Bei den meisten Modellen mit offenen Gewichten kann man die fertigen Gewichte herunterladen, aber nicht sehen, was in sie eingeflossen ist. Apertus von der Swiss AI Initiative gehört zu den wenigen Familien, bei denen auch Datenquellen, Rezepte und Zwischen-Checkpoints öffentlich sind, und Version 1.5 macht sie deutlich nützlicher. Die Modelle mit 8B und 70B lesen jetzt Bilder und Audio, können vor der Antwort nachdenken und verarbeiten einen Kontext von 262.144 Tokens, viermal so lang wie bei Apertus 1.0. Alles bleibt unter Apache 2.0.
Die Methode ist auf nützliche Weise schlicht. Statt einen separaten Bild-Encoder anzuschrauben, wandelte das Team Bilder und Ton in Tokens im selben Strom wie Text um, ein Verfahren namens Early Fusion. Ein Bild mit 512 mal 512 Pixeln wird zu 1.024 Tokens, Audio läuft mit 40 Tokens pro Sekunde. Nur das Vokabular änderte sich, die Architektur bleibt gleich, und das Training läuft so schnell wie mit reinem Text. Das fortgesetzte Pretraining fügte dem 8B-Modell 4 Billionen (4 trillion) Tokens hinzu und dem 70B-Modell 2 Billionen (2 trillion), wobei mehr als die Hälfte weiter Text war, damit die Sprachfähigkeiten erhalten bleiben. Das Post-Training lief in fünf Stufen, darunter Reinforcement Learning mit rund 350.000 Prompts mit überprüfbaren Antworten.
Bei den Ergebnissen sind die Autoren offen. Sie sagen, Apertus 1.5 liege weiter hinter den führenden Modellen mit offenen Gewichten. Das 8B-Modell schlägt ähnlich große Modelle beim Befolgen von Anweisungen und bei mehrsprachigen Aufgaben, seine multimodalen Werte kommen nahe an Gemma 4 12B heran, und in einem Übersetzungsbenchmark zieht es mit GPT-OSS-20B gleich und schlägt Claude Haiku 4.5 und Google Translate. Das sind Auswertungen der Autoren selbst, veröffentlicht in Diagrammen und einer Evaluationskarte statt als Zahlen im Text.
Die Transparenz ist der Kern. Neue Daten sind öffentlich und frei lizenziert, robots.txt-Ausschlüsse werden rückwirkend beachtet, jede Quelle steht in einem öffentlichen Repository, und das Team veröffentlicht die nach dem EU AI Act geforderte Zusammenfassung der Trainingsdaten. Für Behörden, Hochschulen und Unternehmen, die erklären müssen, womit ein Modell trainiert wurde, ist das mehr wert als ein paar Benchmarkpunkte. Die Modelle sind über Swisscom, Infomaniak und andere Anbieter sowie in Apps wie Proton Lumo verfügbar, und Apertus hat insgesamt mehr als 5 Millionen Downloads. Gemma 4 und GPT-OSS-20B, die wir besprechen, sind die stärkere Allzweckwahl; Apertus ist das Modell, das sich prüfen lässt.
Die Grenzen sind klar. Gesprochene Spracheingabe gilt als experimentell. Die Modelle lesen Bilder und Audio, schreiben aber nur Text. Die Leistung liegt hinter Frontier-Modellen, der übliche Preis, wenn nur mit offen lizenzierten Daten trainiert wird. Wie viele Sprachen abgedeckt sind, sagt der Blog nicht, außer dass die Modelle global mehrsprachig seien. Der nächste Schritt ist ehrgeiziger: Apertus 2.0 ist als Mixture-of-Experts-Modell mit etwa 600B Parametern geplant und wird zeigen, ob vollständige Offenheit skaliert.