle ne prend officiellement en charge que l'allemand et l'anglais ; en local, il donne le meilleur dans ces langues.
2. Utilisez reasoning_effort none ou low pour le jeu de rôle ; high ajoute une longue réflexion rarement utile.
3. Restez à 262 144 tokens de contexte ou moins, sauf besoin réel du mode 1M.
4. Considérez les versions abliterated comme des expériences et comparez-les à l'original.
5. Précisez que tous les personnages sont adultes (18+) et ne basez jamais une scène sur une personne réelle.

Sources

• Fiche du modèle Kolibri-1 (Hugging Face)
• Poids BF16 de Kolibri-1 (Hugging Face)
• Blog de lancement « Kolibri Has Landed » (Aleph Alpha)
• Communiqué de presse (Aleph Alpha)
• Hob-forge Kolibri-1 GGUF (tiers)
• Huihui abliterated GGUF (tiers)

Plus de modèles d'IA Chat sans censure

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