„Made in Germany“ und „souverän“ sind Aleph Alphas Verkaufsargumente für das kürzlich erschienene Kolibri. Ob diese Argumente Hand und Fuß haben kommt unter anderem drauf an ob man Trainingsdaten aus chinesischen Modellen akzeptiert oder nicht. Die Heidelberger Aleph Alpha haben Kolibri am 3. Oktober 2026 veröffentlicht, das Modell beherrscht Deutsch und Englisch. Es ist als Mixture-of-Experts-Modell gebaut, bei dem je Token nur ein Teil der Parameter rechnet. Kolibri ist ein Open-Weight-Modell, seine Gewichte stehen also unter Apache-2.0-Lizenz auf Hugging Face bereit. Aleph Alpha richtet es an regulierte Bereiche wie öffentliche Verwaltung, Industrie sowie Luft- und Raumfahrt. Doch was taugt es im Vergleich zu seinen Mitstreitern Mistral Small 4, Qwen3.6 und dem Schweizer Apertus 1.5?[l][c][a]
Kolibri im Detail
Laut Herstellerseite hat Kolibri 78,1 Milliarden Gesamtparameter, von denen pro Token 3,46 Milliarden aktiv sind. Das Modell verarbeitet einen nativen Kontext von 256K (262.144 Token), steht unter der Apache-2.0-Lizenz und wurde auf 768 NVIDIA-B200-GPUs in Deutschland und Finnland trainiert. Nach Angaben von Coding9 ist es kein Fine-Tune eines Llama- oder Qwen-Modells, sondern von Grund auf trainiert, mit rund 24 Billionen Trainings-Token, davon über 20 Prozent Deutsch. Je nach Quelle liegt der deutsche Anteil bei 21,3 Prozent oder rund 23 Prozent.[a][c][k][f]
Dabei darf man Open Weight nicht mit Open Source verwechseln: Die Apache-2.0-Lizenz gilt laut Modellkarte nur für die Gewichte, nicht aber für Code, Architektur und Trainingsmethoden. Wer die Gewichte betreibt, ist frei; wer das Modell nachbauen oder tief anpassen will, muss genauer lesen. Für den Eigenbetrieb nennt Pexon Consulting mindestens zwei NVIDIA-H100-GPUs mit je 96 GB Speicher. Laut innfactory belegen die FP8-Gewichte rund 78 GB, auf zwei H100 laufen demnach etwa 18 gleichzeitige Anfragen mit 256K Kontext; ActuIA nennt eine B200 oder zwei H100.[d][b][q][t]
Benchmarks: Bei Deutsch vorn, schwach bei langem Kontext
Beim aggregierten deutschen Gesamtscore führt Kolibri mit 70,8 Prozent vor Nemotron (67,9), Qwen (67,3) und Mistral (61,4). Auf Englisch erreicht es im Mathematik-Test AIME 2025 96,9 Prozent gegenüber 84,6 bei Qwen und 79,8 bei Mistral. Der entscheidende Vorbehalt: Alle diese Zahlen stammen von Aleph Alpha selbst, unabhängige Messungen lagen zum Launch nicht vor.[a][b]
Der deutsche Gesamtscore zeigt Kolibris wichtigsten Verkaufspunkt für DACH-Nutzer. Die Zahlen stammen allerdings vollständig vom Hersteller.
Das Bild ist weniger eindeutig, als die Überschriften nahelegen. Während Kolibri beim wissenschaftlichen Reasoning auf Deutsch (GPQA Diamond) laut Aleph Alpha knapp vor Qwen3.6 liegt, zieht Qwen3.6 bei den Tests für lange Kontexte (RULER laut Cybernews, LongBench Pro) sowie bei Spezialaufgaben wie Tau2-Telecom und Humanity's Last Exam auf Deutsch davon. Die Herstellerwerte im Einzelnen:
- GPQA Diamond (Deutsch): Kolibri 81,3 Prozent, Qwen3.6 80,6, Nemotron 76,6, Mistral Small 4 72,9
- RULER (Long-Context-Retrieval): Kolibri 80,0 Prozent, Qwen 84,3
- LongBench Pro: Kolibri 64,5, Qwen3.6 70,8
- Tau2-Telecom: Kolibri 94,7, Qwen3.6 99,1
- Humanity's Last Exam (Deutsch): Kolibri 15,9, Qwen3.6 20,5
Diese Herstellerwerte sollten im eigenen Pilotversuch mit den eigenen Dokumenten geprüft werden.[a][f][s]
Kolibri gegen Qwen3.6, Nemotron 3 Super und Mistral Small 4 in vier Domänen, nach Herstellerangaben; die Skala reicht von 0 Prozent in der Mitte bis 100 Prozent am äußeren Ring. Abbildung: Aleph Alpha, Kolibri-1 Tech Report, Figure 2, Seite 5.
