Apertus 1.5: el modelo totalmente abierto de Suiza lee imágenes y audio

ETH Zúrich, EPFL y CSCS publicaron Apertus 1.5: modelos 8B y 70B totalmente abiertos, con imagen y audio, contexto de 262K y Apache 2.0. La comprensión de audio es experimental.

  • Nuevo lanzamiento
  • 3 min de lectura
  • Publicación

ETH Zúrich, la EPFL y el Centro Nacional de Supercomputación de Suiza (CSCS) publicaron Apertus 1.5 el 24 de julio de 2026. Es una familia de modelos 8B y 70B que ahora acepta imágenes y audio además de texto, con una ventana de contexto de 262.144 tokens, un modo de pensamiento opcional y licencia Apache 2.0.

Qué hay de nuevo

Apertus 1.5 continúa el preentrenamiento de los Apertus 1.0 de primera generación con 4 billones de tokens más para el 8B y 2 billones para el 70B, hasta un total de 19T y 17T de tokens. La arquitectura no cambia: un transformer solo decodificador con la activación xIELU, entrenado con el optimizador AdEMAMix. Las imágenes y el audio entran como tokens discretos en la misma secuencia que el texto, mediante un tokenizador de imagen basado en Emu3.5 y WavTokenizer, en lugar de a través de un codificador de visión separado, y los modelos generan solo texto. La ventana de contexto es cuatro veces la de Apertus 1.0, y el pensamiento es una bandera de la plantilla de chat, no un modelo aparte.

En el informe técnico, el modelo 8B lidera entre los modelos totalmente abiertos de su clase en benchmarks de conocimiento, seguimiento de instrucciones y cultura, mientras que los modelos especializados de visión y audio siguen por delante en percepción y en transcripción del inglés y otros idiomas de altos recursos. El proyecto describe la comprensión de audio como experimental. Estas son evaluaciones de los propios desarrolladores.

Ejecutarlo

Los pesos BF16 pesan unos 18,4 GB para el 8B y 144,6 GB para el 70B. En el lanzamiento, la ficha del modelo decía que el soporte aún no estaba en las versiones publicadas de Transformers o vLLM y apuntaba a los forks de Swiss AI y a una imagen Docker. Los repositorios de Hugging Face están restringidos, así que hay que aceptar los términos de acceso antes de descargar. La ficha dice que no se proporciona filtro de salida, así que añade tus propias salvaguardas, y recomienda actualizar los pesos aproximadamente cada seis meses para atender solicitudes de borrado de datos. La llamada a herramientas no funciona en modo de pensamiento, y la entrada de vídeo no está soportada: extrae fotogramas y pásalos como imágenes.

Licencia

Apertus es abierto en el sentido más completo. Los pesos, los checkpoints intermedios, las pipelines de preparación de datos, el código de entrenamiento y los arneses de evaluación se publican todos bajo Apache 2.0. El equipo dice que entrena solo con datos abiertamente disponibles, honra los opt-outs de rastreadores de forma retroactiva y excluye material con licencias restrictivas. Los checkpoints de las etapas base y de entrenamiento posterior (SFT, DPO y RL) se publican como repositorios separados.

Por qué importa

La mayoría de los modelos de pesos abiertos publican los pesos y poco más. Apertus y OLMo 3.1 son los dos modelos de nuestro catálogo etiquetados como totalmente abiertos, y Apertus es el único que lee imágenes y audio. Eso importa a organismos públicos, universidades y empresas que deben documentar de dónde salieron los datos de entrenamiento de un modelo —por ejemplo, para trabajos relacionados con el AI Act de la UE— y a investigadores que quieren reproducir el entrenamiento con checkpoints intermedios a mano. No lidera en capacidad bruta: los modelos con los que compararlo son Qwen3.8-27B y Gemma 4, y el propio informe dice que los modelos especializados siguen por delante en percepción y transcripción de idiomas de altos recursos.

Pesos abiertos frente a código abierto explica la diferencia. Apertus también está en la lista de Europa y en la lista de modelos multimodales.

Fuentes

Modelos en esta noticia

Modelo Lanzamiento Parámetros Contexto Licencia Necesario para la variante más pequeña
Apertus 1.5 EN Swiss AI Initiative 8B – 70B 256K Apache 2.0 (Permisiva) 5.52 GB Portátil o móvil
Olmo 3.1 EN Allen Institute for AI (Ai2) 7.3B – 32.2B 64K Apache 2.0 (Permisiva) 5.04 GB Portátil o móvil
Qwen3.8-27B EN Alibaba Qwen 27.8B 256K Apache 2.0 (Permisiva) 19 GB GPU para juegos
Gemma 4 EN Google DeepMind 5.1B – 30.7B 256K Apache 2.0 (Permisiva) 3.52 GB Portátil o móvil