무검열 Kolibri-1: Aleph Alpha의 78B MoE 모델 해설

Kolibri-1 한눈에 보기

개발사

Aleph Alpha(독일 하이델베르크)

출시일

2026년 10월 3일

파라미터

총 78B, 토큰당 활성 3.46B

아키텍처

MoE Transformer, 50개 레이어, 384개 전문가

컨텍스트 길이

기본 262,144, 1,048,576까지 검증

지원 언어

독일어와 영어

라이선스

Apache 2.0(가중치와 설정 파일)

지식 기준일

2026년 6월 18일

최소 하드웨어

2×A100 80GB, 2×H100 또는 1×H200

무검열인가요?

아니요. 안전 정렬 모델이며 무검열판은 커뮤니티 버전뿐

Kolibri-1(이)란?

Aleph Alpha Kolibri-1은 독일 하이델베르크의 Aleph Alpha GmbH가 공개하고 Aleph Alpha Research가 개발한 전문가 혼합(MoE) Transformer입니다. 전체 파라미터는 78B(78,103,074,560)이지만 토큰당 3.46B만 활성화되며, 회사는 이를 약 3B로 표기합니다. 50개 층이 모두 MoE 층이고, 각 층에는 공유 전문가 1개와 총 384개 중 라우팅되는 전문가 6개가 있습니다. 기본 컨텍스트는 262,144 토큰이며, Aleph Alpha는 1,048,576 토큰까지 품질을 검증했다고 밝혔습니다. 128,000 토큰 어휘는 독일어 합성어에 맞춰 최적화되었습니다. 독일어와 영어만 지원하고, 지식 기준일은 2026년 6월 18일이며, 네 단계 추론 강도(none, low, medium, high)와 네이티브 도구 호출을 제공합니다.

사람들이 무검열 Kolibri-1을(를) 찾는 이유

이 모델은 거절과 답변 유보를 학습했습니다. Aleph Alpha의 이용 조건은 불법적 용도를 금지하고 배포자에게 자체 안전장치를 추가하도록 요구하며, 근거가 부족하면 모른다고 답하도록 훈련되어 있습니다. 그래서 솔직한 성인 소설을 쓰거나 롤플레이를 즐기는 사람들은 무검열 Kolibri-1을 찾습니다. 하지만 이는 abliterated 가중치 같은 비공식 커뮤니티 수정본으로만 존재하며, 큰 하드웨어가 필요하고 품질 보장도 없습니다. Spicy AI는 Aleph Alpha의 모델을 호스팅하지 않으며, 이곳 채팅은 동의한 성인을 위해 콘텐츠 필터가 없는 다른 모델로 동작합니다.

Kolibri-1 벤치마크: Qwen3.6, Nemotron 3 Super와 비교

공개된 점수는 모두 Aleph Alpha의 자체 발표이며, 2026년 10월 15일 기준 독립적인 재현 결과는 찾을 수 없었습니다. 출시 블로그에서 이 모델은 AIME 2025에서 96.9점(Qwen3.6-35B-A3B 84.6, Nemotron 3 Super 120B-A12B 91.7), GPQA Diamond에서 84.3점(각각 83.4, 78.0)을 기록했습니다. 독일어 버전에서도 앞서 AIME 2025(DE) 87.5, GPQA Diamond(DE) 81.3을 받았습니다. 반면 BFCL v4(67.2 대 61.4), LongBench Pro(70.8 대 64.5), τ²-bench telecom(99.1 대 94.7)에서는 Qwen3.6이 앞섭니다. Aleph Alpha는 이 모델이 활성 파라미터가 최대 4배 많은 시스템과 맞먹는다고 주장하며 Nemotron 3 Super를 예로 듭니다.

점수는 Aleph Alpha 출시 블로그 기준(0–100)이며 독립적으로 재현되지 않았습니다.

Kolibri-1은 어떻게 학습되었나

Aleph Alpha는 학습 과정을 이례적으로 자세히 공개했습니다. 사전 학습은 시퀀스 길이 16,384로 약 20조 토큰을 사용했고, 이어 64k에서 3.44조 토큰의 중간 학습, 256k에서 약 2,010억 토큰의 장문 컨텍스트 학습을 거쳐 총 약 24조 토큰에 이릅니다. 학습은 독일과 핀란드에 있는 NVIDIA B200 GPU 768개로 진행되었고 사전 학습에만 21일이 걸렸습니다. 모델 카드에 따르면 데이터 구성은 영어 약 62.5%, 독일어 23.9%, 코드 13.6%입니다. 사후 학습에서는 2,680억 토큰 규모의 SFT 데이터와 120만 개 이상의 과제를 쓰는 강화 학습을 결합했고, 기권(abstention) 데이터로 근거가 부족하면 모른다고 답하도록 훈련했습니다. Aleph Alpha는 EU AI 법, GPAI 실천 강령, GDPR을 전제로 설계했다고 밝혔으며 학습 에너지를 약 950 MWh로 추정합니다.

