Aleph Alpha Kolibri: el modelo de pesos abiertos de 78B
Aleph Alpha Kolibri es un modelo de pesos abiertos de 78B en inglés y alemán, con licencia Apache 2.0. Para quién es, qué GPU pide y qué prueban sus benchmarks.
Basado en fuentes. Escrito a partir de los documentos, reportes y reseñas enlazados en el texto. The Ruling Desk no probó nada de esto en persona. Cómo trabajamos
Aleph Alpha Kolibri es un nuevo modelo de pesos abiertos de la empresa alemana de IA Aleph Alpha, lanzado el 3 de octubre de 2026, con 78,000 millones de parámetros, dos idiomas (inglés y alemán) y licencia Apache 2.0. La compañía de Heidelberg lo ofrece para trabajo "soberano" en sectores regulados como la administración pública, la industria y el aeroespacial, donde los datos no deberían salir de la organización. Aquí te contamos para quién es, qué hardware necesita, qué tan abierta es realmente su licencia y hasta dónde llegan los benchmarks que publicó la propia Aleph Alpha.
Puntos clave
- Kolibri es un modelo de mezcla de expertos. Tiene 78,100 millones de parámetros en total, pero solo unos 3,460 millones trabajan en cada token, lo que mantiene barato el cómputo de cada solicitud.
- Necesita GPU de centro de datos. Los pesos ocupan unos 78 GB, así que Aleph Alpha pide como mínimo una Nvidia H200, B200 o B300, o dos H100 o A100 de 80 GB.
- Los pesos tienen licencia Apache 2.0, una licencia permisiva que permite el uso comercial. Cubre los pesos y los archivos de configuración, no el código de entrenamiento, los métodos ni los datos de Aleph Alpha.
- Todos los benchmarks hasta ahora son de Aleph Alpha. Su 84.3 en GPQA Diamond supera por menos de un punto a los otros modelos de mezcla de expertos que eligió, y un modelo denso de Qwen en la misma tabla saca más en la mayoría de las pruebas. No encontramos resultados independientes al 4 de octubre de 2026.
Qué lanzó Aleph Alpha
Aleph Alpha publicó Kolibri en el Día de la Unidad Alemana, un feriado nacional, con una publicación de lanzamiento en su blog y una ficha del modelo en Hugging Face. Los datos principales, tal como los presenta la empresa:
| Especificación | Kolibri |
|---|---|
| Arquitectura | Transformer de mezcla de expertos, 50 capas, 384 expertos por capa (6 enrutados más 1 compartido por token) |
| Parámetros | 78.1B en total, 3.46B activos por token |
| Idiomas | Inglés y alemán |
| Datos de entrenamiento | 20T tokens de preentrenamiento, 3.44T de entrenamiento intermedio, 201B de contexto largo, unos 23.6T en total |
| Ventana de contexto | 262,144 tokens nativos; validada hasta 1,048,576 (1M) |
| Modos | Razonamiento (none, low, medium, high) y llamadas a herramientas |
| Fecha de corte de conocimiento | 18 de junio de 2026 |
| Licencia | Apache 2.0 |
Un modelo de mezcla de expertos divide su red en muchos bloques pequeños de "expertos", y un enrutador manda cada token solo a unos pocos. Así un modelo de 78B puede funcionar con el cómputo por token de uno de 3B.
El enfoque en alemán es real, aunque los documentos no coinciden en la proporción exacta: la publicación de lanzamiento dice que el 21.3% de los tokens de preentrenamiento están en alemán, mientras que la ficha del modelo habla de cerca del 23.9%. Aleph Alpha entrenó Kolibri con 768 GPU Nvidia B200 en infraestructura de Alemania y Finlandia, y solo el preentrenamiento tomó 21 días. El informe técnico tiene todos los detalles.
Para quién es Aleph Alpha Kolibri
Aleph Alpha describe Kolibri como un modelo "creado para trabajo soberano y crítico en áreas reguladas". Según la empresa, soberanía significa que el modelo se creó y entrenó en Europa bajo leyes europeas y alemanas, sin control extranjero, y que los clientes pueden correrlo en sus propios servidores en lugar de mandar documentos internos a una API de terceros. La compañía dice que diseñó Kolibri pensando en la Ley de IA de la UE, el RGPD y el Código de Buenas Prácticas para IA de Propósito General de la UE, y la ficha del modelo indica que Aleph Alpha firmó ese código.
La ficha del modelo es igual de clara sobre los límites. Kolibri está pensado para asistentes y flujos de documentos en los que una persona revisa el resultado antes de actuar, no para sistemas autónomos, y en el apoyo a decisiones debe aconsejar, no decidir. Soportar dos idiomas en lugar de decenas es, según la ficha, una elección de profundidad sobre amplitud. Si tu organización trabaja en español, francés o polaco, Kolibri no se hizo para ti.
Qué hardware necesita Kolibri
La mezcla de expertos reduce el cómputo por token, no la memoria: los 78,000 millones de parámetros tienen que estar en la memoria de la GPU de todos modos, una contrapartida que la ficha del modelo explica. El checkpoint publicado guarda sus pesos en FP8, un formato numérico de 8 bits, con un consumo de unos 78 GB antes de la memoria extra que piden las conversaciones largas.