Hinzu kommt der Blick über das Vergleichsfeld hinaus. Trending Topics EU kommt zu dem Schluss, dass Kolibri in einer breiteren Open-Weight-Rangliste bei allgemeinen englischsprachigen Benchmarks hinter mindestens zwanzig Modellen landen würde. Und AI Weekly verweist darauf, dass die eigene Modellkarte einen anonymen „Best Dense Model“-Kandidaten nennt, der Kolibri in jeder Kategorie schlägt (79,9 zu 70,8 auf Deutsch). Wer das ist, bleibt offen. Der Tokenizer, der Text in Token zerlegt, ist dagegen ein Pluspunkt: Laut Herstellertabelle erreicht er auf Deutsch 4,90 Bytes pro Token, vor Qwen3.5 (4,17), Tekken von Mistral (4,03) und Qwen3-Next (3,59). Beim Durchsatz nennt Aleph Alpha für Kolibri rund 47.000 Bytes pro Sekunde und GPU, für Qwen3.6 rund 38.500 und für Nemotron Super rund 24.000.[e][h][p][a]
Score gegen Durchsatz: Aleph Alphas eigene Darstellung von Kolibri auf der Pareto-Front, mit Apertus 70B als langsamstem Modell im Feld. Jedes Modell läuft in seiner schnellsten Konfiguration auf acht B200-GPUs. Abbildung: Aleph Alpha, Kolibri-1 Tech Report, Figure 1, Seite 1.
Mistral und Qwen: zwei sehr verschiedene Konkurrenten
Mistral Small 4 erschien am 16. März 2026, ist multimodal, bietet 256K Kontext und kostet ab 0,15 US-Dollar je Million Input- und 0,60 Dollar je Million Output-Token. Sein strategischer Trumpf ist die Infrastruktur: Mistral AI gilt laut DataNorth als einziger Frontier-Anbieter mit Pariser Hauptsitz und EU-Inferenzkapazität. Die regionalen Endpoints (api.eu.mistral.ai) sind seit dem 11. August 2026 allgemein verfügbar. Ein EU-Endpoint hält die Verarbeitung in EU/EFTA-Rechenzentren, kostet aber 10 Prozent Aufpreis und unterstützt weder Agents noch Batch oder Files API. Für Schweizer Anwender ist die Nennung von EFTA relevant, ebenso die Sprachabdeckung: Kolibri unterstützt nur Deutsch und Englisch, Mistral Small 4 dagegen dutzende Sprachen.[i][u][t]
Qwen3.6 35B-A3B von Alibaba ist bei Long-Context und Coding das stärkere Argument: Es führt bei LongBench Pro und bei SWE-Bench Verified (73,8 zu 66,4), Pexon sieht es beim Coding vorn, und es taucht in Empfehlungslisten für deutschsprachige Anwendungen 2026 auf. Qwen-Modelle sind trotz starker Mehrsprachigkeit und Reasoning-Fähigkeiten allerdings keine europäische Option: Alibaba sitzt in China. Das ist weniger eine Frage des EU AI Act, der außereuropäische Modelle nicht per se ausschließt, als eine der Datensouveränität, der Nachprüfbarkeit der Trainingsdaten und der Beschaffungsregeln im öffentlichen Sektor. Beschaffer sollten diesen Punkt gesondert prüfen.[b][j][t][s]
Apertus 1.5: die offene Schweizer Alternative
Apertus 1.5 ist die vierte Option, die in dieser Runde meist fehlt. Das Modell der Swiss AI Initiative, getragen von ETH Zürich, EPFL und dem Rechenzentrum CSCS, erschien am 24. Juli 2026 in den Größen 8B und 70B unter Apache-2.0-Lizenz. Anders als Kolibri und Qwen3.6 ist Apertus ein dichtes Modell, bei dem pro Token alle Parameter mitrechnen. Das 70B-Modell ist dadurch pro Token deutlich rechenintensiver als die Mixture-of-Experts-Konkurrenz mit rund 3,5 Milliarden aktiven Parametern, was Betriebskosten und Hardwarebedarf erhöht. Es ist kein neues Modell, sondern ein fortgesetztes Pretraining von Apertus 1.0 mit 4 Billionen zusätzlichen Token für das 8B- und 2 Billionen für das 70B-Modell. Anders als bei Kolibri, dessen Apache-Lizenz Code und Trainingsmethoden ausklammert, gilt die Offenheit hier für das ganze Paket: Neben den Gewichten sind Trainingsdaten, Zwischen-Checkpoints und die Post-Training-Stufen veröffentlicht. Neu sind Bild- und Audioeingabe, ein zuschaltbarer Thinking-Modus, ein Kontext von 256K sowie laut Release Notes besseres