Apertusプロジェクトは、Apertus 1.5のリリースを発表しました。これは、8Bおよび70Bモデルのアップデート版で、画像と音声の理解、オプションの推論モード、4倍に拡張されたコンテキストウィンドウ、そして指示への追従とツール使用におけるパフォーマンスの向上を特徴とします。8Bおよび70Bモデルの重みは、2026年7月24日にApache 2.0ライセンスの下、Hugging Faceで公開されました。
Apertus 1.5は、初代モデルのトレーニングを延長して開発されました。プロジェクトによると、8Bモデルには4兆トークンのテキストおよびマルチモーダルデータが、70Bモデルには2兆トークンが追加され、それぞれの総トークン数は19兆と17兆となりました。トークンとは、モデルが処理するために分割するテキストの単位です。以前のバージョンと同様に、プロジェクトはモデルが完全にオープンであると主張しています：重み、データ、価値憲章、トレーニングの詳細が全て公開されています。
画像、音声、拡張されたコンテキスト
画像と音声は、別個の視覚エンコーダーを介するのではなく、テキストと同じシーケンス内に配置される離散トークンとしてモデルに入力されます。画像はEmu3.5トークナイザーで処理され、512×512ピクセルの画像は1,024トークンに変換されます。音声はWavTokenizerで処理され、1秒あたり40トークンとなります。プロジェクトは、モデルが画像と音声を理解するが、テキストのみを生成すると説明しています。音声サポートは実験的な段階です。
モデルが一度に処理できる情報量であるコンテキストウィンドウは、262,144トークンに達し、Apertus 1.0の4倍となりました。オプションで有効化できる推論モードにより、モデルは回答前に推論を行うことができ、プロジェクトによれば論理問題における結果が改善されます。
ポストトレーニングと評価
ポストトレーニングは5段階で行われます：370万サンプルのテキストによる教師ありファインチューニング（SFT）（画像と音声データで補完）、長文コンテキストに対する2回目のファインチューニング、約35万クエリに対する検証可能報酬を用いた強化学習（RLVR）、直接選好最適化（DPO）、そしてApertusの価値憲章へのアライメントです。
プロジェクトによると、8Bモデルは、指示への追従と多言語タスクにおいて、同規模のオープンモデルを上回りながらも、最先端の最高のオープンモデルには及ばないとされています。マルチモーダル性能はGemma 4 12Bに近いとされています。Last Translation Benchmarkでは、8Bモデルは機械翻訳においてGPT-OSS-20Bと同等の性能を示し、公開された結果によればClaude Haiku 4.5やGoogle Translateを上回りました。
既に複数の事業者がApertus 1.5を提供しています。Proton LumoとInfomaniak Euriaアプリケーションに統合されており、Swisscom、Infomaniak、PhoeniqsはAPIアクセスを発表しました。プロジェクトはまた、Hugging Faceの統計によると500万ダウンロードを突破したと報告しています。チューリッヒで開催されたAI+Xサミットでは、チームがApertus 2.0のロードマップを発表しました。これはMoEタイプのスパースアーキテクチャに基づき、総パラメータ数は約6000億、エージェント、数学、コードに重点を置く予定です。
