Apertus 1.5: el modelo abierto suizo ya entiende imágenes

El equipo de Apertus publicó las notas de la versión 1.5 de su modelo abierto y el salto no es cosmético: el 8B sumó 4 billones de tokens de texto y datos multimodales hasta llegar a 19 billones, mientras que el 70B agregó 2 billones para totalizar 17 billones. La ventana de contexto se multiplicó por cuatro, hasta 262.144 tokens, y el modelo ahora acepta imágenes y audio además de texto. Para un founder que está armando producto con modelos de lenguaje, la pregunta relevante no es si Apertus le gana a los modelos frontera, sino si le sirve para bajar costos y controlar la cadena de datos.

Qué trae Apertus 1.5: multimodalidad, razonamiento y contexto largo

La versión 1.5 es un continued pretraining de la generación anterior, no un modelo nuevo desde cero. Sobre esa base se agregaron cuatro capacidades concretas:

• Multimodalidad nativa: acepta imágenes y audio junto al texto, lo que permite meter documentos, diagramas y fotos en la conversación. El procesamiento de voz sigue siendo experimental.
• Modo razonamiento (thinking mode): el modelo puede razonar sobre la entrada antes de responder, lo que mejora su desempeño en problemas de razonamiento.
• Contexto largo: la ventana crece a 262.144 tokens, un 4x respecto de Apertus 1.0.
• Mejor seguimiento de instrucciones y uso de herramientas: respuestas más predecibles y mejor integración con APIs y herramientas externas.

Hay un detalle técnico que importa más de lo que parece: el modelo entiende imágenes y audio, pero solo genera texto. No es un modelo que produzca imágenes ni voz. Si tu caso de uso requiere salida multimodal, Apertus 1.5 no lo cubre.

Cómo se entrenó: early fusion y cinco etapas de post-training

La apuesta técnica de esta versión es la early fusion. En lugar de sumar un codificador de visión separado, las imágenes y el audio entran a Apertus como tokens discretos en la misma secuencia que el texto. Las imágenes se tokenizan con Emu3.5 (una imagen de 512×512 se convierte en 1.024 tokens) y el audio con WavTokenizer (40 tokens por segundo).

La consecuencia práctica es que la arquitectura no cambia y el entrenamiento corre a velocidad de texto. Eso abarata el proceso y explica por qué el equipo pudo extender el entrenamiento sin rediseñar el modelo.

El pipeline de preentrenamiento tiene cuatro etapas: datos no emparejados (texto, imágenes y audio sueltos), datos emparejados (imagen–caption y audio–transcripción), una fase de cooldown con datos de mayor calidad y más matemática y código, y finalmente la extensión de contexto que va de 8K a 262K tokens. Más de la mitad de los tokens de entrenamiento son solo texto, lo que preserva las capacidades lingüísticas de la versión anterior. Los datos de texto se refrescaron con fuentes como FineWeb2-HQ+, FinePDFs y Nemotron-CC.

El post-training corre en cinco etapas: SFT → SFT de contexto largo → RL → DPO → alineación con el charter (SDPO). El SFT se hizo sobre 3,7 millones de muestras de texto más datos de imagen y voz, y el RL con recompensas verificables usó alrededor de 350.000 prompts de matemática, código, seguimiento de instrucciones, multilingüismo y visión.

Qué dicen las evaluaciones (y dónde sigue la brecha

El equipo amplió el alcance de las evaluaciones: sumó pruebas multimodales de imagen y audio y pruebas en modo razonamiento, además de las de texto que ya usaba en la versión 1.0.

Los resultados que reportan son mixtos y conviene leerlos con cuidado:

• El 8B supera a modelos abiertos de tamaño similar en seguimiento de instrucciones y tareas multilingües.
• El modo razonamiento mejora el desempeño en benchmarks exigentes como AIME.
• El desempeño multimodal queda cerca de Gemma 4 12B y de otros modelos abiertos actuales, y es competitivo en comprensión espacial y en documentos y gráficos.
• En Last Translation Benchmark, el 8B iguala a GPT-OSS-20B y supera a modelos como Claude Haiku 4.5 y a Google Translate.
• En tareas legales suizas, el desempeño está a la par de los modelos abiertos líderes.

