Aleph Alpha

把「主权」拆成两半

Aleph Alpha 于 2026 年 10 月 3 日发布 Kolibri，并把它称作一个「主权开放权重模型」（sovereign open-weight model）^[1]。开放权重意味着参数可以被下载、自行运行，而不是只能通过厂商的接口调用；「主权」则是公司对这件事提出的进一步要求。

Aleph Alpha 把主权拆成两部分：模型是怎么造出来的，以及它如何转移到客户手里^[1]。前半部分讲可追溯。公司称自己能够交代从数据进入到后训练（post-training）再到评测的每一个环节^[1]——客户可以逐段追问训练数据从哪里来、模型之后经过了哪些处理、用什么方式衡量，而不只是拿到一个最终的分数。

后半部分讲交付。一个只能通过别人的服务器访问的模型，无论许可证写得多宽松，客户在运行层面仍然依赖那个运营方。这一层考虑决定了 Kolibri 后面几乎所有的设计取舍。

Kolibri-1 的规格

Kolibri-1 有 781 亿总参数，每个 token 激活 34.6 亿^[2]。两个数字之间的差距是关键。总参数描述模型存下来的全部权重，激活参数（active parameters）描述生成每个 token 时真正参与计算的那一部分；这样的结构让模型保存大量学到的内容，却在每一步推理上只支付小得多的计算代价，这正是它有可能跑在客户已有硬件上的原因。

语言范围同样是刻意收窄的。模型只支持德语和英文，模型卡把这一点称为在广度与深度之间选择深度^[2]：与其把容量摊到很多种语言上，不如把训练投入集中在两门语言里。

权重以 Apache 2.0 发布^[2]，这是一个宽松的开源许可证，允许使用、修改和再分发，包括商业用途。模型卡还写明，Aleph Alpha 签署了欧盟针对通用人工智能（GPAI）提供方制定的行为准则^[2]。

为本地运行而设计

Aleph Alpha 强调，较小的激活参数量让客户可以在本地（on-premise）运行 Kolibri，不必把数据交给第三方^[1]。这与前面两半主权正好接上：模型的建造过程可以交代，模型又能跑在客户自己的环境里，数据不必出门。

公司把 Kolibri 定位在公共管理、工业和航空航天等关键任务场景^[1]。这类场景往往同时具备两个特点：数据敏感、迁移成本高，而使用方又需要一个可靠到可以依赖的模型——本地部署的论证针对的正是这种组合。

从 Kolibri Origin 放大而来

Kolibri 不是一步到位的。它先以 Kolibri Origin 的形态得到验证：一个 300 亿参数、30 亿激活参数、6.5 万 token 上下文的模型，之后才被放大^[1]。先在小尺寸上把训练配方跑通、再扩大规模，是降低一次昂贵训练风险的常见做法；把这一步公开命名，也使得中间结果成为公开记录的一部分，而不是被丢弃的过程产物。

押注在哪里

Aleph Alpha 把「对德语的专门化」而非「原始规模」当作模型优势的主要来源^[1]。这与追逐榜单名次的路线是不同的赌注：它的主张是，一个真正熟悉某一种语言和某一种监管环境的模型，对在这些环境里工作的机构来说，比一个什么语言都懂一点的大模型更有用。

这种取舍在规格上是看得见的。客户拿到的是可以检查、运行和修改的权重，一份关于模型如何生产的说明，以及把数据留在自己机房里的能力；作为交换，模型只覆盖两种语言，规模上的卖点也是效率而不是最大。对 Aleph Alpha 来说，主权不是加在模型上的一个功能，而是它出售的产品本身。