라이선스: Apache 2.0과 그 한계

가중치와 설정 파일은 Apache 2.0으로 공개되어, 라이선스와 저작자 표시를 유지하면 다운로드, 미세 조정, 재배포, 상업적 이용이 가능합니다. 다만 모델 카드에는 경계가 명시되어 있습니다. 라이선스는 저장소의 파일에만 적용되며 Aleph Alpha의 기반 코드, 아키텍처, 파라미터 설정, 학습 방법에는 미치지 않고 이는 회사의 지식재산으로 남습니다. 직접 호스팅은 무료이며, 호스팅 API의 토큰당 가격은 공개되지 않아 기업용 이용은 영업팀을 통해야 합니다.

Hugging Face 다운로드와 GPU 요구 사항

개발사 저장소는 두 개뿐입니다. FP8 가중치의 Aleph-Alpha/Kolibri-1(약 79GB)과 Aleph-Alpha/Kolibri-1-BF16(약 156GB)입니다. FP8에는 약 78GB의 GPU 메모리가 필요합니다. 문서상 최소 사양은 2×A100 80GB, 2×H100 SXM5, 1×H200, 1×B200 또는 1×B300이며, Aleph Alpha에 따르면 H100 두 장으로 256k 토큰 요청 18건을 동시에 처리할 수 있습니다. 서빙은 vLLM과 aleph-alpha-inference 플러그인으로 합니다: vllm serve Aleph-Alpha/Kolibri-1 --kv-cache-dtype fp8 --reasoning-parser kolibri1 --tool-call-parser kolibri1 --enable-auto-tool-choice. 262,144 토큰을 넘기려면 --max-model-len 1048576과 max_position_embeddings 재정의를 추가합니다. 권장 샘플링은 temperature 1.0, top_p 0.97, top_k 128입니다.

GGUF 양자화, llama.cpp, Ollama

Aleph Alpha는 GGUF, ONNX, MLX 파일을 제공하지 않습니다. 가장 많이 내려받은 변환본은 Hob-forge/Kolibri-1-GGUF로, 작성자는 독립적인 변환이며 Aleph Alpha나 llama.cpp의 보증을 받지 않았다고 밝힙니다. 크기는 Q2_K 28.6GB, Q4_K_M 47.5GB부터 Q8_0 83.1GB까지입니다. 10월 8일 업데이트 기준 공식 llama.cpp는 kolibri1 아키텍처를 지원하지 않아 저장소의 패치나 작성자의 사전 빌드 바이너리가 필요하며, Ollama와 LM Studio에서는 아직 불러올 수 없습니다. 작성자는 Ryzen 7 7800X3D와 128GB RAM에서 Q4_K_M이 초당 약 12.3토큰, 12GB GPU에 attention을 올리면 약 18토큰이라고 보고했지만, 이는 자체 보고 수치이지 벤치마크가 아닙니다.

크기는 Hob-forge 저장소 기준이며, 용도는 편집부의 대략적인 안내입니다.

abliterated 및 무검열 커뮤니티 빌드

여러 커뮤니티 변형이 거절을 제거하려 합니다. huihui-ai/Huihui-Kolibri-1-BF16-abliterated-GGUF는 가중치에서 거절 방향을 제거했고, iSkye/Kolibri-1-heretic과 Blackfrost-AI/KOLIBRI-1-DERISKED-BF16도 비슷한 방식을 따릅니다. 어느 것도 Aleph Alpha가 공개하거나 검증하지 않았고, 추론 품질이 얼마나 떨어지는지 보여주는 벤치마크도 공개된 적이 없으며, 원본과 같은 30~160GB 메모리가 필요합니다. 거절을 없애도 라이선스나 법은 바뀌지 않습니다. 미성년자, 동의 없는 실존 인물, 기타 불법 콘텐츠는 여전히 금지됩니다. 이런 설치 없이 성인 간 롤플레이를 원한다면 온라인 무검열 채팅이 현실적인 방법입니다.

