觀點 · 資訊分享
德國 Aleph Alpha 開源 Kolibri：78B 參數只動 3.5B，Apache 2.0 授權、最長 100 萬 token
德國 AI 公司 Aleph Alpha 釋出開放權重模型 Kolibri，總共 780 億參數，但每個 token 只動用約 35 億，採 Apache 2.0 授權。它主打英文與德文，訓練到 25.6 萬 token 上下文，調整設定後可延伸到 100 萬。
- 發布
- 2026-10-04
- 篇幅
- 約 4 分鐘 · 1,679 字
- 結構
- 7 節 + 3 題常見問題
- 標籤
一句話看懂：德國 Aleph Alpha 開源 Kolibri，總參數 78B、每個 token 只用約 3.5B，Apache 2.0 授權可商用，主打英文與德文。
先用白話講：MoE 模型是什麼？
想像一間有 100 位專家的顧問公司。客人來問稅務問題，櫃台只會請兩、三位稅務專家出來回答，其他人繼續休息。公司整體很有學問，但每次接案只動用少數人，所以成本不高。
MoE（混合專家）模型就是這樣運作：模型裡有很多「專家」子網路，每處理一個 token，只挑少數幾個來算。Kolibri 總共有 780 億參數（78B），但每個 token 只動用約 35 億（3.5B），等於用小模型的運算量，換取大模型的知識量。
發生什麼事
德國 AI 公司 Aleph Alpha 在 10 月 3 日釋出 Kolibri：
- 授權：Apache 2.0，完整權重放在 Hugging Face（Aleph-Alpha/Kolibri-1）
- 架構：英德雙語的 MoE Transformer，總參數 78B、每 token 約 3.46B
- 語言：英文與德文，預訓練資料約 21.3% 是德文
- 訓練量：預訓練 20T token，加上後續階段約 24T token
- 上下文：訓練到 256K token，加上設定覆寫可延伸到 1M token
- 推理強度：none、low、medium、high 四段
- 知識截止：2026 年 6 月 18 日
跑分怎麼看
以下是官方自測結果（對照組分數也是官方頁面列出的）：
| 測試 | Kolibri | Qwen3.6-35B-A3B |
|---|---|---|
| AIME 2025（數學） | 96.9 | 84.6 |
| GPQA Diamond（英文） | 84.3 | 83.4 |
| LiveCodeBench v6（程式） | 85.9 | 82.5 |
| LongBench Pro（長文） | 64.5 | 70.8 |
從官方表格也看得到，它在長文理解等測試落後部分對手。另外，在兩張 H100 的服務測試中，官方表示 78B 的 Kolibri 能同時處理比 123B 模型更多的請求。
給開發者的技術細節
Kolibri 不是下載下來就能用一般工具直接跑，需要官方的 vLLM 外掛：
pip install "aleph-alpha-inference>=1.0"
- 也可以用官方容器
ghcr.io/aleph-alpha/aleph-alpha-inference - 啟動時要開推理與工具呼叫解析器：
--reasoning-parser kolibri1、--tool-call-parser kolibri1、--enable-auto-tool-choice - 超過 262,144 token 的上下文，要加
--max-model-len 1048576並覆寫max_position_embeddings - 官方建議取樣參數：temperature 1.0、top_p 0.97、top_k 128
我的看法
Apache 2.0 授權、可商用的開放權重模型又多了一個，對想自架 AI 的團隊是好事。MoE 架構每次運算量小，同樣的伺服器能服務更多人，這點對成本很有幫助。
但老實說，它對台灣使用者的吸引力有限：主打英德雙語，中文表現官方完全沒提；部署又要裝官方專屬的 vLLM 外掛，門檻比一鍵安裝的工具高。78B 的權重還是要整份載入記憶體，家用 NAS 或一般顯示卡應該很難跑得動（推測，官方沒寫硬體需求）。我會把它當成「歐洲主權 AI」的代表觀察，真的要用在中文案子，還是先找有公布中文測試結果的模型，再拿自己的資料比較。
名詞小辭典
- 開放權重（Open Weight）：公開模型訓練好的參數檔，任何人都能下載部署。
- MoE（混合專家）：模型內有多個專家子網路，每次只啟用一部分，以降低運算量。
- vLLM：一套常用的開源推論引擎，專門讓大型語言模型跑得更快、同時服務更多請求。
- 上下文（Context）：模型一次能讀進來的文字量，用 token 計算。