Apertus 1.5 开源模型：支持图像音频输入与 26 万 token 长上下文

原文要点

Apertus 1.5 由 swiss-ai 团队发布，8B/70B 权重 2026 年 7 月 24 日上架 Hugging Face，Apache 2.0 协议。图像经 Emu3.5 转离散 token（512×512 图=1024 token），音频经 WavTokenizer（每秒 40 token），与文本同序列输入，架构不变、仅输出文本；上下文扩到 262,144 token。团队公开 SFT 混合数据、偏好池和各阶段中间 checkpoint；8B 最终版经 SDPO 宪章对齐，70B 最终版止于 DPO；语音理解标注为实验性。

这次做成什么

在本站完成一份“Apertus 1.5 选型与上手测试方案”：按阶段表选对 checkpoint、用官方 token 换算率算清多模态输入预算、设计三组对照测试题并记录结论。

准备什么

• 一个可登录的 Hugging Face 账号，能访问 swiss-ai 的 Apertus 1.5 合集页面
• 能阅读英文模型卡与 Quickstart 指南的浏览器环境
• 若本地运行需自备 GPU 环境，否则改用原文列出的 API 提供商
• 自备一张 512×512 测试图和一段约 90 秒的练习录音

具体怎么做

1. 按阶段表选定 checkpoint

   在 Hugging Face 搜索进入 Apertus 1.5 collection，对照发布文中的阶段表选择：日常对话和助手场景选最终版（8B 对应名为 Apertus-v1.5-8B 的 SDPO 版，70B 对应名为 Apertus-v1.5-70B 的 DPO 版）；若想研究某个训练阶段对行为的影响，选带 -base、-SFT、-RLVR、-DPO 后缀的中间 checkpoint。

2. 确认运行方式

   打开所选模型的模型卡，按其 Quickstart 指引准备环境；本地硬件不足时，改用发布文列出的 Swisscom、Infomaniak、Phoeniqs 等 API 提供商，具体接入路径以各提供商自己的文档为准，本指南不编造接口地址。

3. 计算多模态 token 预算

   按官方换算率估算：每张 512×512 图片计 1024 token，音频按每秒 40 token，中文文本按每字约 1 至 2 token 粗估；三者相加须明显低于 262,144 上限，并给文本输出预留空间。

4. 设计三组对照测试

   第一组图表理解：上传测试图要求读出数据趋势；第二组长输入问答：把长会议记录与录音一起输入要求总结；第三组推理题：同一道数学题在思考模式开与关下各跑一次比较过程。思考模式的具体开启写法需在所选模型卡或 Quickstart 中核对，本指南未核实该参数。

5. 记录并形成结论

   把每题的 token 估算、模型回答、是否达标填入下方 JSON 记录模板，最后写一句选型结论：哪个尺寸、哪个阶段版本适合你的场景。

可直接复制的材料

{
  "场景": "日常中文对话与文档助手",
  "首选": {"模型": "Apertus-v1.5-8B", "阶段": "SDPO 宪章对齐（8B 最终版）", "理由": "8B 规模硬件门槛较低，发布文称其指令遵循与同尺寸开源模型相比有优势"},
  "对照": {"模型": "Apertus-v1.5-70B", "阶段": "DPO（70B 最终版）", "理由": "规模更大，作为质量上限参照"},
  "研究用途": {"模型": "Apertus-v1.5-8B-SFT / -RLVR / -DPO", "阶段": "中间 checkpoint", "理由": "官方公开各阶段权重，用于观察每阶段训练对行为的影响"},
  "注意": "两个尺寸的最终版对齐路线不同，不要把 8B 最终版误认为 DPO 版"
}

素材,数量,换算率,估算token
512×512 测试图,1 张,1024 token/张,1024
中文录音,90 秒,40 token/秒,3600
中文会议记录,约 4000 字,每字约 1-2 token,4000-8000
合计,,,8624-12624
上下文上限,,,262144
占比,,,约 3.3%-4.8%

请解答下面这道题，并完整写出推理过程：
一个水箱有进水管和出水管，进水管每小时注水 12 升，出水管每小时排水 7 升，水箱容量 200 升，当前已有 50 升水。两管同时打开，多少小时后水箱注满？
要求：
1. 先列出每一步推理再给出最终答案；
2. 如果当前处于思考模式，请在正式回答前先完成内部推理；
3. 最后单独一行给出“答案：X 小时”。

输入与输出示例

本站虚构演示，非实际调用结果，文本 token 数为粗估。

输入

一张 512×512 的季度销售柱状图、一段 90 秒中文会议录音、约 4000 字的会议文字记录，要求模型总结三点结论

对应输出

预算估算：图像 1024 token + 音频 90×40=3600 token + 文本约 4000-8000 token，合计约 8624-12624 token，占 262,144 上限约 3.3%-4.8%，余量充足可单次输入。建议先用 Apertus-v1.5-8B（SDPO 最终版）测试，70B 的 DPO 版作为质量对照。

做完检查这些

• 选中的模型名称与发布阶段表完全一致，例如 8B 最终版不带 -DPO 后缀
• 每次输入前完成 token 预算，且总量明显低于 262,144 并给输出留空间
• 同一道推理题在思考模式开与关两种状态下各有一次记录
• 测试结论中明确注明语音理解仍被官方标注为实验性

容易卡住的地方

• 模型只输出文本，不会生成图片或语音文件
• 8B 最终版走 SDPO 阶段、70B 最终版止于 DPO，两尺寸对齐路线不同
• 思考模式的具体开启写法需查模型卡或 Quickstart，本指南未核实该参数
• 发布文称训练 token 过半为纯文本以保持语言能力，不代表多模态能力等同专用视觉模型
• 下载权重与调用 API 可能产生费用，以 Hugging Face 与各提供商页面为准