Apertus 1.5: das vollkommen offene Modell der Schweiz liest Bilder und Audio
ETH Zürich, EPFL und CSCS veröffentlichten Apertus 1.5: offene 8B- und 70B-Modelle mit Bild- und Audioeingabe, 262K-Kontext und Apache 2.0. Audioverständnis ist experimentell.
ETH Zürich, die EPFL und das Schweizerische National Supercomputing Centre (CSCS) haben am 24. Juli 2026 Apertus 1.5 veröffentlicht. Es ist eine Familie von 8B- und 70B-Modellen, die nun neben Text auch Bilder und Audio akzeptiert, mit einem Kontextfenster von 262.144 Tokens, einem optionalen Thinking-Modus und Apache-2.0-Lizenz.
Was ist neu
Apertus 1.5 setzt das Pre-Training der Apertus 1.0 der ersten Generation fort: mit 4 Billionen weiteren Tokens für das 8B-Modell und 2 Billionen für das 70B, insgesamt also 19T und 17T Tokens. Die Architektur ist unverändert: ein decoder-only-Transformer mit xIELU-Aktivierung, trainiert mit dem AdEMAMix-Optimierer. Bilder und Audio kommen als diskrete Tokens in derselben Sequenz wie Text herein – über einen auf Emu3.5 basierenden Bild-Tokenizer und WavTokenizer statt über einen separaten Vision-Encoder –, und die Modelle erzeugen nur Text. Das Kontextfenster ist viermal so groß wie das von Apertus 1.0, und Thinking ist ein Flag der Chat-Vorlage, kein eigenes Modell.
Im technischen Bericht führt das 8B-Modell die vollkommen offenen Modelle seiner Klasse bei Wissens-, Instruktionsfolge- und Kultur-Benchmarks an, während spezialisierte Vision- und Audiomodelle bei Wahrnehmung und bei der Transkription von Englisch und anderen ressourcenstarken Sprachen vorn bleiben. Das Projekt bezeichnet das Audioverständnis als experimentell. Dies sind Bewertungen der Entwickler selbst.
Ausführen
Die BF16-Gewichte wiegen etwa 18,4 GB für das 8B-Modell und 144,6 GB für das 70B. Zum Release hieß die Model Card, Unterstützung sei noch nicht in veröffentlichten Transformers- oder vLLM-Versionen vorhanden, und verwies auf die Forks von Swiss AI und ein Docker-Image. Die Hugging-Face-Repositories sind gated – die Nutzungsbedingungen müssen vor dem Download akzeptiert werden. Die Karte sagt, kein Ausgabefilter sei enthalten, also ergänzen Sie eigene Schutzmaßnahmen; sie empfiehlt, die Gewichte etwa alle sechs Monate zu aktualisieren, um Datenlöschanfragen zu berücksichtigen. Tool Calling funktioniert im Thinking-Modus nicht, und Videoeingabe wird nicht unterstützt – Frames extrahieren und als Bilder übergeben.
Lizenz
Apertus ist im vollsten Sinne offen. Gewichte, Zwischen-Checkpoints, Datenaufbereitungs-Pipelines, Trainingscode und Evaluations-Harnesses sind alle unter Apache 2.0 veröffentlicht. Das Team sagt, es trainiere nur auf offen verfügbaren Daten, ehre Crawler-Opt-outs rückwirkend und schließe restriktiv lizenziertes Material aus. Basis- und Post-Training-Checkpoints (SFT, DPO und RL) werden als separate Repositories veröffentlicht.
Warum es wichtig ist
Die meisten Open-Weights-Modelle veröffentlichen die Gewichte und wenig sonst. Apertus und OLMo 3.1 sind die beiden Modelle in unserem Katalog mit dem Tag „vollkommen offen”, und Apertus ist das einzige, das Bilder und Audio liest. Das zählt für Behörden, Universitäten und Unternehmen, die dokumentieren müssen, woher die Trainingsdaten eines Modells stammen – etwa für Arbeiten zur EU-KI-Verordnung – und für Forschende, die Training mit Zwischen-Checkpoints an der Hand reproduzieren wollen. Bei roher Fähigkeit führt es nicht: Vergleichsmodelle sind Qwen3.8-27B und Gemma 4, und der Bericht selbst sagt, spezialisierte Modelle bleiben bei Wahrnehmung und Transkription ressourcenstarker Sprachen vorn.
Open Weights vs. Open Source erklärt den Unterschied. Apertus steht auch auf der Europa-Liste und der Liste der multimodalen Modelle.
Quellen
- Apertus 1.5 (Apertus project, July 2026) apertus-ai.org
- Apertus 1.5: Building the next generation of open AI infrastructure (ETH AI Center, 24 Jul 2026) ai.ethz.ch
- Apertus v1.5 technical report (arXiv) arxiv.org
- Apertus-v1.5-70B model card (Hugging Face) huggingface.co
Modelle in diesem Artikel
| Modell | Erscheinungsdatum | Parameter | Kontext | Lizenz | Bedarf der kleinsten Variante |
|---|---|---|---|---|---|
| Apertus 1.5 EN Swiss AI Initiative | 8B – 70B | 256K | Apache 2.0 (Permissiv) | 5.52 GB Laptop oder Smartphone | |
| Olmo 3.1 EN Allen Institute for AI (Ai2) | 7.3B – 32.2B | 64K | Apache 2.0 (Permissiv) | 5.04 GB Laptop oder Smartphone | |
| Qwen3.8-27B EN Alibaba Qwen | 27.8B | 256K | Apache 2.0 (Permissiv) | 19 GB Gaming-GPU | |
| Gemma 4 EN Google DeepMind | 5.1B – 30.7B | 256K | Apache 2.0 (Permissiv) | 3.52 GB Laptop oder Smartphone |