Apertus 1.5 发布：支持多模态与长上下文

瑞士团队 Apertus 于 2026 年 7 月 24 日在 Hugging Face 发布了 1.5 版本模型，包含 8B 和 70B 两个规格，采用 Apache 2.0 协议开源。此次更新在延续预训练基础上增加了图像与音频理解能力，上下文窗口扩展至 262,144 tokens，并引入了可选的思考模式以增强推理表现。 技术细节显示，该模型采用早期融合方式处理多模态输入，使用 Emu3.5 和 WavTokenizer 将图像和音频转换为离散 token，架构保持未变但词汇表扩展。训练过程分为四个阶段：非配对、配对、冷却期和长上下文扩展，其中超过一半的训练 token 为纯文本以保持语言能力。后训练阶段包括 SFT、长上下文 SFT、RLVR、DPO 和 SDPO（章程对齐），并公开了所有中间检查点和数据集。 评估结果显示，Apertus 1.5 在编码和指令遵循方面优于同类开源模型，多模态性能接近 Gemma 4 12B，在空间理解和文档图表理解方面具有竞争力。特别值得注意的是，该模型在瑞士法律任务上与领先开源模型持平，翻译能力匹配 GPT-OSS-20B 并超越 Claude Haiku 4.5 和 Google Translate。团队还采用了 EvalEval 联盟的 EEE 格式发布评测结果，确保可复现性和透明度。 事实：模型已发布，参数规模明确，训练数据和中间检查点公开，评测基准和结果可验证。推断：这种完全透明的开发模式可能推动开源社区对模型评估标准的重新定义。猜测：未来版本可能进一步扩展 MoE 架构和智能体能力，但具体实现仍需等待官方路线图确认。