La mayoría de los modelos de pesos abiertos permiten descargar los pesos terminados, pero no ver qué se usó para entrenarlos. Apertus, de la Swiss AI Initiative, es una de las pocas familias en las que también son públicas las fuentes de datos, las recetas y los checkpoints intermedios, y la versión 1.5 la hace bastante más útil. Los modelos de 8B y 70B ya leen imágenes y audio, pueden pensar antes de responder y manejan un contexto de 262.144 tokens, cuatro veces más largo que Apertus 1.0. Todo sigue bajo Apache 2.0.
El método es sencillo de un modo útil. En lugar de añadir un codificador de visión aparte, el equipo convirtió imágenes y sonido en tokens dentro del mismo flujo que el texto, una técnica llamada fusión temprana. Una imagen de 512 por 512 se convierte en 1.024 tokens y el audio va a 40 tokens por segundo. Solo cambió el vocabulario, así que la arquitectura es la misma y el entrenamiento va tan rápido como con solo texto. El preentrenamiento continuado añadió 4 billones de tokens (4 trillion) al modelo de 8B y 2 billones (2 trillion) al de 70B, con más de la mitad todavía de texto para conservar las capacidades lingüísticas. El postentrenamiento tuvo cinco fases, incluido aprendizaje por refuerzo con unas 350.000 instrucciones de respuesta verificable.
Sobre los resultados, los autores son francos. Dicen que Apertus 1.5 sigue por detrás de los mejores modelos de pesos abiertos. El de 8B supera a modelos de tamaño similar en seguir instrucciones y en tareas multilingües, sus puntuaciones multimodales se acercan a Gemma 4 12B y en un benchmark de traducción iguala a GPT-OSS-20B y supera a Claude Haiku 4.5 y a Google Translate. Son evaluaciones de los propios autores, publicadas en gráficos y en una ficha de evaluación, no como cifras en el texto.
La transparencia es lo esencial. Los datos nuevos son públicos y con licencia permisiva, las exclusiones de robots.txt se respetan de forma retroactiva, cada fuente figura en un repositorio público y el equipo publica el resumen de entrenamiento que exige la Ley de IA de la UE. Para organismos públicos, universidades y empresas que deben explicar con qué se entrenó un modelo, eso vale más que unos puntos de benchmark. Los modelos están disponibles mediante Swisscom, Infomaniak y otros proveedores, y en apps como Proton Lumo, y Apertus supera ya los 5 millones de descargas en total. Gemma 4 y GPT-OSS-20B, que analizamos, son opciones generales más fuertes; Apertus es el que se puede auditar.
Los límites están claros. La entrada de voz se describe como experimental. Los modelos leen imágenes y audio, pero solo escriben texto. El rendimiento queda por detrás de los modelos de frontera, el coste habitual de entrenar solo con datos de licencia abierta. El blog no dice cuántos idiomas cubre, más allá de llamar a los modelos multilingües a escala global. El siguiente paso es más ambicioso: Apertus 2.0 se plantea como un modelo de mezcla de expertos de unos 600B parámetros, lo que pondrá a prueba si la apertura total puede escalar.