你在政府部门或企业里用 AI 读内部文件，最先担心的往往不是它够不够聪明，而是文件要传到哪里、服务会不会突然涨价或停用。德国公司 Aleph Alpha 给出的答案，是把模型权重直接交给使用者，让机构能在自己的设备上部署。2026 年 10 月 3 日发布的 Kolibri 1，正是欧洲“主权 AI”从政策口号走向可下载模型的一次尝试。
这里的主权 AI，是让关键 AI 能力更多受本地法律、基础设施和机构控制，减少对境外闭源服务的依赖。本文数字主要来自 Aleph Alpha 的模型卡和技术材料，性能结论尚无独立复测。
大模型，为什么每次只用一小部分？
Kolibri 1 面向德语和英语，总参数量为 78B，也就是约 781 亿。但它处理每个 token 时只激活 3.46B，约占全部参数的 4.4%。token 是模型切分文字后的基本处理单位。
它采用 Mixture-of-Experts（MoE，专家混合）架构。可以把它理解成一个拥有许多专科人员的团队：任务到来后，路由机制只叫其中少数人参与，不让所有人同时工作。这样，模型可以保留较大的总容量，同时把每个 token 所需的计算量压低。
代价是内存并没有跟着缩小。未被激活的参数仍要放在设备里。Kolibri 1 的 FP8 权重——一种用较低精度保存数字、减少存储量的格式——约占 78 GB。官方列出的最低配置包括两张 A100 80 GB，或单张 H200、B200、B300。它算得像较小模型，却仍需要容纳完整的 78B 权重。
百万上下文，先看清口径
Kolibri 1 最醒目的数字之一是最多验证到 1,048,576 tokens 的上下文。上下文长度，就是模型一次能够读取并参考多少文字；越长，越适合处理长文档或持续较久的对话。
不过，“百万上下文”不能简单理解成所有任务都适合塞进一百万 tokens。模型先以 16,384 tokens 的序列预训练，随后扩展到 65,536，最终长上下文阶段训练到 262,144。Aleph Alpha 称模型质量和服务效率已验证至 1,048,576，但同时建议服务部署和复杂任务控制在 262,144 以内。因此，更准确的说法是：它以 262,144 tokens 为原生训练口径，并测试过向百万级延伸。
模型还支持工具调用和显式推理模式。推理强度可以设置为 none、low、medium、high 四档，让部署者在回答深度、速度和资源消耗之间选择。
“主权”具体落在哪里？
Kolibri 1 由德国团队开发，并在德国和芬兰的基础设施上从零训练。预训练使用 20T tokens，另有 3.44T 的中期训练和 201B 的长上下文扩展，总计约 23.64T。预训练语料约含 62.5% 英语、23.9% 德语和 13.6% 代码。预训练动用了 768 张 NVIDIA B200，持续 21 天；中期训练约消耗 90,000 GPU 小时，长上下文阶段约 10,000 GPU 小时。
开放权重是这套主权叙事中最实在的一环：模型训练完成后的参数可以下载，机构因而能够在自己的基础设施上部署和调整。Kolibri 1 的权重和配置文件托管于 Hugging Face，并采用 Apache 2.0 许可证。但这不等于训练数据、训练代码和全部方法也已开放。
“主权”也不意味着整套技术和数据完全来自欧洲。供稿材料显示，训练素材处理使用过 Google Gemma 4、Mistral-NeMo 等外部模型。因此，这里的主权主要指开发治理、训练地点和自主部署，而不是彻底本土化。Aleph Alpha 也已签署欧盟通用人工智能模型 GPAI Code of Practice。
为什么值得关注？
Aleph Alpha 曾被称为“德国版 OpenAI”。据《Le Monde》报道，公司在 2023 年宣布约 5 亿美元融资时得到德国经济部长站台，随后又遭遇德国媒体对模型竞争力和融资构成的质疑。Kolibri 因而不只是一款常规新品，也像一次把技术能力公开交给市场检验的尝试。
Aleph Alpha 自家评测称，Kolibri 1 在德语和英语上超过所有被比较的同规模模型。这个结论目前仍是厂商自评，缺少第三方基准复测。但它选择的路线已经足够清楚：不追求覆盖尽可能多的语言，而是押注德英双语、长文档处理、工具调用和本地部署。
局限与未知
- 百万级上下文只是官方验证上限；复杂任务和实际服务仍建议不超过 262,144 tokens，延迟、吞吐量与质量表现有待独立测试。
- Apache 2.0 明确覆盖权重和配置文件，不能据此推断训练数据、训练代码或全部软件资产均已开放。
- “同规模双语领先”“知识产权安全”等说法来自 Aleph Alpha，目前没有第三方复测、训练数据审计或法律意见支持。