無審查 Kolibri-1：Aleph Alpha 的 78B MoE 模型全解析

Kolibri-1 重點速覽

開發商

Aleph Alpha（德國海德堡）

發布日期

2026 年 10 月 3 日

參數量

總計 78B，每個 token 啟用 3.46B

架構

MoE Transformer，50 層，384 個專家

上下文長度

原生 262,144，已驗證至 1,048,576

支援語言

德語與英語

授權

Apache 2.0（權重與設定檔）

知識截止

2026 年 6 月 18 日

最低硬體

2×A100 80GB、2×H100 或 1×H200

是否無審查？

否，已做安全對齊；無審查版僅為社群改製

Kolibri-1 是什麼？

Aleph Alpha Kolibri-1 是由德國海德堡的 Aleph Alpha GmbH 發布、Aleph Alpha Research 開發的混合專家（MoE）Transformer。總參數為 78B（78,103,074,560），但每個 token 只啟用 3.46B，官方宣傳時取約 3B。全部 50 層都是 MoE 層，每層包含 1 個共享專家與 6 個路由專家，專家總數 384 個。原生上下文長度為 262,144 tokens，Aleph Alpha 表示已驗證品質可達 1,048,576 tokens。128,000 詞表針對德語複合詞最佳化。僅支援德語與英語，知識截止日期為 2026 年 6 月 18 日，並提供 none、low、medium、high 四檔推理強度與原生工具呼叫。

為什麼有人想找無審查的 Kolibri-1

這個模型經過拒答與迴避訓練：Aleph Alpha 的使用條款禁止違法用途，並要求部署者自行加上防護機制，模型也被訓練在證據不足時回答「不知道」。因此，想寫直白成人小說或玩角色扮演的人會搜尋無審查版 Kolibri-1。但這只以非官方的社群修改形式存在，例如 abliterated 權重，需要大型硬體，也沒有品質保證。Spicy AI 並未託管 Aleph Alpha 的模型；本站聊天使用的是另一個模型，對彼此同意的成年人不設內容過濾。

Kolibri-1 基準成績：對比 Qwen3.6 與 Nemotron 3 Super

所有公開分數均為 Aleph Alpha 自行公布；截至 2026 年 10 月 15 日，尚未找到獨立的第三方復現。在發布部落格中，該模型 AIME 2025 得分 96.9，Qwen3.6-35B-A3B 為 84.6、Nemotron 3 Super 120B-A12B 為 91.7；GPQA Diamond 得分 84.3，對手分別為 83.4 與 78.0。德語版本同樣領先：AIME 2025（DE）87.5、GPQA Diamond（DE）81.3。Qwen3.6 則在 BFCL v4（67.2 對 61.4）、LongBench Pro（70.8 對 64.5）與 τ²-bench telecom（99.1 對 94.7）勝出。Aleph Alpha 宣稱該模型可媲美啟用參數多達四倍的系統，並點名 Nemotron 3 Super。

分數取自 Aleph Alpha 發布部落格（0–100），尚無第三方獨立重現。

Kolibri-1 是怎麼訓練的

Aleph Alpha 對訓練過程的公開程度相當少見。預訓練以 16,384 的序列長度使用約 20 兆 token，接著以 64k 進行 3.44 兆 token 的中期訓練，再以 256k 進行約 2,010 億 token 的長上下文訓練，總計約 24 兆 token。訓練在德國與芬蘭的 768 張 NVIDIA B200 GPU 上進行，單是預訓練就花了 21 天。模型卡標示的資料組成約為英語 62.5%、德語 23.9%、程式碼 13.6%。後訓練結合 2,680 億 token 的 SFT 資料與涵蓋 120 萬個以上任務的強化學習，並用棄答（abstention）資料教模型在證據不足時承認不知道。Aleph Alpha 表示此次發布以歐盟 AI 法、GPAI 行為準則與 GDPR 為設計前提，並估計訓練耗電約 950 MWh。

授權：Apache 2.0 與其界限

權重與設定檔以 Apache 2.0 發布，只要保留授權條款與署名聲明，就能下載、微調、再散布並用於商業用途。模型卡另外劃出界限：授權只涵蓋儲存庫中的檔案，不延伸到 Aleph Alpha 的底層程式碼、模型架構、參數設定或訓練方法，這些仍屬該公司的智慧財產。自行部署免費；Aleph Alpha 尚未公布託管 API 的每 token 價格，企業方案需洽詢其業務團隊。

從 Hugging Face 下載與 GPU 需求

原廠儲存庫只有兩個：FP8 權重的 Aleph-Alpha/Kolibri-1（約 79 GB）與 Aleph-Alpha/Kolibri-1-BF16（約 156 GB）。FP8 約需 78 GB 顯示記憶體。文件列出的最低配置為 2×A100 80GB、2×H100 SXM5、1×H200、1×B200 或 1×B300；Aleph Alpha 表示兩張 H100 可同時處理 18 個 256k tokens 的請求。部署使用 vLLM 搭配 aleph-alpha-inference 外掛：vllm serve Aleph-Alpha/Kolibri-1 --kv-cache-dtype fp8 --reasoning-parser kolibri1 --tool-call-parser kolibri1 --enable-auto-tool-choice。若要超過 262,144 tokens，需加上 --max-model-len 1048576 並覆寫 max_position_embeddings。建議取樣參數為 temperature 1.0、top_p 0.97、top_k 128。

