4 oktober 2026
De downloadknop staat klaar, maar je laptop heeft maar 16 GB geheugen. Bij Kolibri 1 lees je iets over drie miljard actieve parameters en denkt: dat past misschien. Precies daar zit de valkuil voor wie een eigen AI-assistent wil draaien.
Aleph Alpha presenteerde op 3 oktober Kolibri 1 als openbaar beschikbaar taalmodel. De gewichten hebben een Apache 2.0-licentie. Per token doet slechts een deel van het model het rekenwerk; het hele model is veel groter. Voor bezoekers van Wat is AI is dat verschil nuttiger dan het grootste getal uit de aankondiging.
Kolibri 1 heeft meer geheugen nodig dan ‘3B’ suggereert
Volgens de modelkaart op Hugging Face telt Kolibri ongeveer 78 miljard parameters, waarvan circa 3,46 miljard actief zijn per token. Het gebruikt Mixture of Experts: delen van het netwerk worden selectief aangesproken. Minder actief rekenwerk betekent niet dat de overige gewichten verdwijnen.
Een eenvoudige geheugenschatting maakt dat zichtbaar: 78 miljard gewichten maal één byte is ongeveer 78 GB, alleen voor de gewichten. Dat is een rekenvoorbeeld bij FP8, geen volledige meting van het draaiende systeem. De modelkaart noemt zware GPU-configuraties. Dit is geen download die daarmee vanzelf op een laptop met 16 GB past.
Voor de achtergrond helpt hoe werkt AI: een taalmodel heeft aangeleerde gewichten, die bij gebruik beschikbaar moeten zijn. De actieve selectie verandert het rekenen; de opslagvraag blijft.
| Getal uit de modelkaart | Gevolg voor je toepassing |
|---|---|
| Circa 78 miljard totale parameters | Controleer het geheugen voor het hele model, plus ruimte voor de uitvoering. |
| Circa 3,46 miljard actief per token | Een deel rekent mee; dit is geen belofte van een modelbestand van 3 GB. |
| Maximaal 1.048.576 tokens context | De maker beveelt voor efficiëntie en complexe taken maximaal 262.144 tokens aan. |
Open gewichten zijn waardevol, de benchmarktitel is te groot
De vrijgegeven gewichten maken inspectie en een eigen installatie mogelijk. Dat is een concrete winst tegenover een gesloten model waarvan je alleen de dienst gebruikt. Bij open source versus gesloten AI telt daarom steeds welke onderdelen werkelijk beschikbaar zijn.
Ook deze release is niet overal de winnaar. In de tabel van Aleph Alpha scoort Kolibri op AIME 2025 Engels 96,9 tegenover 84,6 voor Qwen3.6-35B-A3B. Op BFCL v4 overall is het 61,4 tegenover 67,2; op LongBench Pro 64,5 tegenover 70,8. Dat zijn makerresultaten, geen tests van onze redactie.
De concurrentiekolom verhindert één algemene overwinning. Ook bij de vergelijking in wat is GLM-5.3 telt welk werk je beoordeelt. Een rekenopgave, een functieaanroep en een lang document vragen niet hetzelfde van een model.
Wie vooral kleine, lokaal draaiende modellen zoekt, kan Kolibri daardoor te snel afschrijven. Voor een organisatie met geschikte servers kan een openbaar model juist waardevol zijn. Die mogelijkheid verdient een echte proef. De geheugenrekening alleen beslist nog niet hoe goed het model je documenten behandelt.
Neem een Nederlands document als eerste proef
De modelkaart legt de nadruk op Duits en Engels. De release bewijst daardoor nog geen goede Nederlandse antwoorden op jouw documenten. Een lang contextvenster is evenmin een garantie dat het model het juiste detail vindt. Bij wat is RAG draait diezelfde vraag om selectie van bronnen, in plaats van alleen veel tekst aanbieden.
- Controleer eerst of je uitvoeromgeving de volledige gewichten en extra werkruimte aankan.
- Kies een openbaar Nederlands document en noteer drie vragen waarvan je het antwoord zelf kunt aanwijzen.
- Vergelijk de antwoorden met die passages. Noteer fouten en ontbrekende details voordat je grotere documenten toevoegt.
Dat is een proefopzet, geen door ons uitgevoerde modeltest. Apache 2.0 is ook geen bewijs dat elke toepassing privacyregels naleeft. De volgende nuttige mijlpaal is een herhaalbare test met je eigen taal en documentsoort. Pas die uitkomst maakt zichtbaar of de serverrekening iets bruikbaars oplevert.