Den 3 oktober 2026 släppte det tyska AI-bolaget Aleph Alpha en öppen språkmodell som sätter fingret på en fråga som blivit allt mer brännande i Europa: måste kontinenten köpa sin AI-infrastruktur från amerikanska eller kinesiska leverantörer? Modellen heter Kolibri-1, har 78 miljarder parametrar och lades ut med fulla vikter på Hugging Face under Apache 2.0-licens. Alla som vill kan ladda ner den, köra den på egen hårdvara och ändra den efter eget huvud, helt utan att betala Aleph Alpha en krona i licensavgift.
Det som gör nyheten intressant är inte bara storleken på modellen, utan tajmingen. Kolibri-1 kommer mitt i en höst där OpenAI, Google och Anthropic har levererat tre nya flaggskeppsmodeller inom loppet av tio dagar (GPT-6.1 Sol den 29 september, Gemini 4 Argon den 30 september och Claude Sonnet 5.5 den 28 september). Medan de amerikanska jättarna tävlar om vem som bygger den smartaste stängda modellen, väljer Aleph Alpha en annan väg: bygg något öppet, tyskt och körbart på egen infrastruktur. För Sverige och övriga Norden, där frågor om datasuveränitet redan driver investeringar som KBLabs 40 miljoner kronor i en svensk språkmodell och Mistrals datacenter-satsningar i landet, är det en utveckling värd att följa noga.
Vad är Kolibri-1 och varför kallas den “suverän”?
Kolibri-1 är uppbyggd som en Mixture-of-Experts-modell (MoE), en arkitektur där modellen innehåller flera mindre “expertnätverk” men bara aktiverar ett urval av dem för varje token den bearbetar. Enligt Aleph Alphas egen lansering och tredjepartsanalyser som publicerats på Hugging Face har modellen totalt 78,1 miljarder parametrar, men bara cirka 3,46 miljarder av dem aktiveras per token. Arkitekturen bygger på 384 experter där sex aktiveras samtidigt för varje beräkning. Det gör att Kolibri-1 kan köras betydligt billigare än vad den totala parameterstorleken antyder, samtidigt som den behåller kapacitet från en stor modell.
Ordet “suverän” i lanseringen syftar inte på någon teknisk egenskap utan på hur modellen distribueras. Vikterna ligger öppet på Hugging Face under Apache 2.0, vilket betyder att en myndighet, ett sjukhus eller en bank kan ladda ner hela modellen, köra den i sin egen serverhall och aldrig skicka en enda rad data till en amerikansk molntjänst. Aleph Alpha skriver i sitt officiella lanseringsinlägg att modellen är “built in Europe” och att “the weights are yours” när man kör den på egen hårdvara under Apache 2.0-licensen, enligt bolagets inlägg på X (källa).
Kontextfönstret sträcker sig upp till 1 048 576 tokens, vanligen avrundat till en miljon. Det räcker till flera tusen sidor text i ett enda anrop, vilket gör modellen relevant för myndigheter som vill mata in hela regelverk, journalarkiv eller kontraktssamlingar i ett sammanhang. Vikterna är dessutom publicerade i FP8-format, ett komprimerat talformat som gör modellen billigare att köra på existerande GPU-kluster jämfört med fullprecisionsmodeller av samma storlek.
Tekniska specifikationer i detalj
Modellen är tränad primärt på tyska och engelska, med Aleph Alpha som anger att träningsinfrastrukturen legat i Tyskland och Finland, något som i sig förstärker den nordeuropeiska kopplingen. Bolaget har enligt tekniska genomgångar på Hugging Face och i branschmedier byggt modellen för att klara verktygsanrop (tool calling), vilket är en förutsättning för att kunna användas i agent-baserade system där modellen själv ska kunna slå upp information, köra kod eller anropa interna API:er.
| Egenskap | Kolibri-1 |
|---|---|
| Totalt antal parametrar | 78,1 miljarder |
| Aktiva parametrar per token | 3,46 miljarder |
| Antal experter / aktiverade per token | 384 / 6 |
| Kontextfönster | Upp till 1 048 576 tokens |
| Viktformat | FP8 |
| Licens | Apache 2.0 |
| Primära språk | Tyska och engelska |
| Träningsinfrastruktur | Tyskland och Finland |
| Släppdatum | 3 oktober 2026 |
| Distribution | Fulla vikter på Hugging Face |
Det är värt att vara tydlig om vad som är verifierat och vad som inte är det. Benchmarksiffrorna nedan kommer från Aleph Alphas egna lanseringsmaterial och har ännu inte reproducerats av ett oberoende testlabb, en reservation som också lyfts fram i teknisk press som granskat modellen. Det betyder inte att siffrorna är falska, men de bör läsas med samma försiktighet som alla producentpublicerade benchmarkresultat.
