Kolibri 1
Une option solide pour l'auto-hébergement et le contrôle total des données.
Présentation
Kolibri 1 est sorti le 3 octobre 2026. C'est un modèle à mélange d'experts de 78,1 milliards de paramètres, dont 3,46 milliards sont activés pour chaque token : son coût de calcul est proche de celui d'un petit modèle. Les poids complets sont publiés sur Hugging Face en BF16 et en FP8 sous licence Apache 2.0, ce qui autorise l'usage commercial, la modification et la redistribution. Aleph Alpha le destine aux administrations et aux secteurs réglementés qui veulent l'héberger sur leur propre infrastructure. Le contexte entraîné est de 262 144 tokens, avec une configuration validée jusqu'à un million. Point d'attention pour un usage en France : le modèle est déclaré pour l'allemand et l'anglais seulement, le français ne fait pas partie de son corpus déclaré. Les scores publiés (GPQA Diamond 84,8 %, LiveCodeBench v6 85,1 %) sont mesurés par l'éditeur et ne sont pas encore confirmés de façon indépendante.
Profil de compétences
Non communiqué
Trois mesures indépendantes
Ce que les gens préfèrent, ce que le modèle sait faire, ce que le marché utilise. Chaque source a ses biais, aucune ne suffit seule : nous les affichons séparément, sans les mélanger.
Forces
- Open-source et auto-hébergeable
Limites
- Pas de résidence UE documentée
- Tarification API non publiée
À qui ça s'adresse
- vous voulez maîtriser vos coûts ou auto-héberger
- vous manipulez des données sensibles sans option UE
Accès & disponibilité
Caractéristiques clés
Combien ça coûte par mois
Estimation à partir des prix API sourcés et d’un palier matériel pour l’auto-hébergement. Hypothèses modifiables.
Hypothèses : 36 mois d’amortissement, 0.25 €/kWh, 22 jours/mois, conversion 1 $ = 0.92 €. Hors main-d’œuvre, hors licences logicielles, hors redondance.
nAIvigate Trust Index
Ce que l’éditeur offre et documente pour un usage professionnel en Europe. Un critère non documenté vaut zéro et reste visible : le score monte quand l’éditeur publie, pas quand nous supposons.
13/19 critères documentés · 68 % · dont 7 posés par règle
Voir les critères▾
Badge Trust Index
Affichez ce score dans votre documentation, votre README ou votre page sécurité. Il se met à jour automatiquement.
[](https://naivigate.com/fr/model/kolibri)Données & conformité
Ce que nous savons, ligne par ligne, avec la source et la date. Ces lignes alimentent les familles Données et Entreprise du Trust Index ci-dessus. La conformité RGPD dépend de votre traitement, pas du modèle seul.
| Résidence des données en UE | Non documenté |
| Accord de traitement (DPA) | Non documenté |
| Transfert hors UE | Non documenté |
| Entraînement sur vos données | Non documenté |
| Rétention configurable | Non documenté |
| Zero Data Retention | Non documenté |
| Auto-hébergeable | Oui |
| Hébergement déclaré | self |
Qualité des données de la fiche
Ce score mesure la qualité des données de cette fiche : prix, contexte, Elo, licence, documentés, sourcés et récents. Il ne mesure ni le modèle ni sa conformité : pour cela, voir le Trust Index plus haut.
4/8 documentées · 2/8 sources primaires
Faire tourner en local
| Quantization | Disque | RAM / VRAM | Matériel type |
|---|---|---|---|
| Q4 · recommandé | 44.5 Go | 51 Go | Mac 64 Go / bi-GPU 24 Go |
| Q8 · équilibré | 83.6 Go | 94 Go | Mac Studio 96-128 Go / 4× GPU |
| FP16 · qualité max | 156.2 Go | 174 Go | Infra GPU serveur (H100/A100…) |
Estimations pour un contexte modéré. Un long contexte augmente la RAM nécessaire (KV cache).
Déployer
Commandes prêtes à copier, générées depuis la fiche. Ajustez le contexte et le nombre de GPU à votre machine.
Serveur OpenAI-compatible pour la production sur GPU NVIDIA.
pip install vllm
vllm serve Aleph-Alpha/Kolibri-1 \
--max-model-len 32768 \
--tensor-parallel-size 2 \
--dtype autoDonnées avancées · pour expertsArchitecture, modalités, coût détaillé, benchmarks complets▾
| Arena Elo | — |
| MMLU | — |
| GPQA | — |
| HumanEval | — |
| SWE-Bench | — |
| MATH | — |