Instruction-Following und Tool-Use; die Ausgabe bleibt Text, Audio gilt als experimentell. Das Projekt räumt selbst ein, dass Apertus 1.5 den führenden Open-Weight-Modellen insgesamt hinterherläuft. In Teildisziplinen hält es nach eigenen Angaben aber mit: Das 8B-Modell soll ähnlich große offene Modelle bei Instruction-Following und mehrsprachigen Aufgaben schlagen, bei Übersetzungen im Last Translation Benchmark auf dem Niveau von GPT-OSS-20B liegen und Claude Haiku 4.5 übertreffen, bei Schweizer Rechtsaufgaben mit führenden offenen Modellen gleichziehen. Auch hier gilt: Die Zahlen stammen vom Projekt selbst; der Technical Report liegt seit dem 11. Oktober 2026 auf arXiv vor. Verfügbar ist das Modell über Hugging Face und Public AI, als API bei Swisscom und Infomaniak sowie für Schweizer Hochschulen über einen Inferenzdienst des CSCS. Für DACH-Entscheider ist Apertus 1.5 damit kein Ersatz für die Spitzengruppe, aber als vollständig nachvollziehbares, in der Schweiz gehostetes Modell mit breiter Mehrsprachigkeit eine Option, die einen eigenen Pilotversuch wert ist.[v][w][x][y][z][aa][ab]
Das Souveränitätsversprechen hat drei Haken
Erstens die Eigentümerfrage: Cohere und Aleph Alpha haben ein definitives Fusionsabkommen unterzeichnet. Das Unternehmen soll unter dem Namen Cohere mit Hauptsitzen in Berlin und Toronto auftreten, die Schwarz Gruppe investiert 600 Millionen US-Dollar. Die kolportierte Bewertung von rund 20 Milliarden Dollar stammt von einem anonymen Insider und ist nicht bestätigt. Die Transaktion steht noch unter regulatorischem Vorbehalt. Offen ist, wie laufende Behördenverträge nach einem Abschluss zu bewerten sind. Business Punk nennt als Kernfrage, wie viel Souveränität bei der bevorstehenden Übernahme bleibt.[g][d]
Zweitens die Trainingsdaten: Für synthetische Daten nutzte Aleph Alpha chinesische Modelle wie GLM-5.2 und Qwen3.8-27B, während das Unternehmen zugleich eine Studie zu parteilinientreuen Antwortmustern chinesischer Modelle veröffentlichte. Der Anteil dieser Daten ist nicht quantifiziert, ob und wie stark sich Bias-Muster übertragen, ist offen. Drittens die Compliance: Die Konformität mit EU AI Act, GPAI-Verhaltenskodex und DSGVO beruht auf Herstellerangaben von Aleph Alpha.[d][f]
Welches Modell für welchen Zweck?
- Deutsche RAG- und Verwaltungs-Workflows: Kolibri ist hier laut Pexon stark; für den Eigenbetrieb nennt Pexon mindestens zwei H100-GPUs. Ein Pilot mit eigenen Dokumenten sollte vor jeder Festlegung stehen.[b]
- Lange Dokumente und Coding: Qwen3.6 liegt laut Herstellerzahlen und Pexon vorn, stammt aber nicht aus Europa, was für Behörden Fragen der Datensouveränität aufwirft.[b][s][j]
- EU-Hosting ohne eigene GPUs: Mistral mit EU-Endpoint, aber mit Funktionsbeschränkungen und 10 Prozent Aufpreis.[i][u]
- Vollständig offenes Modell mit Schweizer Hosting: Apertus 1.5, mit eingeräumtem Rückstand zur Spitzengruppe, aber offenen Daten und Checkpoints.[v]
- Österreichisches Amtsdeutsch und Schweizerdeutsch: Zur Leistung bei Dialekten und regionalen Verwaltungsbesonderheiten enthalten die ausgewerteten Quellen keine Angaben; eigene Tests sind hier sinnvoll.
Fazit
„Europäisch“ ist bei KI keine Eigenschaft eines Modells, sondern ein Bündel aus Standort, Eigentum, Trainingsdaten und Betriebsmodell. Kolibri punktet bei Standort und Sprachfokus, Mistral bei der Infrastruktur, Qwen bei Long-Context und Coding, Apertus bei vollständiger Offenheit und Schweizer Hosting. Keines der Modelle erfüllt alle Kriterien gleichzeitig. Bis unabhängige Messungen vorliegen, sollten Entscheider Herstellerbenchmarks als Hypothese behandeln und eigene Tests mit ihren Dokumenten und Anwendungsfällen durchführen.