Benchmarkresultat: hur bra är Kolibri-1 egentligen?
På matematiktestet AIME 2025 rapporterar Aleph Alpha att Kolibri-1 når 96,9 procent, och på AIME 2026 landar modellen på 96,0 procent. På den tyska varianten av samma test sjunker resultatet till 87,5 procent, vilket fortfarande slår flera konkurrerande öppna modeller på tyskspråkiga uppgifter enligt lanseringsmaterialet. På GPQA Diamond, ett svårt flervalstest inom naturvetenskap, når modellen 84,3 procent på engelska och 81,3 procent på tyska.
Inom kodning rapporteras 85,9 procent på LiveCodeBench v6 och 92,7 procent på HumanEval+. På det mer praktiska testet SWE-Bench Verified, som mäter om en modell kan lösa verkliga buggrapporter i öppen källkod, landar Kolibri-1 på 66,4 procent. För verktygsanrop (BFCL v4) rapporteras 61,4 procent, och på det långkontext-fokuserade testet LongBench Pro är siffran 64,5 procent.
| Benchmark | Kolibri-1 | Jämförelsemodell (samma tabell) |
|---|---|---|
| AIME 2025 (matematik) | 96,9% | — |
| AIME 2026 (matematik) | 96,0% | — |
| Tysk AIME-variant | 87,5% | Qwen3.6-35B-A3B: 82,9% |
| GPQA Diamond (engelska) | 84,3% | — |
| LiveCodeBench v6 | 85,9% | Mistral Small 4: 71,2% |
| HumanEval+ | 92,7% | Qwen3.6-35B-A3B: 92,8% |
| SWE-Bench Verified | 66,4% | — |
| BFCL v4 (verktygsanrop) | 61,4% | Qwen3.6-35B-A3B: 67,2% |
| LongBench Pro | 64,5% | Qwen3.6-35B-A3B: 70,8% |
Mönstret som framträder är att Kolibri-1 är stark på matematik och tysk text, men inte den bästa i sin viktklass på varje enskilt test. På flera av de jämförelser Aleph Alpha själva publicerat slår konkurrerande öppna modeller som Qwen3.6-35B-A3B och Nemotron 3 Super Kolibri-1 på specifika delmoment som verktygsanrop och långkontextförståelse. Det gör modellen till ett starkt alternativ snarare än en otvetydig ledare, vilket också är en rimligare position för en utmanare som siktar på en nisch (tyskspråkig, suverän drift) snarare än global dominans.
Aleph Alpha: bolaget bakom Kolibri
Aleph Alpha grundades 2019 i Heidelberg, Tyskland, och har sedan starten profilerat sig som ett alternativ till amerikanska AI-jättar med fokus på just det som Kolibri-1 nu bygger vidare på: suverän, Europa-baserad drift för myndigheter och reglerade branscher. Bolaget tog in en stor finansieringsrunda på 500 miljoner euro 2023, med investerare som den tyska innovationsfonden IPAI, Bosch Ventures och Hewlett Packard Enterprise, och värderades då till ungefär en miljard euro. Exakt hur mycket kapital bolaget har tagit in totalt fram till oktober 2026, eller vad den aktuella värderingen är, går inte att bekräfta utifrån tillgängliga källor just nu, så dessa äldre siffror bör läsas som historiska snarare än aktuella.
Det som är tydligt dokumenterat är positioneringen: Aleph Alpha har länge riktat sig mot offentlig sektor och reglerade branscher i Tyskland och övriga Europa, med argumentet att en modell vars vikter ägs och drivs lokalt är lättare att kontrollera än en stängd API-tjänst hos en utländsk leverantör. Kolibri-1 är den tydligaste manifestationen av den strategin hittills: istället för att bara erbjuda en betald molntjänst, släpper bolaget hela modellen gratis och öppet, och tjänar troligen pengar på enterprise-tjänster för driftsättning och specialisering istället.
