Aioga
AI资讯 / 行业动态
返回 AI资讯

Aleph Alpha 发布开放权重德英双语 MoE 模型 Kolibri

Hacker News 热门Aioga 编辑团队2026-10-03T15:13:44.000Z热度 58

Aleph Alpha 于德国统一日发布开放权重模型 Kolibri,为 78B 总参数、约 3B 激活的德英双语 MoE Transformer,支持最长 1M token...

行业动态Hacker News 热门

今日 AI 情报摘要

Aleph Alpha 于德国统一日发布开放权重模型 Kolibri,为 78B 总参数、约 3B 激活的德英双语 MoE Transformer,支持最长 1M token 上下文,权重以

Apache 2.0 许可上传 Hugging Face。

中文正文 · AI 翻译

在德国统一日,我们发布了我们的新模型:Kolibri。

Kolibri 是一个英德混合专家变压器模型,总参数量为 780 亿,其中活动参数为 30 亿。它支持最长 100 万 token 的上下文长度。该模型可以在 Hugging Face 下载完整权重:https://huggingface.co/Aleph-Alpha/Kolibri-1,并可在 Apache 2.0 许可证条款下使用。

Kolibri 是我们模型训练持续迭代的成果。我们首先建立了一个模型训练流水线:/en/blog/model-training-as-code/,并通过构建 Kolibri Origin(一款总参数 300 亿,活动参数 30 亿,上下文窗口为 65k token 的模型)进行了验证。Kolibri 也是通过同样的流水线完成的:从数据摄取与整理,到消融实验、预训练和后训练,再到最终评估。它使我们能够运行数百次消融实验和稳定的预训练,而无需在硬件故障或数据连接中断时人工干预。我们持续监控训练指标,并为自定义基准建立了标准化监控。我们在构建和迭代该流水线上投入的时间是一项宝贵的投资。这在 Kolibri 优于 Kolibri Origin 的性能中以及两者发布之间的短时间差距上都可以体现。

Kolibri 是一个专门为受监管领域中的主权关键任务工作构建的语言模型,包括公共管理、工业和航空航天。我们为德语、推理、数学、智能行为及客户在生产中所需的其他功能对 Kolibri 进行了专业化设计。专业化的目的在于优化客户特定用例的性能。通过专业化,客户能够在其 AI 运营中实现上下文化性能,并可以监控其经济影响,从而使 ROI 保持可衡量并随时间增长。

仅仅专业化是不够的。主权同样重要。对我们来说,主权结合了两个维度:模型的构建方式,以及它向客户的转移方式。我们提供完整的供应链完整性,并对每一个决策负责,从数据摄取到预训练和后训练,再到最终的评估。我们提供透明度。客户拥有完全的部署自由和知识产权安全,因此合规性成为模型的固有属性。

阅读我们的技术报告:/downloads/tech-report.pdf 获取完整详情。

我们优化了 Kolibri 在各个领域的性能,同时考虑它们特定的领域语言、法规和流程现实。其小巧高效的体积为我们的客户提供了灵活性,使其能够在本地高效运行,而无需将内部数据发送到第三方推理服务。本节的重点介绍了模型的能力,随后我们将在“我们如何高速构建 Kolibri:#how-we-built-kolibri”一节中进行详细描述。

通过 Kolibri,我们优化了模型能力与部署成本之间的权衡,使用了总计 780 亿参数中的 30 亿活跃参数。Kolibri 在英语和德语的质量与服务成本之间处于帕累托前沿。帕累托前沿是经济学中的一个概念,表示两项目标可以实现的最佳组合,提升其中一个意味着必须牺牲另一项。在相同的服务成本下,没有任何比较模型能提供更高的质量,或在成本更低的情况下提供相同质量。

