La plupart des modèles à poids ouverts permettent de télécharger les poids finis, mais pas de voir ce qui a servi à les entraîner. Apertus, de la Swiss AI Initiative, fait partie des rares familles dont les sources de données, les recettes et les checkpoints intermédiaires sont aussi publics, et la version 1.5 la rend nettement plus utile. Les modèles 8B et 70B lisent désormais images et audio, peuvent réfléchir avant de répondre et gèrent un contexte de 262 144 tokens, quatre fois plus long qu'Apertus 1.0. Le tout reste sous Apache 2.0.
La méthode est simple, et c'est utile. Plutôt que d'ajouter un encodeur visuel séparé, l'équipe a converti images et sons en tokens dans le même flux que le texte, une technique appelée fusion précoce. Une image de 512 sur 512 devient 1 024 tokens et l'audio passe à 40 tokens par seconde. Seul le vocabulaire a changé : l'architecture est identique et l'entraînement va aussi vite qu'en texte seul. Le pré-entraînement prolongé a ajouté 4 000 milliards de tokens (4 trillion) au modèle 8B et 2 000 milliards (2 trillion) au 70B, dont plus de la moitié toujours en texte afin de préserver les compétences linguistiques. Le post-entraînement s'est déroulé en cinq étapes, dont un apprentissage par renforcement sur environ 350 000 consignes à réponse vérifiable.
Sur les résultats, les auteurs sont francs. Ils reconnaissent qu'Apertus 1.5 reste derrière les meilleurs modèles à poids ouverts. Le 8B bat les modèles de taille comparable pour le suivi d'instructions et les tâches multilingues, ses scores multimodaux approchent ceux de Gemma 4 12B, et sur un benchmark de traduction il égale GPT-OSS-20B et dépasse Claude Haiku 4.5 et Google Translate. Ce sont les évaluations des auteurs eux-mêmes, publiées sous forme de graphiques et d'une fiche d'évaluation plutôt qu'en chiffres dans le texte.
La transparence est l'essentiel. Les nouvelles données sont publiques et sous licence permissive, les exclusions robots.txt sont respectées rétroactivement, chaque source figure dans un dépôt public, et l'équipe publie le résumé d'entraînement exigé par l'AI Act européen. Pour les organismes publics, les universités et les entreprises qui doivent expliquer sur quoi un modèle a été entraîné, cela vaut plus que quelques points de benchmark. Les modèles sont disponibles via Swisscom, Infomaniak et d'autres fournisseurs, ainsi que dans des applications comme Proton Lumo, et Apertus a dépassé 5 millions de téléchargements au total. Gemma 4 et GPT-OSS-20B, que nous évaluons, sont des choix généralistes plus solides ; Apertus est celui que l'on peut auditer.
Les limites sont claires. L'entrée vocale est décrite comme expérimentale. Les modèles lisent images et audio mais n'écrivent que du texte. Les performances restent en deçà des modèles de pointe, le coût habituel d'un entraînement limité aux données sous licence ouverte. Le blog ne précise pas combien de langues sont couvertes, se contentant de qualifier les modèles de multilingues à l'échelle mondiale. L'étape suivante est plus ambitieuse : Apertus 2.0 est prévu comme un modèle à mélange d'experts d'environ 600B paramètres, ce qui montrera si l'ouverture totale peut passer à l'échelle.