Varför europeisk AI-suveränitet har blivit en stor fråga 2026
Diskussionen om digital suveränitet inom AI har flera konkreta drivkrafter. Den första är kontroll: en organisation som kör en öppen modell på egen hårdvara bestämmer själv över uppdateringar, priser och tillgänglighet, istället för att vara beroende av villkor satta av en enskild utländsk leverantör. Den andra är dataresidens: självhostad körning gör det enklare att hålla känslig information, som patientjournaler, rättsprocesser eller försvarsrelaterad data, inom europeisk infrastruktur. Den tredje är kontinuitet: om geopolitiska spänningar, exportrestriktioner eller nya handelsregler skulle påverka tillgången till amerikanska eller kinesiska AI-tjänster, vill europeiska myndigheter inte stå helt utan alternativ.
Det är dock viktigt att skilja på juridisk täckning och teknisk möjlighet. Att en modell är öppen och går att självhosta löser inte automatiskt GDPR-efterlevnad. Organisationen som driftsätter modellen ansvarar fortfarande för rättslig grund för behandling, dataminimering, lagringstider, åtkomstkontroller, eventuella underleverantörsavtal och säkerhetsåtgärder. En Apache 2.0-licens reglerar vem som får använda och ändra programvaran, inte om en specifik driftsättning uppfyller EU:s dataskyddsregler eller AI-förordningens krav. Kolibri-1 gör GDPR-efterlevnad enklare att hantera operativt, men den garanterar den inte.
Den här vågen av europeisk AI-utveckling syns också i Sverige. KBLab fick 40 miljoner kronor för att bygga en svensk språkmodell, och Mistral har aviserat datacenter-investeringar i landet på över en miljard euro. Norge har redan en öppen modell i NorMistral-11B. Mönstret är tydligt: europeiska aktörer vill inte bara konsumera amerikansk och kinesisk AI, de vill kunna bygga, träna och driva sina egna modeller på egen mark.
Kolibri-1 jämfört med Mistral AI, Europas andra stora öppna satsning
Mistral AI från Frankrike är den andra stora europeiska AI-labben med en liknande öppen filosofi, men strategierna skiljer sig åt. Mistral har byggt en bredare internationell position med flera modellstorlekar, en kommersiell API-plattform och stark utvecklaradoption globalt, medan Aleph Alpha renodlat siktar på tysk suveränitet, reglerade sektorer och tyskspråkig prestanda. Där Mistral konkurrerar brett om utvecklare och molnkunder över hela världen, konkurrerar Aleph Alpha mer specifikt om myndigheter och företag som prioriterar lokal kontroll över rå modellkapacitet.
| Dimension | Aleph Alpha / Kolibri-1 | Mistral AI |
|---|---|---|
| Hemland | Tyskland | Frankrike |
| Strategisk tyngdpunkt | Tysk/europeisk suveränitet, reglerad sektor | Bred internationell adoption, utvecklarmarknad |
| Licensmodell | Apache 2.0 (Kolibri-1) | Varierar mellan modeller |
| Språkfokus | Tyska och engelska | Bred flerspråkighet, inklusive europeiska språk |
| Distribution | Fulla vikter på Hugging Face + enterprise-tjänster | Öppna vikter, hostad API och kommersiella erbjudanden |
I Aleph Alphas eget jämförelsematerial ställs Kolibri-1 mot Mistral Small 4, inte mot de större Mistral Large-modellerna, vilket antyder att bolaget själv ser Kolibri-1 som konkurrent till mellanstora öppna modeller snarare än till de absolut största. På kodtestet LiveCodeBench v6 rapporteras Kolibri-1 nå 85,9 procent mot Mistral Small 4:s 71,2 procent, men på HumanEval+ ligger de två modellerna i princip jämsides.
Så placerar sig Kolibri-1 i höstens modellrace
Det går i nuläget inte att göra en rak jämförelse mellan Kolibri-1 och höstens stora stängda flaggskepp som GPT-6.1 Sol, Gemini 4 Argon eller Claude Sonnet 5.5, eftersom Aleph Alpha inte har publicerat sida-vid-sida-resultat mot just dessa modeller. Det är en viktig skillnad mot hur de amerikanska labben marknadsför sina lanseringar, där direkta jämförelsetabeller mot konkurrenter är standard. Aleph Alpha väljer istället att jämföra Kolibri-1 mot andra öppna modeller i liknande storleksklass, som Qwen3.6-35B-A3B, Nemotron 3 Super och Mistral Small 4.