GGUF 量化、llama.cpp 與 Ollama

Aleph Alpha 未提供 GGUF、ONNX 或 MLX 檔案。下載量最高的轉換版是 Hob-forge/Kolibri-1-GGUF，作者聲明這是獨立轉換，未獲 Aleph Alpha 或 llama.cpp 背書。檔案大小從 Q2_K 的 28.6 GB、Q4_K_M 的 47.5 GB 到 Q8_0 的 83.1 GB。截至 10 月 8 日的更新，上游 llama.cpp 尚不支援 kolibri1 架構，需要套用儲存庫內的修補檔或使用作者預先編譯的版本，Ollama 與 LM Studio 目前也無法載入。作者回報在 Ryzen 7 7800X3D 加 128 GB 記憶體上，Q4_K_M 約每秒 12.3 tokens，把 attention 放到 12 GB 顯示卡上約 18 tokens；這些是作者自述數據，並非基準測試。

檔案大小取自 Hob-forge 倉庫；適用情境為本站的粗略建議。

abliterated 與無審查社群版本

有幾個社群變體嘗試移除拒答。huihui-ai/Huihui-Kolibri-1-BF16-abliterated-GGUF 從權重中移除拒答方向；iSkye/Kolibri-1-heretic 與 Blackfrost-AI/KOLIBRI-1-DERISKED-BF16 採用類似思路。它們都不是 Aleph Alpha 發布或測試的，也沒有人公布推理品質損失的基準，而且同樣需要 30 到 160 GB 記憶體。移除拒答並不會改變授權或法律：涉及未成年人、未經同意的真實人物或其他違法內容仍然禁止。若想在不折騰部署的情況下進行成年人之間的角色扮演，線上無審查聊天是更實際的做法。

本站觀點：Kolibri-1 的優勢與短板

把模型卡和發布資料對照來看，Kolibri-1 比較不像通用聊天機器人，而更像是給必須把資料留在自家伺服器的歐洲機構使用的基礎設施模型。它最大的賣點是效率與德語品質，而非創作能力本身。以下是本站根據公開資料得出的編輯結論，並非自行測試的結果：

• 優勢：每個 token 只啟用 3.46B 參數，以其規模來說解碼很快，適合多人共用一台 GPU 節點。
• 優勢：德語是一級語言，有針對長複合詞調整的 tokenizer，也公布了德語版基準成績。
• 優勢：Apache 2.0 權重加上公開的資料摘要，讓法務審查更容易。
• 短板：即使啟用參數很少，仍需約 78 GB 顯存，並不是筆電能跑的模型。
• 短板：中文等其他語言既無官方支援，也沒有官方評測。
• 短板：在 Aleph Alpha 自己的表格中，工具呼叫與長上下文分數仍落後 Qwen3.6。

社群的早期反應

發布兩週後，我們找不到可查證的第三方基準重現或長期使用評價，因此不引用任何評語。能量化的是 Hugging Face 上的動態，顯示很多人想在資料中心以外執行 Kolibri-1。下載數代表關注度，不代表品質：

• Hob-forge/Kolibri-1-GGUF 截至 2026 年 10 月 15 日有 42,241 次下載、26 個讚，是下載最多的轉換版。
• huihui-ai 的 abliterated GGUF 達到 4,551 次下載，顯示不少人想要更少拒答的版本。
• Apple 晶片使用者發布了 3 位元與 4 位元 MLX 版本，也有人做出 NVFP4 變體與 EAGLE3 草稿模型。
• 10 月 4 日出現了社群架設的 Gradio Space，但 Aleph Alpha 本身沒有提供公開的試用聊天。

不是 Kolibri 1/2 教材、Kolibri 應用程式或 Colibri LLM

Kolibri 是很常見的名字，請先確認搜尋結果指的是什麼。Kolibri 1/2 是德國小學教材系列，而 Kolibri 下載頁通常指向 Learning Equality 的離線教育平台（Windows 與 Android 版）。常以 C 拼寫的 Colibri LLM 是 GitHub 上一個無關的推理引擎。本頁介紹的模型一律是 Hugging Face 上 Aleph-Alpha 組織發布的 Aleph Alpha Kolibri-1，其前代名為 Kolibri Origin。

做出 Kolibri-1 風格的提示詞技巧

1. 該模型官方僅支援德語與英語，本地執行時用這兩種語言效果最好。
2. 角色扮演請把 reasoning_effort 設為 none 或 low；high 會加入很少用得到的長篇思考。
3. 除非真的需要 1M 模式，否則上下文保持在 262,144 tokens 以內。
4. 把 abliterated 版本當作實驗，使用前先和原版比較。
5. 註明所有角色都是成年人（18 歲以上），也不要以真實人物為題材。

資料來源

• Kolibri-1 模型卡（Hugging Face）
• Kolibri-1 BF16 權重（Hugging Face）
• 發布部落格〈Kolibri Has Landed〉（Aleph Alpha）
• 新聞稿（Aleph Alpha）
• Hob-forge Kolibri-1 GGUF（第三方）
• Huihui abliterated GGUF（第三方）

更多無審查 AI 聊天模型

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