德国“主权 AI”自曝：GLM、Qwen 成主要数据生成模型

近日，德国 AI 公司 Aleph Alpha 发布新一代开放权重模型 Kolibri，将其定位为面向政府、工业和航空航天等受监管领域的“主权 AI”。

不过，随模型公开的 189 页技术报告披露，在监督微调（SFT）数据生产过程中，智谱 GLM-5.2、GLM-5.3 和阿里 Qwen3.8-27B，被列为生成数据以及重新生成部分开放数据的主要模型。

Kolibri 采用 MoE 架构，总参数量为 781 亿，每个 Token 激活 34.6 亿参数，最高支持 100 万 Token 上下文，以 Apache 2.0 许可证开放权重。

Aleph Alpha 称，该模型由德国团队端到端开发，在德国和芬兰的基础设施上训练，掌握从数据整理、模型架构、预训练、后训练到评测的完整开发流程，并将这种能力称为“完整供应链完整性”。

技术报告 3.1.1 节披露了其后训练数据的具体生产方式。

Aleph Alpha 明确表示，用于生成这些数据以及重新生成部分开放数据的主要模型包括 GLM-5.2、GLM-5.3、Qwen3.8-27B。

不同模型根据各自特点承担不同任务，例如较小模型处理长上下文任务速度更快，而较大模型更适合生成较强的推理轨迹。

其中一项重要工作是重新生成 NVIDIA Nemotron 的部分开放数据。

Aleph Alpha 称，团队抽查候选训练数据时发现，一些答案质量参差不齐，其中包括科学问题的错误答案，直接用于训练甚至会导致模型基准测试成绩下降。

为此，团队以 Nemotron-Instruction-Following-Chat-v1 和 Nemotron-SFT-Instruction-Following-Chat-v2 的数据作为种子，使用 GLM-5.2 和 GLM-5.3 重新生成答案。

对于 Nemotron-SFT-Instruction-Following-Chat-v2 中关闭推理的子集，团队还专门生成不包含推理过程的答案，并通过用户模拟器按照原始用户的表达方式和意图继续提问，将单段对话扩展至最多 50 轮，以弥补开放数据中长对话样本不足的问题。

Nemotron-SFT-Science-v2 中的合成科学选择题，则由 Qwen3.8-27B 重新生成答案。

GLM 和 Qwen 还参与了其他类型的 SFT 数据生产。

在德语通用聊天数据中，GLM-5.3 用于生成带推理过程的回答，Qwen3.8-27B 用于生成不带推理过程的回答。

德语工具调用数据则使用 GLM-5.2 搜索德语维基百科，并生成相应的问答和工具调用轨迹。

数学和科学数据同样使用 GLM-5.3。

Aleph Alpha 先让模型将高难度数学和科学题改写成自然德语，再由另一个 GLM-5.3 实例求解，只有最终答案与原始参考答案一致的数据才会保留。

在软件工程数据生产中，GLM-5.2 被用于探索 SWE-rebench V2 中的代码仓库并生成修复补丁；GLM-5.3 则被用于向 Python 项目注入小型 Bug、生成 Bug 报告，再由另一个 GLM-5.3 实例尝试完成修复。

技术报告还披露了 Kolibri SFT 数据池的构成。

整个数据池包含 57 个数据集、2200 万条样本和 3358 亿 Token，覆盖聊天、代码、数学、长上下文、工具调用、科学以及安全与对齐七个领域。

按 Token 计算，其中 36.1% 为原样使用的开放数据，31.7% 为经过重新生成答案、补充合成推理或翻译的开放数据，另外 32.1% 为 Aleph Alpha 自行生成的数据。

接近三分之二的数据经过重新生成、加工或由 Aleph Alpha 自行生产。

最终模型并非简单将整个数据池训练一遍。

Aleph Alpha 使用 MergeMix 为不同类型的数据确定混合比例，报告总结显示，Kolibri 后训练首先进行了累计 5370 亿 Token 的 SFT，随后又在超过 120 万项内部整理任务上进行强化学习，覆盖推理、工具使用、指令遵循、代码和检索等能力。

报告没有披露 GLM-5.2、GLM-5.3、Qwen3.8-27B 分别生成了多少 Token，也没有给出这些数据占最终 SFT 训练量的具体比例。

Kolibri 的基础模型则由 Aleph Alpha 自行训练。

模型首先在 768 块 NVIDIA B200 GPU 上完成 20 万亿 Token 的预训练，序列长度为 16K，耗时 21 天；随后进行 3.44 万亿 Token 的中期训练和 2000 亿 Token 的长上下文扩展，总训练规模接近 24 万亿 Token。

为了获得最终 20 万亿 Token 的预训练数据，其数据流水线最初处理了超过 200 万亿 Token 的原始数据。

德语占最终预训练 Token 的 21.3%，约 4.3 万亿 Token。

论文进一步披露，约 24%、即 4.8 万亿 Token 的预训练数据具有合成来源，包括改写和翻译。这些合成数据也并非全部由 GLM 和 Qwen 生成，例如部分英语 Common Crawl 数据使用 Gemma-4-26B-A4B 进行合成改写。

从最终性能看，Aleph Alpha 自己的评测显示，Kolibri 英语和德语综合得分分别为 75.5 和 70.8，在其比较的同等激活参数规模 MoE 模型中表现领先。

作为 Kolibri 后训练数据生成模型之一的 Qwen3.8-27B，则分别达到 80.2 和 79.9，高于 Kolibri，不过其每个 Token 激活的参数量接近 Kolibri 的 8 倍。

云头条声明：如以上内容有误或侵犯到你公司、机构、单位或个人权益，请联系我们说明理由，我们会配合，无条件删除处理。