Det säger egentligen något viktigt om var Kolibri-1 hör hemma i marknaden. Modellen konkurrerar inte om kronan som “smartaste modellen i världen”, en tävling som i praktiken avgörs mellan OpenAI, Google, Anthropic och kinesiska labb som DeepSeek och Zhipu AI (GLM). Istället konkurrerar Kolibri-1 i en annan kategori: öppna, självhostbara modeller som en organisation kan äga fullt ut. Där är konkurrenterna snarare Qwen, Llama, Mistral och GLM:s öppna varianter, inte GPT-6.1 Sol.
Historisk kontext: från stängda API:er till öppna vikter
För tre år sedan dominerade stängda modeller bakom betalväggar nästan hela marknaden. Metas Llama-serie öppnade dörren för öppna vikter i större skala, och sedan har allt fler labb följt efter: Mistral i Frankrike, DeepSeek och GLM i Kina, och nu Aleph Alpha i Tyskland. Varje ny öppen släppning sänker tröskeln för organisationer som vill äga sin AI-infrastruktur istället för att hyra den.
Samtidigt har trafiksiffrorna för de stora chattbottarna fortsatt växa kraftigt. Enligt siffror publicerade i Forbes i oktober 2026 registrerade ChatGPT 5,9 miljarder besök globalt i september, jämfört med 2,6 miljarder för Gemini och 996,4 miljoner för Claude (Forbes). Det visar att öppna modeller som Kolibri-1 ännu inte konkurrerar om den stora massmarknaden av vardagsanvändare, deras roll är snarare att ge organisationer ett alternativ till att bygga hela sin verksamhet på en enda extern leverantör.
Marknadspåverkan: vad betyder detta för företag och myndigheter i Norden?
För nordiska organisationer som redan brottas med krav på dataresidens, exempelvis inom sjukvård, bankväsende och offentlig förvaltning, innebär Kolibri-1 ett nytt konkret alternativ i verktygslådan. En svensk myndighet som idag använder en amerikansk molntjänst för AI-funktioner kan i teorin byta till att självhosta Kolibri-1 på egen eller europeisk molninfrastruktur, utan att betala licensavgifter till Aleph Alpha för själva modellen. Kostnaden flyttas istället till drift: att serva en modell med 78 miljarder parametrar kräver fortfarande betydande GPU-kapacitet, även om MoE-arkitekturen gör den billigare att köra än en lika stor tät modell.
Det skapar också konkurrenstryck på de stängda leverantörerna i reglerade segment. Om fler europeiska organisationer väljer självhostade öppna modeller för känsliga arbetsflöden, tvingas OpenAI, Google och Anthropic antingen erbjuda bättre dataresidens-garantier inom EU eller acceptera att tappa mark i just den nischen. Samtidigt är det osannolikt att öppna modeller som Kolibri-1 hotar de stängda labbens dominans inom generell konsumentanvändning, där skalfördelar, varumärke och integration i befintliga produkter (som ChatGPT i Microsofts ekosystem) väger tyngre än suveränitetsargument.
Tillgänglighet, pris och hur man kommer igång
Kolibri-1 finns tillgänglig i sin helhet på Hugging Face under kontot Aleph-Alpha, där både modellvikter och tillhörande dokumentation publicerats (Hugging Face). Eftersom licensen är Apache 2.0 kan vem som helst, inklusive kommersiella aktörer, ladda ner, köra och bygga vidare på modellen utan att betala royalty, så länge licensvillkoren följs. Något offentligt publicerat API-pris per miljon tokens för en hostad version av Kolibri-1 har inte hittats i tillgängliga källor vid publicering, vilket tyder på att Aleph Alpha i första hand säljer driftsättning och anpassning som tjänst snarare än ett standardiserat API-abonnemang.
För en organisation som vill testa modellen krävs i praktiken tillgång till GPU-kapacitet som klarar en 78-miljarders MoE-modell i FP8-format. Det är inget som körs smidigt på en vanlig arbetsstation, utan kräver antingen en egen serverhall med flera moderna GPU:er eller en molntjänst som stödjer egen modelldrift, exempelvis via ramverk som vLLM.
Kodexempel: ladda och köra Kolibri-1 via Hugging Face
Nedan är ett förenklat exempel på hur en utvecklare kan börja experimentera med modellen via Hugging Face Transformers-biblioteket. Observera att en modell av denna storlek i praktiken kräver flera GPU:er med betydande VRAM för att köras effektivt.