在数学、编码、基础知识和长上下文任务中,Kolibri 的表现可匹敌活跃参数数量是其四倍的模型,如 Nemotron 3 Super。

公共基准测试无法涵盖专业领域需求,因此我们为对客户重要的垂直行业开发了自己的内部评估套件,如德国公共部门、航空、制造和汽车行业。每个套件都反映了这些行业所需的技能、工作流程和特殊情况,并配套的合成训练环境使我们能够在不使用客户数据的情况下改进 Kolibri 的评估表现。更多内容请参阅“上下文化性能:#contextualized-performance”一节。

基于您的文档提供可靠答案。我们使用弃权数据和 Merlin-Arthur 协议训练 Kolibri。因此,当上下文中没有答案时,它会被训练为回答“我不知道”。我们的客户重视并需求此功能,因此我们持续跟踪和验证弃权准确性。更多细节请参阅“基础:#grounding”一节。

母语为德语和英语的模型。我们开发了一个德英双语的分词器,并专注于在模型训练过程中纳入自然的德语数据:/en/blog/sauerkraut-not-burgers-why-german-llms-need-german-data/,因此在预训练的所有标记中,21.3%是德语。我们很少使用翻译(总共占6%),因为翻译文本往往带有其源语言的文化特征。结果是一个按设计就是双语的模型,而不是一个读过一些德语的英语模型。更多内容可参见德语预训练数据:#german-pre-training-data 和 专用分词器:#specialized-tokenizers。

我们对模型权重保持透明:https://huggingface.co/Aleph-Alpha/Kolibri-1 以及对训练数据的整理:/en/blog/sauerkraut-not-burgers-why-german-llms-need-german-data/,使开发背后的决策可被看见。通过其推理轨迹,可以解释模型如何给出特定答案。通过我们的梅林-亚瑟协议:/en/blog/bounding-hallucinations-merlin-arthur-protocols-for-mutual-information-bounds-in-language-models/,模型建立了可信度基础:当上下文不支持答案时,Kolibri会避免回答。

我们的团队在德国构建了模型,并在德国和芬兰的基础设施上进行训练,遵守欧洲和德国法律,无外国控制。我们拥有从数据整理、预训练和后训练,到在我们的模型工厂中进行优化的整个流程。这种对端到端流程的控制支撑了模型的主权。这种控制也传递给我们的客户,Kolibri的小型化使他们拥有完全的部署自由,并支持可控的推理工作量,以在成本、延迟和答案质量之间进行权衡。

我们的模型工厂是我们对迭代速度的回应,它最大限度地减少了从发现模型错误到训练出更好模型所需的时间。我们将训练流程实现为代码,使团队的经验集中在一个有版本控制的训练方案中,而不是分散的脚本和笔记里。这是Kolibri Origin与Kolibri之间的流程情况。

管道的工作始于一月。经过五个月和数百次消融实验后,Kolibri Origin 于6月11日完成了目标规模的预训练。Kolibri 于9月11日完成。在这两个日期之间的三个月里,我们从30B参数增加到78B,从65k标记的上下文窗口扩展到最多1M,并且从7.5T训练标记增加到20T。为了获得这些20T,管道处理了超过200T的原始数据,对其进行过滤、去重并整理成我们实际训练的数据。我们改变了注意力设计,专家数量增加了三倍,提高了稀疏性,更换了路由算法,改进了训练后的数据,环境任务数量增加了一倍以上,并教会模型在四个不同努力水平上进行推理。两个模型每个标记保持类似数量的活跃参数,但由于我们的效率团队的工作,Kolibri 每个标记的训练速度比 Kolibri Origin 更快。

实现这一点的关键是我们的训练管道,这是将科研级模型开发转化为全自动生产就绪基础设施以设计和训练大型语言模型的努力。我们的管道代码库是共享的:/en/blog/model-training-as-code/。每个提议的代码更改都会触发一次小型端到端模型运行:训练、评估,以便在几分钟内发现是否有问题。我们的运行是 GitHub Actions 工作流,复现一次运行只需检出一个提交。我们使用管道进行主要的训练以及进行数百次消融实验,以做出架构和数据混合的决策。

