Apertus 1.5 是对 Apertus 1.0 的继续预训练版本，把 8B 和 70B 模型扩展成原生多模态模型：支持图像与音频理解、可选思考模式、上下文窗口从 8k 增至 262,144 tokens（4 倍），并改进指令跟随与工具调用。8B 和 70B 的新权重已于 2026 年 7 月 24 日以 Apache 2.0 协议发布到 Hugging Face。具体做法是继续预训练：8B 增加 4 万亿 tokens、70B 增加 2 万亿 tokens，总量分别达到 19T 和 17T。训练数据、权重、价值观和完整训练细节全部公开。

多模态采用 early-fusion 方式，图像和音频在进入模型前先被 token 化，与文本 token 处在同一序列，而不是外挂独立的视觉编码器。图像用 Emu3.5 tokenizer，512×512 图片变成 1,024 tokens；音频用 WavTokenizer，每秒 40 tokens。因为只扩展词表、不改变架构，训练速度与纯文本一致。模型能理解图像和音频，但只生成文本。

预训练分四个阶段：无配对阶段（文本加独立图像/音频）、配对阶段（图像-标题、音频-转写）、冷却阶段（更高比例的数学和代码）、长上下文阶段（窗口从 8k 逐步到 262k）。过半训练 token 仍是纯文本，以保留 Apertus 1.0 的语言能力。文本数据来源包括 FineWeb2-HQ+、FinePDFs、Nemotron-CC；所有新数据继续遵守公开可得、许可宽松、回溯尊重 robots.txt 的旧标准。

后训练分五个阶段：SFT（3.7M 文本样本加图像和语音数据）、长上下文 SFT（在完整 262k 窗口上恢复被短窗口 SFT 削弱的长上下文能力）、RLVR（约 350k 数学/代码/指令/多语言/视觉提示，混合思考开关）、DPO（用裁判打分偏好对提升对话质量、工具使用和安全性）、SDPO（通过裁判反馈和自蒸馏对齐 Apertus Charter，仅用于 8B）。文本 SFT 混合、偏好池和偏好对也已发布。

评测范围同步扩大，新增多模态与思考模式评测，多模态走 MLLM-eval-suite（合并 lmms-eval 和 VLMEvalKit），文本沿用基于 lm-evaluation-harness 分支的工具。结果方面，Apertus 1.5 8B 在指令跟随和多语言任务上优于同尺寸开源模型；思考模式在 AIME 等强推理基准上进一步提升。多模态性能接近 Gemma 4 12B 等当前开源模型，在空间理解以及文档/图表理解上具有竞争力。在 Swiss Legal 任务上与领先开源模型持平；在 Last Translation Benchmark 上，8B 的机器翻译能力匹敌 GPT-OSS-20B，超过 Claude Haiku 4.5 和 Google Translate。

与 EvalEval 联盟合作，用 Every Eval Ever（EEE）规范发布评测结果：不只记录分数，还记录谁跑的评测、模型如何访问、生成设置和指标解读方式，这些通常被榜单遗漏。该基础设施与英国 AI 安全研究所公开评测所用的相同。文本评测跑在公开的 lm-evaluation-harness fork 上，EEE 提供转换器，任何人都能在相同设置下复跑对比。EEE 已被映射到欧盟 AI 法案第 55 条和 GPAI 实践准则，能覆盖 60 个评测报告要素中的 56 个。项目还同时发布训练内容公开摘要与自愿的实践准则文件。

可复现性方面，Technical Report 记录了全部配方、消融和数据混合；Hugging Face 集合上托管了基础权重、SFT、RLVR、DPO 中间检查点，以及训练数据混合集。消融显示，SFT 阶段把多模态数据与文本混合有利于所有模态；多模态推理轨迹的好处能扛住后续纯文本 RL——从带多模态轨迹的 SFT 检查点出发，RL 对数学的提升大于从纯文本检查点出发。应用生态方面，Proton Lumo 和 Infomaniak Euria 已集成 Apertus 1.5，Swisscom、Infomaniak、Phoeniqs 等提供 API。Hugging Face 下载量已过 500 万。团队在苏黎世 AI+X 峰会上公布了 Apertus 2.0 路线图：稀疏 MoE 架构，约 600B 总参数，以 Agent、数学和代码为优先方向。