El propio equipo reconoce que la versión sigue por detrás de los modelos abiertos frontera. Un análisis de Eurasia Review publicado en septiembre es más duro: señala que el modelo de 70.000 millones de parámetros sigue bastante rezagado frente a modelos abiertos de tamaño comparable en programación, matemática y razonamiento, y que Artificialy estimó que Apertus 1.0 estaba unos dos años detrás de los mejores modelos estadounidenses cuando se lanzó. La misma nota indica que la agencia suiza Liip todavía no lo usa en proyectos de clientes por dudas sobre la faithfulness (que cada parte de una respuesta esté respaldada por las fuentes), aunque reconoce que 1.5 acortó la distancia.

Transparencia como argumento, no como accesorio

El diferencial de Apertus no es el benchmark: es el nivel de apertura. El modelo se publica con pesos abiertos, datos abiertos, valores abiertos y detalles completos de entrenamiento. Los checkpoints intermedios (base, SFT, RLVR y DPO) están disponibles, igual que las mezclas de datos y las recetas.

En evaluación, el equipo trabaja con la EvalEval Coalition y publica resultados en el esquema Every Eval Ever (EEE), que registra no solo los puntajes sino también quién corrió la evaluación, cómo se accedió al modelo y cómo interpretar cada métrica. Según las notas, EvalEval mapeó las Evaluation Cards contra requisitos de gobernanza de IA, incluido el Artículo 55 del AI Act europeo y el Código de Prácticas de GPAI, y encontró que el esquema EEE puede representar 56 de los 60 elementos de reporte que exigen esos marcos. Es la misma infraestructura que usa el UK AI Security Institute para publicar sus evaluaciones.

Para una startup que vende a empresas reguladas o al sector público en Europa, esto no es un detalle académico: es documentación que puedes adjuntar a un proceso de compra.

¿Qué significa esto para tu startup?

Primero, evalúa el costo total antes que el benchmark. Apertus 1.5 se distribuye con pesos abiertos y ya hay acceso vía API anunciado por proveedores como Swisscom, Infomaniak y Phoeniqs. Si tu producto depende de llamadas a un modelo propietario, correr un 8B en tu propia infraestructura puede cambiar tu estructura de costos. La contrapartida es que asumes el trabajo de operación y de calidad.

Segundo, mira el multilingüismo como ventaja concreta. Según Eurasia Review, alrededor del 40% de los datos de entrenamiento de Apertus está en idiomas distintos del inglés y el corpus cubre más de 1.800 idiomas, frente a estimaciones de cerca del 10% de datos no ingleses en modelos típicos. Si atiendes mercado hispanohablante con documentos, contratos o soporte, ese perfil de datos es directamente relevante. La misma nota menciona que la oficina de migración del cantón suizo de Ticino migró su traducción automática de documentos administrativos a Apertus, y que EPFL presentó MeditronFO, un framework clínico abierto construido también sobre Apertus.

Tres acciones concretas para esta semana:

• Corre tu propio eval, no confíes en el leaderboard. El equipo publica su fork de lm-evaluation-harness y el esquema EEE permite reproducir las corridas. Arma un set de 50 a 100 prompts reales de tu producto y compáralo contra el modelo que usas hoy.
• Prueba el contexto de 262K en un caso real. Un caso típico: cargar un contrato completo o un manual técnico entero y hacer preguntas sobre el documento sin partir el texto en chunks. Es donde el salto de 4x se nota.
• Si vendes a empresas reguladas, guarda la documentación. El resumen público de contenido de entrenamiento y el documento voluntario de Código de Prácticas son activos en un proceso de compra europeo. Tenerlos a mano acorta conversaciones de compliance.

Y ojo con el roadmap. El equipo anunció en el AI+X Summit de Zúrich que Apertus 2.0 usará una arquitectura sparse/MoE con alrededor de 600.000 millones de parámetros totales, con agentes, matemática y código como prioridades. Si tu roadmap de producto depende de capacidades agénticas, la brecha actual es un dato a considerar antes de comprometerte con la versión 1.5.

Conclusión

Apertus 1.5 no es un competidor de los modelos frontera y su propio equipo lo dice. Es un modelo abierto, multilingüe y auditable que acaba de sumar multimodalidad, razonamiento y contexto largo, con un nivel de transparencia que pocos proyectos igualan. Para un founder hispanohablante, el cálculo es simple: si necesitas control sobre los datos, costos predecibles y documentación que aguante una auditoría, vale la pena correr una prueba acotada. Si necesitas el mejor desempeño posible en código o tareas agénticas hoy, todavía no es tu opción.

Fuentes

• Apertus 1.5 Release Notes (fuente original)
• One Year On, Has Swiss AI Model Apertus Lived Up To The Hype?