La guía de hardware de la propia Aleph Alpha:
| GPU | Mínimo | Recomendado |
|---|---|---|
| Nvidia H100 SXM5 | 2 | 2 |
| Nvidia A100 de 80 GB | 2 | No aparece |
| Nvidia H200 | 1 | 2 |
| Nvidia B200 o B300 | 1 | 1 |
La diferencia la marca la memoria. Una H100 tiene 80 GB, apenas lo que ocupan los pesos, mientras que Nvidia indica que la H200 tiene 141 GB, suficiente para los pesos y espacio para trabajar. Aleph Alpha también reporta que dos H100 atendieron 18 solicitudes simultáneas de 256k tokens con Kolibri, contra 3 de un modelo de 123B que había considerado. Es una medición de la empresa, no nuestra.
Dos notas prácticas. Para servir Kolibri hace falta el paquete aleph-alpha-inference de Aleph Alpha, un complemento para el motor de código abierto vLLM, o la imagen de contenedor de la empresa. Y también hay una versión BF16 de precisión completa pública; con 16 bits por peso, calculamos que necesita aproximadamente el doble de memoria.
Qué tan abierta es realmente la licencia
Apache 2.0 es una de las licencias más permisivas del software: puedes usar, modificar, ajustar y vender productos basados en el modelo, siempre que conserves los avisos de licencia y atribución (texto completo). No trae límite de usuarios ni un contrato de uso aparte. La sección de "Uso responsable" de la ficha del modelo pide evitar usos ilegales, incluidas las prácticas que prohíbe la Ley de IA de la UE, pero lo plantea como una petición y reconoce que la licencia es permisiva.
Hay dos límites que conviene conocer. La licencia aplica solo a los pesos y archivos de configuración del repositorio de Hugging Face, y la ficha del modelo dice que no se extiende al código, la arquitectura, los métodos de entrenamiento ni los parámetros de configuración de Aleph Alpha, que la empresa se reserva. O sea, recibes el modelo entrenado, no los medios para reconstruirlo: Aleph Alpha describe con detalle cómo seleccionó sus datos, pero los datos de entrenamiento no forman parte del lanzamiento.
Cuánto prueban los benchmarks
Las cifras principales de Aleph Alpha son altas: 84.3 en GPQA Diamond (preguntas difíciles de ciencia de nivel posgrado) en inglés y 81.3 en alemán, 96.9 en el examen de matemáticas AIME 2025 y 85.9 en LiveCodeBench v6. Todas salen de las pruebas de la propia empresa, hechas con su eval-framework de código abierto y con Kolibri en su nivel más alto de razonamiento.
La tabla completa de la ficha del modelo cuenta una historia más modesta:
- La ventaja es mínima. En GPQA Diamond en inglés, el 84.3 de Kolibri supera a Qwen3.5 35B-A3B (83.8) y a Qwen3.6 35B-A3B (83.4) por menos de un punto. En alemán, Qwen3.5 35B-A3B saca más, 84.2 contra 81.3.
- Un modelo denso más pequeño gana en la mayoría de las filas. La misma tabla incluye Qwen3.8 27B, que saca 89.2 en GPQA Diamond y 80.2 en la puntuación general en inglés, contra 75.5 de Kolibri. Aleph Alpha pone en gris los modelos densos porque usan varias veces más parámetros por token, un argumento válido sobre el costo de operación, pero Qwen3.8 sigue sacando más.
- El millón de tokens funciona, con menos precisión. En la prueba de contexto largo RULER de la propia Aleph Alpha, el modelo base de Kolibri baja de 86.9 con 4,000 tokens a 63.2 con 1M.
- Las puntuaciones por industria no se pueden verificar. Los resultados para el sector público alemán, el aeroespacial, los semiconductores y otros campos vienen de pruebas privadas que imitan casos de clientes y que nadie de fuera puede repetir.
Nada de esto hace que las cifras sean falsas. Son afirmaciones de un fabricante, medidas con su propio sistema de pruebas, contra modelos que él mismo eligió. Como los pesos son públicos, ahora cualquiera puede hacer pruebas independientes, y esos son los resultados que hay que seguir.
En resumen
Aleph Alpha Kolibri es una opción europea de pesos abiertos creíble si necesitas inglés y alemán, quieres mantener los datos en tu propio hardware y puedes poner una GPU de la clase B200 o H200, o dos H100. La licencia Apache 2.0 es realmente permisiva para los pesos, aunque la receta se queda con Aleph Alpha. Toma la ventaja en benchmarks como una afirmación de Aleph Alpha hasta que lleguen resultados independientes, y compáralo con los modelos de Qwen en tus propios documentos antes de decidirte. Es uno de varios lanzamientos abiertos de este mes; los modelos de decisión abiertos de AWS y Cloudflare siguen un enfoque muy distinto, y el resto de nuestra cobertura está en la sección de IA.