Apertus 1.5 发布：8B 与 70B 开源模型新增多模态与思考模式

我们的最新版本 Apertus 1.5 在 8B 和 70B 的 Apertus 1.0 模型基础上扩展了图像/音频理解能力、可选的思考模式、四倍长的上下文窗口、改进的指令遵循能力以及更好的工具使用能力。更新后的 8B 和 70B 模型权重已于 2026 年 7 月 24 日以 Apache 2.0 许可发布至 Hugging Face。更多细节现可从项目技术报告中获取，本文对此进行概述。

Apertus 1.5 是在第一代模型基础上的持续预训练：为 8B 模型添加了 4 万亿 token 的文本和多模态训练数据，为 70B 模型添加了 2 万亿 token，总量分别达到 19T 和 17T。与每一次 Apertus 发布一样，这些模型完全开放：开放权重、开放数据、开放价值观，以及完整的训练细节。

核心增强

• 原生多模态理解：Apertus 1.5 可同时接受图像、音频和文本，将文档、图表和照片带入对话。模型也能处理口语，不过这仍处于实验阶段。
• 思考模式：模型可切换到思考模式，在回答前对输入进行推理，从而提升在推理问题上的表现。
• 长上下文：上下文窗口扩展至 262,144 token，较 Apertus 1.0 提升 4 倍。
• 改进的指令遵循：相比 Apertus 1.0，指令遵循能力更强，响应更可预测、更准确。
• 改进的工具使用：模型经过训练以实现更好的工具集成，从而更有效地使用外部工具和 API。
• 开放价值观：更严格地遵循《Apertus 宪章》，使模型的价值观和原则更加透明。

训练过程

完整的 Apertus 1.5 训练流程

通过分词器实现多模态

我们在 v1.5 模型中以早期融合的方式引入多模态，即图像和音频与文本 token 一样，以离散 token 的形式进入 Apertus 的同一序列中，而不是使用独立的视觉编码器。图像使用 Emu3.5 分词器进行分词（一张 512×512 图像变为 1,024 个 token），音频使用 WavTokenizer（每秒 40 个 token）。我们仅扩展词表，因此架构保持不变，训练以纯文本速度运行。模型能理解图像和音频，但只生成文本。

预训练

从 Apertus 1.0 出发，我们分四个阶段继续进行预训练：

1. 非配对：文本加上独立的图像和音频，使模型学习新的模态。
2. 配对：图像—说明文字和音频—转写文本对，使其与语言对齐。
3. 冷却：更高质量的数据，包含更多数学和代码。
4. 长上下文：窗口从 8k token 逐步扩展到 262k token。

总体而言，超过一半的训练 token 是纯文本，这保留了 Apertus 1.0 的语言能力。文本数据通过 FineWeb2-HQ+、FinePDFs 和 Nemotron-CC 等来源进行更新。所有新数据（包括多模态数据）都符合与以往相同的标准：公开可用、采用宽松许可，并且追溯性地尊重 robots.txt 的选择退出。每个来源都列在 apertus-data-transparency 中。

后训练

后训练分为五个阶段：SFT → 长上下文 SFT → RL → DPO → charter 对齐（SDPO）。

1. SFT 使用 370 万条文本样本，外加图像和语音数据。推理轨迹仅添加到模型在没有这些轨迹时无法解决的提示中。工具使用数据仅限于经过执行验证的轨迹。我们在 Hugging Face 上发布了所使用的文本 SFT 混合数据。
2. 长上下文 SFT 在完整的 262k 窗口下进行，恢复了短上下文 SFT 所侵蚀的长上下文能力。
3. 基于可验证奖励的 RL（RLVR），使用约 35 万条数学、代码、指令遵循、多语言和视觉提示，混合开启和关闭思考模式。
4. DPO 使用评判打分的偏好对，提升了聊天质量、工具使用和安全性。我们发布了偏好池和训练对。
5. SDPO 通过评判反馈和自蒸馏，将模型与Apertus 章程对齐。

评估结果

除了扩展模型能力外，我们还大幅扩展了评估范围。在 Apertus 1.0 所使用的现有文本评估之外，我们新增了多模态评估（图像与音频）以及思考模式评估。

多模态评估通过 MLLM-eval-suite 流水线完成，该流水线合并了两大多模态评估框架 lmms-eval 和 VLMEvalKit。我们还新增了一系列基于文本的基准测试，并扩展了翻译与多语言能力、安全性以及工具使用的基准测试。这些内容可在我们的后训练评估仓库中找到，该仓库基于 lm-evaluation-harness fork。

