Nyhet

Swiss AI Initiative släpper Apertus 1.5 – öppen AI-modell som förstår bild och ljud

Swiss AI Initiative har presenterat Apertus 1.5, en uppdatering av de öppna språkmodellerna Apertus 8B och 70B. Modellerna kan nu ta emot bild och ljud, har ett valfritt tänkande läge och ett fyra gånger längre kontextfönster. Vikterna släpptes på Hugging Face den 24 juli 2026 under Apache 2.0-licens, och en detaljerad genomgång publicerades den 15 oktober 2026.

Det viktigaste i korthet

• Apertus 1.5 finns i storlekarna 8B och 70B och bygger vidare på Apertus 1.0.

• Modellerna förstår bilder och ljud tillsammans med text, men genererar bara text. Ljudförståelsen är enligt projektet experimentell.

• Kontextfönstret är 262 144 tokens, fyra gånger större än i Apertus 1.0.

• Vikterna släpptes den 24 juli 2026 under Apache 2.0-licens.

• Enligt Swiss AI Initiative har modellerna tränats på 4 biljoner extra tokens (8B) respektive 2 biljoner (70B), totalt 19T och 17T.

• API-åtkomst har aviserats av bland andra Swisscom, Infomaniak och Phoeniqs.

Vad har hänt

Swiss AI Initiative beskriver Apertus 1.5 som en fortsatt förträning av första generationens modell. Förutom bild- och ljudstöd har modellerna ett tänkande läge där de resonerar innan de svarar, vilket enligt projektet förbättrar resultaten på resonemangsuppgifter. De har också bättre förmåga att följa instruktioner, bättre verktygsanvändning mot externa verktyg och API:er samt starkare anpassning till projektets Apertus Charter, ett dokument om modellens värderingar och principer.

Bild och ljud hanteras genom tokenisatorn. Bilder och ljud omvandlas till diskreta tokens som hamnar i samma sekvens som texten, i stället för att gå via en separat bildkodare. Bilder tokeniseras med Emu3.5, där en bild på 512×512 pixlar blir 1 024 tokens, och ljud med WavTokenizer, som ger 40 tokens per sekund. Eftersom bara ordförrådet utökas är arkitekturen oförändrad och träningen går lika snabbt som för enbart text.

Förträningen skedde i fyra steg: text med fristående bilder och ljud, par av bild och bildtext respektive ljud och transkription, en avslutande fas med data av högre kvalitet med mer matematik och kod, samt stegvis utökat kontextfönster från 8k till 262k tokens. Mer än hälften av träningstokens är enbart text. Enligt projektet är all ny data offentligt tillgänglig, tillåtande licensierad och respekterar robots.txt-avanmälningar retroaktivt, och alla källor listas.

Eftersträningen har fem steg: övervakad finjustering (SFT) på 3,7 miljoner textexempel plus bild- och taldata, SFT med långt kontext, förstärkningsinlärning med verifierbara belöningar på cirka 350 000 uppgifter, DPO med preferenspar och slutligen anpassning till Apertus Charter (SDPO). Det sista steget gäller enbart 8B-modellen.

Enligt Swiss AI Initiative ligger modellerna fortfarande efter de främsta öppna vikt-modellerna, men har förbättrats markant i kodning och instruktionsföljande. 8B-modellen ska slå jämnstora öppna modeller på instruktions- och flerspråkiga uppgifter, och tänkande läge höjer resultaten på svåra resonemangstester som AIME. På bildområdet ligger modellen enligt projektet närmare Gemma 4 12B och är konkurrenskraftig på rumsförståelse samt dokument- och diagramförståelse. På schweiziska juridiska uppgifter ska den vara jämförbar med ledande öppna modeller. På Last Translation Benchmark ska 8B-modellens maskinöversättning matcha GPT-OSS-20B och överträffa Claude Haiku 4.5 och Google Translate.

Resultaten publiceras i Every Eval Ever-formatet i samarbete med EvalEval Coalition. Enligt EvalEval kan formatet täcka 56 av 60 rapporteringselement som EU:s AI-förordning (artikel 55) och GPAI Code of Practice efterfrågar. Mellanliggande checkpoints, träningsrecept och datamixar är publicerade.

Vad det betyder för dig i Sverige

Källan säger inget specifikt om Sverige. Eftersom modellvikterna är öppna under Apache 2.0 och finns på Hugging Face kan i princip svenska utvecklare och forskare ladda ner, finjustera och köra modellerna själva. Tekniska instruktioner finns i modellkorten och i en Quickstart-guide.

Appar som Proton Lumo och Infomaniak Euria har enligt källan nyligen integrerat Apertus 1.5. API-åtkomst har aviserats av Swisscom, Infomaniak, Phoeniqs och andra leverantörer i en tillgänglighetsguide. Källan anger inte vilka av dessa som erbjuds i Sverige.

Det här vet vi inte än

Källan anger inga priser för API-åtkomst och ingen information om hur väl modellerna fungerar på svenska. Det framgår inte heller vilka leverantörer som riktar sig till svenska kunder.

Projektet har aviserat en kommande Apertus 2.0 med glesare MoE-arkitektur, omkring 600 miljarder parametrar totalt och fokus på agenter, matematik och kodning, men inget lanseringsdatum anges. Prestandasiffrorna är Swiss AI Initiatives egna uppgifter, och oberoende granskning nämns inte i källan.