训练检查点大约每小时生成一次,管道会自动评估它们在英语和德语知识、数学、代码、指令遵循、工具使用、长上下文、安全性、回避幻觉和基础事实等方面的表现。我们每天都能看到能力的出现,而不是等到最后才知道模型结果如何。训练本身的表现比我们预期的还要好。在 Kolibri 进行21天的预训练期间,我们遇到了38次意外中断,大约每10,000 GPU小时一次,原因是硬件故障或连接超时。管道会自动处理这些情况,无需人工干预。集群会自动在不同节点上重新启动训练任务,并从最多250步之前的检查点继续训练。

能够访问整个流水线,并让所有人都可以访问检查点,这意味着任何团队都可以从端到端拥有一项能力,而不仅仅是生产线上的一个环节。一个团队将Kolibri的基础能力训练和评估作为一个整体工作,无缝地整合进整体模型。

然而,达到这一点并非一路顺利。我们曾遇到挫折。由于发现了游离在测试之外的数据打乱错误,我们在处理了几万亿token后停止了Kolibri Origin的预训练,并从头开始重启。我们进行了消融实验,做出了决策,但随后又发现配置中存在错误或缺陷,迫使我们重新运行一些实验。在积累自身经验的同时,我们还跟踪了最先进的架构、最佳实践以及LLM领域的最新研究进展。这些积累的经验提升了我们的流程,并在流水线中建立了防护措施。

观察Kolibri Origin和Kolibri之间的差异,提升是显著的,但这也是较容易的方向:更多的参数、更多的数据、一个成熟且易理解的架构家族,而且仍然是在小规模下。随着我们考虑向更大规模扩展,我们很乐意在基础上迎接挑战。但今年我们建设的最持久的东西并不是流水线,而是一支经过验证的团队,他们能够快速地从原始数据构建、后训练并交付LLM。

Kolibri总共有78B参数,是Kolibri Origin的2.5倍,其中约有3B为活跃参数。在我们的实验中,将模型从32B扩大到123B,性能不断提升。然而,规模越大,训练和服务成本也越高。后者推动了我们的决策:123B在两块H100上只能处理3个长上下文256k-token的用户请求,而78B可以处理18个并发请求,且解码速度快28%。我们使用了384个较小的专家模型,而不是少量大型模型,因为它们在测试中表现更好。我们将同样以效率优先的原则应用于注意力机制。在50层中,只有10层处理完整上下文,其余40层使用紧凑的512-token聚焦窗口。这使得这些层在任何上下文长度下的解码计算和内存都保持有限。这种效率提升既有利于服务训练好的模型,也有利于后训练RL的训练,因为后者依赖大量推理计算。

我们在768个B200 GPU上训练Kolibri:/en/blog/scaling-pre-training-in-practice-a-hierarchical-approach/,分为三个阶段:20T代币,16k序列长度,21天,3.44T中期训练token,64k,200B长上下文适应token,256k。总共近24Ttoken,约是Kolibri Origin消耗的三倍。德语占预训练组合的五分之一以上,约4.3Ttoken,英语约62%,代码约14%。与预训练相比,中期训练数据是一个更具选择性的策划数据集池,权重推理、问题解决、代码和代理数据。对于长上下文,我们没有仅在长文档上训练,因为这往往会削弱之前获得的技能,而是将长文档与前一阶段高质量的中期训练数据交错使用。对于长上下文混合,我们移除了合成长文档,以避免人为膨胀如 RULER 的基准。

我们与 Kolibri Origin 一样,采用了 Muon 进行优化。我们特别关注训练稳定性,使得两个模型都能实现稳健的训练运行,没有任何丢失峰值。在 Kolibri 中,为了在训练过程中专家间的路由,我们引入了精确分位数平衡。分位数平衡是在 Kimi K3 中引入的,由于精确计算被认为传输成本过高,因此通过直方图估计全局分位数;我们证明它可以在固定成本下精确计算,且其精确性提升了负载均衡和模型质量。

