Apertus 1.5 vs. OLMo 3.1: Welches vollständig offene Modell sollten Sie nutzen?

Apertus 1.5 liest Text, Bilder und Audio mit 262K Kontext; OLMo 3.1 ist rein textbasiert mit 64K und hat ein 32B-Modell. Beide sind unter Apache 2.0 vollständig offen.

  • Aktualisiert

Fazit. Beide sind unter Apache 2.0 vollständig offen, mit öffentlichem Trainingscode und Checkpoints; wählen Sie also danach, was das Modell lesen soll und wie aktuell es sein muss. Apertus 1.5 (8B und 70B, Juli 2026) nimmt neben Text auch Bilder und Audio entgegen, bietet 262K Kontext und optionales Thinking und wurde nur auf offen verfügbaren Daten trainiert. Seine Repositories sind gated, das Audioverständnis ist experimentell, und es braucht die Forks von Transformers oder vLLM von Swiss AI. OLMo 3.1 (7B und 32B, Dezember 2025) ist rein textbasiert mit 65.536-Token-Kontext, und Ai2 veröffentlicht neben Code und Checkpoints auch die Pre-Trainingsdaten (Dolma 3) und die Post-Trainingsdatensätze (Dolci). Ai2 nennt das 32B-Instruct-Modell in seinen Auswertungen das stärkste vollständig offene 32B-Instruct-Modell. OLMo ist älter und liegt bei den Fähigkeiten hinter den Open-Weight-Modellen von 2026 zurück, während Apertus neuer und größer ist, mit einem 70B-Modell.

Spezifikationen

Spezifikationen Apertus 1.5Olmo 3.1
EntwicklerSwiss AI InitiativeAllen Institute for AI (Ai2)
Erscheinungsdatum24. Juli 202612. Dezember 2025
Parameter insgesamt70B (Apertus 1.5 70B)32.2B (32B Think)
Aktive ParameterAlleAlle
ArchitekturDenseDense
Kontextfenster256K Token64K Token
EingabeText, Bild, AudioText
Lizenz Apache 2.0 (Permissiv) Apache 2.0 (Permissiv)
Speicher für die kleinste Variante (4 Bit)5.52 GB (Apertus 1.5 8B)5.04 GB (7B Think)

Leistungsangaben stammen vom Entwickler und wurden nicht unabhängig überprüft.

Wählen Sie Apertus 1.5, wenn

  • Sie brauchen ein Modell, das neben Text auch Bilder oder Audio liest.
  • Sie brauchen ein Modell größer als OLMos 32B, denn Apertus gibt es in einer 70B-Version.
  • Sie wollen 262K Kontext und Thinking als Flag im Chat-Template.
  • Sie müssen dokumentieren, woher die Trainingsdaten stammen: Apertus nutzt nur offen verfügbare Daten und respektiert Crawler-Opt-outs rückwirkend.

Wählen Sie Olmo 3.1, wenn

  • Sie wollen das Training mit den echten Daten untersuchen oder nachvollziehen, da Dolma 3 und Dolci veröffentlicht sind.
  • Sie wollen ein 7B-Think- oder Instruct-Modell von etwa 15 GB lokal ausführen.
  • Sie wollen Reinforcement-Learning-Experimente auf Basis der veröffentlichten RL-Zero- und Zwischen-Checkpoints fahren.
  • Sie arbeiten nur mit Text und wollen für jede Stufe öffentliche Daten und Checkpoints: Base, überwachtes Fine-Tuning, Preference-Tuning und Reinforcement Learning.

Apertus 1.5 · Olmo 3.1