Lançamentos

Apertus 1.5 ganha suporte a áudio, imagem e janela de 262 mil tokens sob Apache 2.0

Modelos abertos de 8B e 70B parâmetros recebem modo de raciocínio passo a passo, contexto quatro vezes maior e dados de treino auditáveis sob regras europeias.

Capa ilustrativa da editoria Lançamentos

Por que importa. Equipes que precisam de modelos locais totalmente auditáveis ganham alternativas multimodais permissivas sem depender de APIs fechadas ou encoders visuais pesados.

O consórcio Swiss AI publicou os detalhes técnicos do Apertus 1.5, atualização dos seus modelos de 8 bilhões e 70 bilhões de parâmetros distribuídos sob a licença permissiva Apache 2.0. A nova versão incorpora compreensão nativa de imagem e áudio, adiciona um modo opcional de raciocínio passo a passo e amplia a janela de contexto para 262.144 tokens, um salto de quatro vezes em relação à geração anterior. Os pesos finais e checkpoints intermediários de cada etapa de treinamento já estão disponíveis no Hugging Face.

Para engenheiros de software e arquitetos de IA que operam infraestrutura própria, o Apertus 1.5 reduz o atrito de implantação multimodal ao dispensar encoders visuais separados. Em vez de usar um modelo visual desacoplado como CLIP ou SigLIP, o projeto adotou uma abordagem de fusão inicial na qual imagens e áudio entram diretamente como tokens discretos na mesma sequência do texto. Imagens passam pelo tokenizador Emu3.5, gerando 1.024 tokens para arquivos de 512 por 512 pixels, enquanto áudios utilizam o WavTokenizer à taxa de 40 tokens por segundo.

A arquitetura central permanece a mesma de um modelo de linguagem padrão, mudando apenas a extensão do vocabulário, o que preserva a velocidade de inferência e treinamento em pipelines de texto. Embora consiga processar voz e imagens estáticas, a família gera exclusivamente respostas textuais. O processamento de linguagem falada ainda é classificado pela equipe como experimental.

Treinamento contínuo e modo de raciocínio

O desenvolvimento partiu dos pesos originais do Apertus 1.0 por meio de pré-treinamento contínuo. A equipe adicionou 4 trilhões de tokens multimodais e de texto ao modelo 8B e 2 trilhões ao modelo 70B, atingindo totais de 19 trilhões e 17 trilhões de tokens processados, respectivamente. O ciclo de dados combinou fontes como FineWeb2-HQ+, FinePDFs e Nemotron-CC, mantendo o critério de usar apenas dados publicamente disponíveis com licenças permissivas e respeito a exclusões via arquivos robots.txt.

A esteira de pós-treinamento incluiu ajuste fino supervisionado (SFT) com 3,7 milhões de amostras de texto e dados multimodais, além de aprendizado por reforço com recompensas verificáveis (RLVR) em cerca de 350 mil tarefas de matemática, código e seguimento de instruções. Rastros de raciocínio foram inseridos apenas em comandos que o modelo não conseguia solucionar de forma direta. O relatório técnico destaca que os ganhos de raciocínio multimodal se mantiveram mesmo durante o reforço posterior focado apenas em texto, aumentando a precisão em benchmarks matemáticos complexos como o AIME.

Nos testes de referência divulgados, o Apertus 1.5 8B superou modelos abertos de tamanho semelhante em aderência a instruções e tarefas multilíngues, ficando próximo ao Gemma 4 12B em compreensão multimodal. No Last Translation Benchmark, a variante 8B atingiu paridade com o GPT-OSS-20B e superou sistemas comerciais como Claude Haiku 4.5 e Google Translate.

Auditoria regulatória e roteiro para versão 2.0

Além dos pesos, o projeto disponibilizou misturas de dados, pares de preferência para otimização direta de preferências (DPO) e registros padronizados no formato Every Eval Ever (EEE), em parceria com a coalizão EvalEval. A estrutura atende a 56 dos 60 requisitos de relatório exigidos pelo Artigo 55 do AI Act da União Europeia e pelo Código de Prática para IA de Propósito Geral. O mecanismo é o mesmo adotado pelo Instituto de Segurança de IA do Reino Unido para conferência aberta de benchmarks.

No ecossistema corporativo, os modelos já contam com APIs hospedadas por provedores europeus como Swisscom, Infomaniak e Phoeniqs, além de integração nativa nos aplicativos Proton Lumo e Infomaniak Euria. O projeto registrou a marca de 5 milhões de downloads em sua página institucional no Hugging Face.

Durante apresentação no evento AI+X Summit, em Zurique, a equipe confirmou o planejamento do Apertus 2.0. A próxima geração abandonará o design puramente denso em favor de uma arquitetura esparsa de mistura de especialistas (MoE), com cerca de 600 bilhões de parâmetros totais, direcionada prioritariamente para automação de código, agentes autônomos e resolução matemática complexa.

Fontes

Reportagem produzida pela redação do Flipters com apoio de inteligência artificial, a partir das fontes acima. Como trabalhamos. Editor responsável: João Paulo Resende.

WhatsAppLinkedInX
Voltar para a edição

Mais em Lançamentos

Ver todas

Quem constrói lê

Receba o Flipters no seu e-mail. A newsletter de IA para quem está tirando produto do papel.