训练后分为两个阶段;第一步是监督式微调,教授模型核心推理能力及聊天互动技巧,随后进行大规模强化学习,训练模型跨越多种长视野任务进行推理。我们为这两个步骤构建了流水线,使我们能够对模型行为进行细致控制。

对于SFT,我们生成了总计1740亿个标记的合成数据,对其进行了质量筛选,并与宽松许可的开源数据集的筛选版本结合,以获得高质量的训练组合,总计2680亿个标记。对于强化学习,我们在一组广泛的环境中进行了训练,这些环境包含超过120万个经过精心挑选的任务,涵盖了代码和数学推理、智能任务、指令执行、问答、工具调用等多样化领域。我们优化了内部训练代码库以实现高性能,并使用异步训练,即在使用当前模型在环境中生成训练数据的同时,将模型在已生成的数据上进行训练。

在两个阶段中,我们教会模型以不同努力水平(无、低、中、高)进行推理,这意味着用户可以控制模型在寻找任务解决方案时应投入多少计算资源。这使我们的客户能够在成本和推理速度与最终答案质量之间进行权衡。

根据我们在小型代理模型上的实验发现,使用约20%的德语数据进行训练会产生最佳结果,这意味着我们需要找到4万亿个德语标记,以在20万亿标记的训练规模下训练我们的模型。开放的德语数据集有所帮助,但远远不够:在去重和筛选之后,我们只剩下3900亿德语标记,远未达到目标。正如我们在《Sauerkraut, Not Burgers:/en/blog/sauerkraut-not-burgers-why-german-llms-need-german-data/》中所论述的,德语能力必须来源于高质量的德语文本;过度依赖机器翻译会导致结果不佳,因为存在微妙的翻译错误,并且缺乏真实的德语文化背景。我们通过三种不同的方式填补了标记缺口。

第一个方法是我们自己从 Common Crawl 筛选德语数据。我们建立了一个专门处理德语数据的管道。德语不是英语,德语数据不能像英语数据那样随意过滤:我们必须重新调整针对德语的过滤参数。语言数据管道中的一个典型过滤器是删除包含过多长单词的文档,但德语行政文书的平均单词长度通常超过英语的限制,因此标准设置会悄悄删除公共行政文书的文体。在重新调整后,我们的德语管道为我们提供了 1.3 万亿个独特的德语网络标记。

第二个方法是改写我们已经拥有的德语文档。一个大型语言模型(LLM)以百科条目的风格、问答对话或者文本段落的形式重写原有德语文档,并保持其内容。这可以让模型以多种表述形式学习相同的事实,并在稀缺数据中增加信息量,这与翻译操作不同:源文档是德语,因此主题和文化关联仍然是德语:总理,而不是总统。它不会增加太多新知识,而是为语料库中已有的知识提供新的表述方式。改写产生了约 1 万亿个独特标记,使其成为模型中单一最大的德语数据来源。

第三个方法是翻译,而这我们只在 Kolibri Origin 中使用。将英语翻译成德语在模型、提示和分块选择得当时是可行的,但它存在两个问题。输出仍可能显示翻译腔,即习语的字面翻译:“Drive safe!” 会变成 “Fahre sicher!” 而不是 “Komm gut an!”。更重要的是,文化背景无法翻译。从英语翻译而来的语料库会继承英语网络的地理、人口和机构分布,因此以此训练的模型讲德语时描述的世界仍然看起来像美国。

最终,德语被纳入 Kolibri 作为一个 2.4T 令牌的独特语料库,其中 80% 由我们策划或生成,20% 来自开放数据集,模型在预训练令牌中看到它的比例为 21.3%,大约是在 20T 数据中通过上采样得到的 4.3T。每个德语令牌平均被看到 1.8 次,远低于四轮训练的限制,超过该限制重复不会再带来收益。模型阅读的约 85% 德语是网络文本,既包括原创也包括改写的原创内容。其余部分为策划文档——议会记录、法律文本及其他公开领域的数据——以及那小部分翻译内容。