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = "Aleph-Alpha/Kolibri-1"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id,
torch_dtype="auto",
device_map="auto"
)
prompt = "Förklara varför öppna AI-modeller är viktiga för europeisk digital suveränitet."
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
output = model.generate(**inputs, max_new_tokens=300)
print(tokenizer.decode(output[0], skip_special_tokens=True))Risker och begränsningar som inte får glömmas bort
Den första och viktigaste begränsningen är att alla benchmarkresultat kommer från Aleph Alpha själva. Ingen oberoende tredjepartslabb hade vid publiceringstillfället reproducerat eller verifierat siffrorna, vilket är ett generellt problem med lanseringsbenchmarks i hela branschen, inte unikt för Kolibri-1. Köpare och it-avdelningar bör köra egna utvärderingar på sina faktiska arbetsuppgifter innan de litar på modellen i produktion.
Den andra begränsningen är drift och kompetens. Att självhosta en 78-miljarders MoE-modell kräver både hårdvaruinvestering och teknisk kompetens som många mindre organisationer saknar internt. Suveränitet i teorin kräver kapacitet i praktiken, annars blir “öppen modell” bara ett argument på pappret medan man i praktiken ändå lutar sig mot en extern molnpartner för driften, om än en europeisk istället för en amerikansk.
Den tredje begränsningen handlar om språkfokus. Kolibri-1 är optimerad för tyska och engelska, inte svenska, norska, danska eller finska. Nordiska organisationer som vill ha stark prestanda på sina egna språk kan behöva titta på regionala alternativ som NorMistral eller vänta på en svensk motsvarighet från KBLab, snarare än att förvänta sig att en tyskoptimerad modell automatiskt presterar lika bra på svenska uppgifter.
Vad experter och branschen säger
Aleph Alpha själva har varit tydliga i sin kommunikation om vad lanseringen ska representera. I bolagets eget lanseringsinlägg beskrivs modellen med orden: “Small bird, fast wings, Kolibri is here. 78B parameters. 3.46B active. Up to 1M tokens of context. Built in Europe. Now the weights are yours. Run it on your own hardware, under Apache 2.0.” (Aleph Alpha, källa). Citatet fångar precis den dubbla säljpunkten bolaget siktar på: tekniska specifikationer i absoluta tal, kombinerat med ett löfte om ägande och kontroll som skiljer sig från hur stängda API-leverantörer paketerar sina modeller.
Teknisk press som granskat lanseringen har generellt varit försiktigt positiv, men med samma reservation som nämnts ovan: siffrorna är producentens egna och inte oberoende verifierade. Det gäller särskilt i jämförelse med de absoluta toppmodellerna, där Aleph Alpha medvetet valt att jämföra sig med modeller i en annan viktklass snarare än med de allra största flaggskeppen.
Vad händer härnäst: fem utvecklingar att bevaka
Första: oberoende benchmarkverifiering. Inom några veckor till ett par månader brukar tredjepartslabb och communityn på Hugging Face publicera egna utvärderingar av Kolibri-1 på standardiserade testsviter, vilket avgör om siffrorna håller i praktiken.
Andra: offentliga upphandlingar. Om tyska eller andra europeiska myndigheter börjar skriva in krav på öppna, självhostbara modeller i upphandlingar, blir Kolibri-1 en naturlig kandidat, och det skulle ge en tydlig signal om att suveränitetsargumentet har reellt kommersiellt värde, inte bara marknadsföringsvärde.
Tredje: nordisk anpassning. Givet att Sverige redan satsar på KBLab och Norge har NorMistral, är det troligt att nordiska forskningsmiljöer tar Kolibri-1:s öppna vikter och finjusterar egna varianter för svenska, norska eller danska, på samma sätt som skett med tidigare öppna modeller.
Fjärde: svar från Mistral. Mistral AI har starka skäl att inte låta Aleph Alpha ta över berättelsen om “Europas öppna AI-svar”, och en ny stor öppen släppning från det franska bolaget inom kommande månader är en rimlig förväntning snarare än ren gissning.
Femte: prissättning av enterprise-tjänster. Eftersom Aleph Alpha inte publicerat API-priser för Kolibri-1, är det troligt att bolaget inom kort annonserar en tydligare kommersiell modell för driftsättning, support och specialisering, vilket blir den egentliga intäktskällan snarare än modellen själv.
