JOURNAL / 2026.10.04
Kolibri: pesos abiertos para trabajar en alemán e inglés, con límites de contexto y despliegue
Aleph Alpha publica Kolibri con razonamiento y uso de herramientas. Su valor está en poder evaluar y operar el modelo bajo control propio; el millón de tokens y la eficiencia anunciada necesitan una lectura más precisa.
Aleph Alpha publicó el 3 de octubre Kolibri, un modelo de texto centrado en alemán e inglés, con razonamiento y llamadas a herramientas. El anuncio apunta a administraciones e industrias que necesitan trabajar con información sensible. Hay pesos descargables, no sólo una promesa de apertura: se ofrecen versiones FP8 y BF16, con licencia Apache 2.0 para los pesos y archivos de configuración publicados.
Lo que cambia en la práctica es la posibilidad de probar ese conjunto de capacidades en infraestructura propia y conservar una versión concreta. Eso permite controlar dónde se procesa un expediente y cuándo cambia el modelo que lo lee. La apertura no comprende automáticamente los datos ni todo el sistema de entrenamiento, y tampoco convierte una aplicación posterior en conforme por herencia.
Kolibri tiene 78.100 millones de parámetros, pero activa unos 3.460 millones por token mediante una mezcla de expertos. Esa distinción explica parte de su propuesta económica: cada paso usa sólo una fracción del modelo. No reduce en la misma proporción la memoria que hace falta para alojarlo. Las fichas estiman unos 78 GB para los pesos FP8 y 156 GB para BF16, antes de contar la memoria de contexto y otros gastos de ejecución. Es una opción para infraestructura con GPU de gran memoria, no una descarga ligera para cualquier ordenador.
Un millón de tokens no es un millón de tokens igual de útiles
El informe técnico, en su sección 2.3.4.3 y apéndice G, distingue el entrenamiento hasta 262.144 tokens de las pruebas que extienden el contexto hasta 1.048.576. La arquitectura combina capas que miran una ventana cercana con otras que atienden al contexto completo; estas últimas no usan codificación posicional. Eso permite alargar la entrada sin reajustar posiciones, pero no conserva automáticamente la calidad.
Las pruebas RULER examinan recuperación de información insertada, seguimiento de variables, extracción de palabras y respuesta a preguntas. Muestran degradación desigual al aumentar la longitud. En el modelo final, activar el razonamiento ayuda en preguntas a las mayores longitudes, mientras que desactivarlo favorece la recuperación de información insertada. Hay además distintos presupuestos de salida en esa comparación, por lo que no aísla el efecto del razonamiento. El propio proveedor recomienda como máximo 262.144 tokens para tareas complejas y eficiencia de servicio.
Para un equipo que analiza documentación, esto sugiere empezar con expedientes representativos dentro de ese rango y ampliar sólo cuando la tarea lo justifique. Que un archivo quepa no prueba que el sistema relacione bien sus cláusulas, detecte contradicciones o sepa cuándo falta evidencia.
La eficiencia también tiene un marco concreto. El apéndice A compara generación de texto con alta concurrencia, entradas sintéticas y ocho GPU B200, buscando la mejor configuración de cada modelo. Es una comparación útil para cargas dominadas por generar salida; no mide por sí sola latencia de una consulta, coste de leer documentos enormes ni gasto total del servicio. El informe también reconoce que evalúa capacidad de algunas alternativas en BF16 y mide su velocidad en FP8, suponiendo que la reducción de precisión conserva los resultados.
Me interesa más esta posibilidad de especialización comprobable que un puesto en una clasificación general. El informe compara Kolibri con modelos abiertos como Qwen y Nemotron, y documenta avances sobre Kolibri Origin, una iteración interna que no se publicó. Pero sus pruebas sectoriales son aproximaciones propias a aplicaciones, no tasas de acierto garantizadas en clientes. Algunas muestras son demasiado pequeñas para establecer una tendencia, según la propia metodología.
Una primera prueba útil sería un asistente que responde sobre documentos alemanes o ingleses y señala el pasaje que sustenta cada respuesta. Incluiría preguntas cuya respuesta no aparece, información contradictoria y documentos largos con evidencia dispersa. Mediría respuestas verificadas, abstenciones correctas, tiempo y memoria, con una versión fijada del complemento de inferencia para vLLM. No hemos ejecutado Kolibri aquí: ésta es una propuesta de evaluación, no un resultado del laboratorio.
Kolibri merece atención porque amplía las opciones para construir bajo control propio. Su prueba decisiva será si esa libertad produce trabajo fiable a un coste asumible en un idioma y una tarea concretos. El lanzamiento permite empezar a responder con experimentos propios; no resuelve la pregunta por adelantado.
Fuentes
- Aleph Alpha, anuncio de Kolibri, 3 de octubre de 2026.
- Aleph Alpha, fichas y pesos FP8 y BF16.
- Aleph Alpha, informe técnico, especialmente secciones 2.3.4.3 y 3.3, y apéndices A y G.
- Aleph Alpha, código y documentación de inferencia.
Fuentes consultadas el 4 de octubre de 2026.