我们构建了一个双语英语-德语分词器,根据每个模型的预训练数据集进行训练和优化。由于数据中德语占比 21%,它比其他最先进模型对德语的压缩效果更好。这带来了更高效的推理(更少的令牌),降低了成本并缩短了响应时间。我们提出了一种新的训练分词器方法 UniBPE,比现有方法更好地尊重语言形态,尤其是德语的复合结构,同时不牺牲英语令牌的效率。

训练分词器的两种主流方法是 BPE:https://arxiv.org/abs/1508.07909 和 Unigram:https://arxiv.org/abs/1804.10959。我们将两者结合,保留 BPE 的自底向上方法,并使用 Unigram 的训练目标来选择合并哪些词汇进入词表。在我们基于英语/德语数据集训练的 128k 词汇表中,这显著改善了分词效果。

联邦社会法院的

常见的 LLM 训练和评估会奖励猜测:猜测有一定机会得到正确答案,而放弃则没有机会。因此,模型会学会用它所掌握的内容回答,即使其输入信息不足以合理回答。要求模型提供引用通常也会适得其反,原因相同:模型可能仅凭想象生成看似合理的来源,以证明没有依据的答案。

对于受监管的客户来说,知道何时不回答的模型是试点项目和实际部署之间的区别。我们将说“我不知道”视为模型的重要能力,并且(1)开发和跟踪专门的基础信息和防幻觉指标,以及(2)使用和开发专门的训练程序来提高这种弃答能力。

为了衡量幻觉弃答能力,我们使用已有的基准测试以及从客户用例中得出的自定义代理指标。我们还开发了自己的“M/A 基础信息评分”,该评分源于我们的Merlin-Arthur设置,用于表示答案中可证明来自文档的内容的下限。

Kolibri 的幻觉比 Kolibri Origin 少得多:在 AA-Omniscience:https://huggingface.co/datasets/ArtificialAnalysis/AA-Omniscience-Public 条目上,它放弃回答而不是给出错误答案的比例为44%(Origin:15%),在 RGB:https://arxiv.org/abs/2309.01431 上,它更频繁地保持不答(86% 对 74%)且虚假信息更少(87% 对 76%)。在我们自己的 M/A 基础信息评分中:/en/blog/bounding-hallucinations-merlin-arthur-protocols-for-mutual-information-bounds-in-language-models/,该评分是对答案多少来自文档的认证而非估计,Kolibri 达到 0.23,而 Kolibri Origin 及其他一些模型为 0。

大多数公开基准无法反映特定行业的需求。为了衡量上下文化表现——即模型处理特定行业独特工作流程和行业知识的能力——我们需要在客户重视的专业垂直领域(如德国公共部门、法律、硬件、消费电子和汽车)测量其表现。

为此,我们首先构建了领域特定的评估套件,这些套件反映了关键行业所需的技能、工具调用、工作流程和边缘案例,从而捕捉上下文化表现。一旦完成,我们便通过生成高质量的专业合成数据来创建训练环境,以涵盖这些所需技能。为了增强模型在现实任务中的稳健性,我们还对环境进行随机化处理,包括具体细节(工具、配置、装具)等。

这些共同促成了一个迭代引擎,使我们能够加强模型的代理式RAG能力、特定领域的逻辑和能力,并且在从未训练过客户数据的情况下,优化情境化评估。

这些评估工具作为我们流程的一部分自动运行:每一个检查点在到达时都会进行评分。Kolibri相较于其他开源权重模型表现良好。在代理式RAG基准测试Honeypot上,Kolibri的表现超过了所有比较的模型,包括更大的Nemotron 3 Super和Mistral Small 4。在清理过的代理式RAG基准测试MuSiQue上,它仅次于更大规模的Nemotron 3 Super,并且远远领先于其他模型。在五个客户应用中,Kolibri在其中四个表现优于或与最佳模型持平。这些发现表明我们能够处理各种数据和设置,并在不同用例中发挥作用,而其他比较模型对这些细节较为敏感。