虽然仍落后于前沿开放权重模型，但新版本在编码和指令遵循能力方面也有显著提升，Apertus 1.5 8B 在 IF 和多语言任务上优于同等规模的开放权重模型。思考模式进一步提升了在 AIME 等推理密集型挑战性基准上的表现。该模型的多模态表现更接近 Gemma 4 12B 及其他当前开放权重模型。Apertus 1.5 的多模态表现在开放权重模型中的空间理解方面具有竞争力，在开源模型中的文档/图表理解方面也具有竞争力。

我们还感谢我们的合作者和外部评估者在高效基准测试 Apertus 能力方面提供的帮助。特别是，Apertus 1.5 在瑞士法律任务上表现出色，与领先的开放权重模型不相上下（博客、代码）。此外，在 Last Translation Benchmark 上，Apertus 1.5 8B 展现出的机器翻译能力与 GPT-OSS-20B 相当，并优于 Claude Haiku 4.5 或 Google Translate 等模型（排行榜、论文）。

评估卡片：Apertus ❤️ EvalEval

Apertus 与 EvalEval Coalition 合作，确保基准评测完全透明且可复现。我们以 Every Eval Ever (EEE) schema 发布 Apertus 1.5 的结果，这是一种共享格式，不仅记录分数，还记录谁运行了评测、模型如何被访问、生成设置，以及每个指标应如何解读：这些细节在排行榜中通常缺失，也往往解释了为何看似相近的分数会存在差异。

结果展示在下方的 Eval Card 中，它将运行数据与基准和模型元数据合并为一条可解读的记录，也可通过 Hugging Face Community Evals 获取。这正是 UK AI Security Institute 用来公开发布其评测的同一套基础设施。由于我们的文本评测在我们公开的 lm-evaluation-harness 分支上运行，而 EEE 为其提供了专用转换器，任何人都可以重新运行这些评测，并在相同设置下将自己的数字与我们的数字进行比较。

结构化评测报告的意义也超出研究范畴。EvalEval 已将 Evaluation Cards 映射到 AI 治理要求，包括 EU AI Act 第 55 条和 GPAI Code of Practice，并发现 EEE schema 能够表示这些框架所要求的 60 项评测报告要素中的 56 项。这与我们发布 Apertus 的方式一致：除了模型之外，我们还发布训练内容的 Public Summary，并自愿发布一份 Code of Practice 文档。机器可读的评测记录是自然的下一步：让监管机构、部署者和研究人员更容易找到、解读并比较模型背后的证据。

我们致力于通过 Eval Cards 和 EEE schema 促进可复现且透明的评测，并鼓励其他模型开发者以同样的方式报告结果，以便分数能够在不同模型和组织之间进行比较。

Apertus 1.5 可复现性

所有配方、消融实验和数据混合均记录在 Technical Report 中。我们旨在通过公开并开放 v1.5 训练过程，推动开放模型开发。中间检查点托管在我们的 Apertus 1.5 Hugging Face collection 中，包括基础权重、SFT、RLVR 和 DPO，以及我们整理好的训练数据混合/自定义数据集，位于 Apertus 1.5 datasets collection。分享它们使研究人员能够探究每个阶段如何改变模型行为。

报告涵盖了关于不同阶段后训练数据影响的众多消融实验，我们观察到在 SFT 期间与文本数据混合的多模态数据有助于提升所有模态的表现。我们还发现，多模态推理轨迹的收益能够在随后的纯文本强化学习中延续：从使用多模态轨迹训练的 SFT 检查点出发，RL 对数学能力的提升大于从纯文本检查点出发，并且推理任务上的优势在整个训练过程中持续存在。

模型可用性

Proton Lumo 和 Infomaniak Euria 是两款广泛使用的应用，它们最近集成了 Apertus 1.5。这些部署连同其他案例已在社区展示中列出——可查看此讨论帖了解预览。

多家提供商已宣布以 API 形式为开发者提供 Apertus 1.5 的访问，包括 Swisscom、Infomaniak、Phoeniqs，以及我们正式可用性指南中列出的其他公司。报告还详细介绍了我们如何与外部评估者合作来测试和准备这些模型。