Slutsats: en nisch-seger, inte en global omkullkastning
Kolibri-1 kommer inte att knocka GPT-6.1 Sol, Gemini 4 Argon eller Claude Sonnet 5.5 från tronen som världens smartaste modeller. Det är inte heller vad Aleph Alpha försöker göra. Istället fyller lanseringen en specifik och växande nisch: organisationer, särskilt i Europa, som prioriterar kontroll, dataresidens och oberoende från utländska leverantörer högre än att ha absolut toppresultat på varje benchmark. I en höst där de stora amerikanska labben tävlar om millisekunder i svarstid och enstaka procentenheter på kodtest, påminner Kolibri-1 om att en del av AI-racet handlar om något annat än rå kapacitet, det handlar om vem som äger och kontrollerar modellen som används.
För svenska och nordiska beslutsfattare som redan navigerar GDPR, NIS2 och frågor om molnberoende, är Kolibri-1 ett ytterligare bevis på att öppna, självhostbara modeller går från nischintresse till ett verkligt strategiskt alternativ. Om siffrorna håller vid oberoende granskning, och om fler europeiska aktörer följer efter med liknande släppningar, kan 2026 bli året då “öppen och europeisk” blev ett lika naturligt kriterium i AI-upphandlingar som pris och prestanda.
Vanliga frågor om Kolibri-1
Vad är Kolibri-1?
Kolibri-1 är en öppen språkmodell från det tyska AI-bolaget Aleph Alpha, släppt 3 oktober 2026. Den har 78,1 miljarder parametrar totalt, aktiverar cirka 3,46 miljarder per token genom en Mixture-of-Experts-arkitektur, och har ett kontextfönster på upp till drygt en miljon tokens.
Är Kolibri-1 gratis att använda?
Ja, modellens vikter är publicerade under Apache 2.0-licens på Hugging Face, vilket innebär att vem som helst kan ladda ner, köra och modifiera modellen utan licenskostnad, inklusive för kommersiellt bruk. Kostnaden ligger istället i den hårdvara och drift som krävs för att köra en modell av den storleken.
Hur skiljer sig Kolibri-1 från Mistral AI:s modeller?
Mistral AI från Frankrike siktar på en bred internationell utvecklarmarknad med flera modellstorlekar och en kommersiell API-plattform. Aleph Alpha renodlar istället fokus på tysk och europeisk suveränitet, reglerade branscher och tyskspråkig prestanda, snarare än att konkurrera brett globalt.
Kan Kolibri-1 köras på svenska?
Modellen är primärt optimerad för tyska och engelska. Den kan sannolikt hantera svensk text på en grundläggande nivå eftersom träningsdata ofta innehåller flerspråkigt material, men den är inte särskilt anpassad för svenska på samma sätt som exempelvis NorMistral är för norska.
Är Kolibri-1:s benchmarkresultat oberoende verifierade?
Nej, i nuläget kommer samtliga publicerade siffror från Aleph Alphas egna lanseringsmaterial. Inget oberoende testlabb har vid publiceringstillfället bekräftat resultaten, vilket är värt att ha i åtanke innan man baserar inköpsbeslut enbart på dessa siffror.
Löser Kolibri-1 GDPR-efterlevnad automatiskt?
Nej. Att självhosta en öppen modell gör det enklare att hålla data inom egen eller europeisk infrastruktur, men organisationen som driftsätter modellen ansvarar fortfarande själv för rättslig grund, dataminimering, lagringstider, åtkomstkontroller och övriga GDPR-krav. En Apache 2.0-licens reglerar användningsrätten till modellen, inte dataskyddsefterlevnaden i en specifik driftsättning.
Vilken hårdvara krävs för att köra Kolibri-1?
Eftersom modellen har 78,1 miljarder parametrar i FP8-format krävs flera moderna GPU:er med betydande minneskapacitet för att köra modellen effektivt i produktion. Den aktiva MoE-arkitekturen gör beräkningen per token billigare än för en lika stor tät modell, men den totala modellen måste fortfarande laddas i minnet.
Var hittar jag Kolibri-1 för nedladdning?
Modellen finns publicerad i sin helhet på Hugging Face under kontot Aleph-Alpha, tillsammans med teknisk dokumentation och exempel på hur den kan köras lokalt.