这些用于测量情境化性能的评估之所以存在,是因为客户告诉我们他们的应用存在哪些不足。每一个评估都编码了我们从这些对话中学到的内容:哪些文档重要,模型应该获取哪些工具,哪些问题具有挑战性,现有部署系统在哪些方面使用户感到不便。这使得交流在两个方向上都变得具体化。展示失败案例的客户会将其转化为基准测试,每个未来的检查点都将进行测量,我们可以在从未训练客户数据或冒过拟合风险的前提下优化目标。

基准测试使用我们自己的测试框架运行:https://github.com/Aleph-Alpha-Research/eval-framework,并且在适用的情况下,所有模型都使用了各自的最高推理努力等级。

我们的模型在Hugging Face上公开提供:https://huggingface.co/Aleph-Alpha/Kolibri-1,采用Apache 2.0许可协议。

Kolibri 需要提供 Kolibri vLLM 插件的 aleph-alpha-inference 软件包。您可以使用提供的容器镜像 ghcr.io/aleph-alpha/aleph-alpha-inference,也可以从 Aleph-Alpha/aleph-alpha-inference:https://github.com/Aleph-Alpha/aleph-alpha-inference 安装该软件包,该软件包还会安装其支持的 vLLM 版本:

启用推理和工具调用来提供模型服务。

要处理超过262,144个标记的上下文,请添加 --max-model-len 1048576 --hf-overrides '{"max_position_embeddings": 1048576}'。该模型推荐的采样参数为 temperature=1.0、top_p=0.97 和 top_k=128。

请联系我们的团队,我们将很高兴通过企业部署和专业化选项为您提供支持:联系销售:/en/sales/。

海德堡斯派耶街14号 69115

情报判断

Aioga 编辑摘要

Aioga 编辑摘要:Aleph Alpha 于德国统一日发布开放权重模型 Kolibri,为 78B 总参数、约 3B 激活的德英双语 MoE Transformer,支持最长 1M token 上下文,权重以 Aioga 将其归入「行业动态」方向,重点关注它对真实使用和行业竞争的影响。

背景分析

背景分析:模型与研究类动态需要结合能力边界、开放方式、成本、可用性和真实任务表现判断,单项指标领先不等于已经形成稳定采用。

Aioga 观点

Aioga 判断:这条动态更适合作为行业观察信号,当前信息足以建立线索,但不足以推导长期结论。

影响与后续

影响分析:对相关团队而言,短期应先核对来源、可用范围和实际成本,再判断是否值得接入或跟进。 后续观察:继续观察官方文档、实际可用性、价格变化、开发者反馈和竞品回应。

来源与版权说明

本页正文由公开来源页面提取并按原有信息整理,同时保留来源、发布时间和原文入口。版权归原作者及来源网站所有,请通过原文链接核验和阅读来源版本。

抓取通道: 摘要聚合 · 原始域名: aleph-alpha.com

来源: Hacker News 热门

原文链接: 打开原始来源

Aioga 归档: 查看情报页

Content record: source-page · Updated: 2026-10-03T15:13:44.000Z

API 中转站
API RELAY · DEVELOPER INFRASTRUCTURE

API 中转站

统一接入主流 AI 模型 API,为开发、测试与生产环境提供稳定调用入口。

立即访问 api.w173.com
AIOGA SHARE POSTER

分享这篇 AI 情报

Aleph Alpha 于德国统一日发布开放权重模型 Kolibri,为 78B 总参数、约 3B 激活的德英双语 MoE Transformer,支持最长 1M token...

Hacker News 热门2026-10-03T15:13:44.000Z
扫码打开文章详情扫码直达文章详情

Aioga 自动聚合全球 AI 动态,并保留来源信息用于核验与引用。