运行模型的技术说明见 Hugging Face 上 Apertus 各版本的模型卡，以及我们的快速入门指南。

如何参与

感谢阅读这篇博客文章，也感谢你成为我们社区的一员！我们刚刚在 Hugging Face analytics 中庆祝了五百万次下载 🤗，并且不会放慢脚步。在最近于苏黎世举行的 AI+X Summit 上，我们的团队公布了 Apertus 2.0 的路线图：稀疏/MoE 架构，总计约 600B 参数，延长训练计划，并将智能体、数学和编程作为优先方向。

总之：我们邀请你阅读我们的报告、下载模型、探索中间检查点、微调权重，并复现我们的评估。对于我们的出版物或网站 FAQ中尚未涵盖的问题，我们随时欢迎，我们也很想听到哪些主题对社区未来的深入研究最有用。

如果你基于 Apertus 进行构建或使用 Apertus，请填写展示表单，并通过我们联系页面上的方式与我们联系。我们期待展示更多工作、了解你正在构建的内容，并听取 Apertus 可以如何改进！

引用

Project Apertus 等。“Apertus 1.5：从开放文本模型到开放多模态推理器。”arXiv:2610.15542。预印本，arXiv，2026年10月11日。https://doi.org/10.48550/arXiv.2610.15542。

@misc{apertus2026apertus15opentext,
      title={Apertus 1.5: From Open Text Models to Open Multimodal Reasoners}, 
      author={Project Apertus and Yixuan Xu and Yassine Turki and Vinko Sabolčec and Valentina Pyatkin and Tommy Chu and Sven Najem-Meyer and Sean F. Carroll and Robert Smith and Raphael Kreft and Oscar Alessandro Tazza and Oleg Lavrovsky and Nicola Irmiger and Matteo Santelmo and Marian Schneider and Juan García Giraldo and Hanna Yukhymenko and Eduard Ďurech and Davit Melikidze and Dani Tamayo and Bettina Messmer and Aryan Ahadinia and Anunay Yadav and Allen Huang and Ahmad Fraij and Alessandro Bombarda and Alex Padula and Alexander Hägele and Alexander Sternfeld and Anna Hedström and Anna Kosovskaia and Arthur Wuhrmann and Arundhati Balasubramaniam and Badr Al Mahouri and Barna Pasztor and Bartosz Szostakiewicz and Bich Ngoc Doan and Bryan Schmid and Burak Sezen and Camille Challier and Clément Charmillot and Dana Shayakhmetova and Daniel Perruchoud and David Brüggemann and David Isztl and Elia Palme and Emma Anastassova and Fabian Bösch and Faruk Zahiragić and Fawzi Roberto Mohamed and Fiona Panicali and Florian Kolly and Flynn Guerra and Francesco Monti and Frederike Lübeck and Gennaro Oliva and Haofeng Yang and Haoliang Shang and Helen El Khoury and Henrique Mendonça and Jannis Vamvas and Jérome Landolt and Jessica Lam and Jingchun Xiao and Jonathan Coles and Joshua Oyebanji and Khanh Nguyen and Konstantinos Pitas and Lasse B. Strand and Li Mi and Loïc Deslarzes and Lorenzo Baggi and Lorenzo Noci and Luca Baumann and Luca Sartori and Lukas Drescher and Marco De Negri and Marco Passerini and Mark Klein and Marko Stojanovic and Martin Majsec and Matin Ansaripour and Mattea Busato and Mauro Pellonara and Max Neuwinger and Michael Graber and Michal Tešnar and Michelle Wastl and Miguel Gila and Mikolaj Boronski and Morgane Magnin and Moritz Reihs and Mukhammadali Sayfiddinov and Nathan Ranchin and Nicolas Cuveillier and Oscar Wohlfahrt and Qianqian Zou and Rada Kamysheva and Rita Sevastjanova and Roman Machacek and Sebastian Keller and Simon Matrenok and Simon Pierre and Stefano Schuppli and Suei-Wen Chen and Szabina Horváth-Mikulas and Taliesin Perez and Thilo Spinner and Thomas Kleine Buening and Tim Robinson and Tymoteusz Kwiecinski and Vilém Zouhar and Vinzenz Thoma and Xiaozhe Yao and Yannick Metz and Yuhei Fukuhara and Yusif Askari and Zixuan Chen and Alexander Ilic and Ana Klimovic and Andreas Krause and Andrei Kucharavy and Elliott Ash and Joost VandeVondele and Martin Rajman and Mennatallah El-Assady and Thomas Schulthess and Timo Kehrer and Torsten Hoefler and Antoine Bosselut and Martin Jaggi and Imanol Schlag},
      year={2026},
      eprint={2610.15542},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2610.15542}, 
}