편집부 의견: Kolibri-1의 강점과 약점

모델 카드와 출시 자료를 함께 읽어 보면 Kolibri-1은 범용 챗봇이라기보다 데이터를 자체 서버에 두어야 하는 유럽 기관을 위한 인프라용 모델에 가깝습니다. 가장 큰 장점은 효율과 독일어 품질이지 창작력 자체가 아닙니다. 아래는 공개된 사실에 근거한 편집부의 결론이며 자체 테스트 결과가 아닙니다.

• 강점: 활성 파라미터가 3.46B에 불과해 규모 대비 디코딩이 빠르며, 여러 사용자가 GPU 노드를 공유할 때 유리합니다.
• 강점: 독일어가 핵심 언어로, 긴 합성어에 맞춘 토크나이저와 독일어판 벤치마크가 제공됩니다.
• 강점: Apache 2.0 가중치와 공개된 데이터 요약 덕분에 법률 검토가 수월합니다.
• 약점: 활성 파라미터가 작아도 약 78 GB의 GPU 메모리가 필요해 노트북용 모델은 아닙니다.
• 약점: 중국어를 포함한 다른 언어는 공식 지원도 평가도 없습니다.
• 약점: Aleph Alpha 자체 표에서도 도구 호출과 장문 컨텍스트 점수는 Qwen3.6보다 낮습니다.

커뮤니티의 초기 반응

출시 2주 시점에서 검증 가능한 독립 벤치마크 재현이나 장기 사용자 리뷰는 찾지 못해 인용하지 않았습니다. 측정할 수 있는 것은 Hugging Face의 활동이며, 데이터센터 밖에서 Kolibri-1을 돌려 보려는 관심이 크다는 것을 보여 줍니다. 다운로드 수는 관심의 지표일 뿐 품질의 지표는 아닙니다.

• Hob-forge/Kolibri-1-GGUF는 2026년 10월 15일 기준 다운로드 42,241회, 좋아요 26개로 변환판 중 가장 많습니다.
• huihui-ai의 abliterated GGUF는 다운로드 4,551회를 기록해 거절이 적은 버전을 원하는 사용자가 많음을 보여 줍니다.
• Apple 실리콘 사용자는 3비트·4비트 MLX 변환판을, 다른 사용자는 NVFP4 변형과 EAGLE3 드래프터를 공개했습니다.
• 10월 4일 커뮤니티 Gradio Space가 등장했지만 Aleph Alpha는 공개 데모 채팅을 제공하지 않습니다.

교재 Kolibri 1/2, Kolibri 앱, Colibri LLM과는 다릅니다

Kolibri는 여러 곳에서 쓰이는 이름이므로 검색 결과가 무엇을 가리키는지 확인하세요. Kolibri 1/2는 독일 초등학교 교재 시리즈이고, Kolibri 다운로드 페이지는 대개 Learning Equality의 Windows·Android용 오프라인 교육 플랫폼으로 연결됩니다. 흔히 C로 표기되는 Colibri LLM은 GitHub의 무관한 추론 엔진입니다. 이 페이지의 모델은 언제나 Hugging Face의 Aleph-Alpha 조직이 공개한 Aleph Alpha Kolibri-1이며, 이전 모델은 Kolibri Origin이었습니다.

Kolibri-1 스타일을 위한 프롬프트 팁

1. 모델은 공식적으로 독일어와 영어만 지원하므로 로컬 실행 시 이 두 언어에서 가장 잘 작동합니다.
2. 롤플레이에는 reasoning_effort를 none 또는 low로 두세요. high는 거의 필요 없는 긴 사고를 추가합니다.
3. 1M 모드가 꼭 필요하지 않다면 컨텍스트를 262,144 토큰 이하로 유지하세요.
4. abliterated 빌드는 실험으로 보고 원본과 비교한 뒤 사용하세요.
5. 모든 등장인물이 성인(18세 이상)임을 밝히고, 실존 인물을 바탕으로 장면을 만들지 마세요.

출처

• Kolibri-1 모델 카드 (Hugging Face)
• Kolibri-1 BF16 가중치 (Hugging Face)
• 출시 블로그 “Kolibri Has Landed” (Aleph Alpha)
• 보도자료 (Aleph Alpha)
• Hob-forge Kolibri-1 GGUF (서드파티)
• Huihui abliterated GGUF (서드파티)

더 많은 무검열 AI 채팅 모델

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