Apertus 1.5 : le modèle IA ouvert et multimodal
Découvrez Apertus 1.5, le modèle ouvert suisse qui traite texte, images et audio. Capacités, évaluations et limites : voyez s’il convient à vos projets.
Apertus 1.5 : ce que change le modèle ouvert suisse pour les entreprises
Un modèle d'IA capable de lire un document, d'interpréter un schéma et de traiter de l'audio dans une même conversation est, à l'évidence, plus flexible qu'un modèle limité au texte. Pour une entreprise, la question n'est pourtant pas « est-ce que c'est possible ? ». La vraie décision dépend aussi de la façon dont le modèle a été entraîné, de ce que mesurent les évaluations et, très concrètement, de ce qui est accessible pour l'exploiter.
Apertus 1.5, développé par la Swiss AI Initiative, répond précisément à ces points. La version ajoute des entrées visuelles et audio, élargit la fenêtre de contexte à 262 144 jetons, et améliore le suivi des consignes et l'usage d'outils. Elle est proposée en deux tailles, 8B et 70B, avec des étapes d'entraînement et des résultats documentés.
L'enjeu dépasse donc la simple comparaison avec un modèle commercial. Il s'agit surtout de comprendre ce que l'ouverture change pour des équipes qui veulent tester, adapter ou héberger leurs propres modèles - et quelles limites restent à garder en tête avant un déploiement.
Apertus 1.5 : les changements à retenir
Apertus 1.5 prolonge l'entraînement de la première génération d'Apertus : ce n'est pas un modèle reconstruit de zéro. La version 8B a reçu 4 000 milliards de jetons supplémentaires, pour un total de 19 000 milliards. La version 70B en a reçu 2 000 milliards de plus, pour atteindre 17 000 milliards au total.
En pratique, la différence de tailles compte. Un modèle 8B est plus facile à déployer avec des ressources limitées, tandis qu'un 70B peut mieux absorber des tâches qui demandent davantage de capacité - au prix de besoins matériels plus élevés. Le bon choix dépend du cas d'usage, de la latence attendue et du coût d'inférence : le nombre de paramètres ne suffit pas à prédire la qualité d'un système complet.
Texte, images et audio dans une même séquence
Le changement le plus visible est l'ajout natif d'images et d'audio en entrée, en plus du texte. L'approche dite de fusion précoce traite ces modalités sous forme de jetons intégrés à la même séquence que le texte. Résultat : le modèle peut travailler sur un document, une photo ou un diagramme à partir d'une consigne écrite.
Côté images, Apertus utilise le tokenizer Emu3.5 : une image de 512 × 512 pixels correspond à 1 024 jetons. L'audio passe par WavTokenizer, à environ 40 jetons par seconde. L'architecture du modèle n'est pas annoncée comme modifiée en profondeur ; le vocabulaire est étendu pour accueillir ces nouveaux éléments. Selon l'équipe, cela permet de garder une vitesse d'entraînement proche de celle du texte seul.
Il faut toutefois être clair sur une limite : le modèle « comprend » les entrées visuelles et audio, mais ne génère que du texte. Il ne produit donc pas directement une image ni une réponse vocale. Le traitement de la parole est aussi présenté comme expérimental. Pour une application de transcription ou d'analyse audio en production, il faudra valider la qualité sur vos données - notamment en français - et dans les conditions réelles d'usage.
Raisonnement, contexte long et consignes
Apertus 1.5 peut fonctionner en mode « réflexion » : un mode de raisonnement activable qui fait travailler le modèle davantage sur une question avant de produire une réponse. Les résultats publiés indiquent des améliorations sur des problèmes de raisonnement difficiles, y compris certains exercices de mathématiques. Mais ça ne veut pas dire « réponse toujours correcte » : les étapes doivent être évaluées, et le mode peut aussi augmenter le temps de réponse et la quantité de calcul.
La fenêtre de contexte passe à 262 144 jetons, soit quatre fois celle d'Apertus 1.0. Une fenêtre plus large aide à traiter un rapport long, des pièces contractuelles ou un corpus documentaire sans tout découper. En revanche, entrée volumineuse ne veut pas dire mémoire fiable : un système peut accepter beaucoup de texte sans retrouver précisément chaque détail, surtout si l'information est dispersée ou contradictoire.
L'équipe annonce aussi des progrès sur le suivi des consignes et sur l'usage d'outils externes, comme des API. C'est utile si vous voulez construire des assistants qui enchaînent plusieurs étapes. Mais il faut continuer à cadrer les appels : droits d'accès, validation des paramètres, journalisation et gestion des erreurs restent à gérer côté application.
Enfin, les développeurs mettent en avant une adhésion renforcée à la Charte Apertus. Pour une organisation, des principes explicites sont plus simples à lire qu'une boîte noire. Cela dit, ce n'est pas une preuve indépendante du comportement du modèle dans tous les contextes.
Comment le modèle a été entraîné
La transparence annoncée par la Swiss AI Initiative ne se limite pas aux poids. L'équipe publie aussi des éléments sur les données, les recettes d'entraînement, les évaluations et plusieurs points de contrôle intermédiaires. Pour des équipes techniques, cette granularité change vraiment la donne : on peut étudier l'effet de certaines étapes plutôt que de comparer uniquement un « modèle de départ » à une « version finale ».
Quatre étapes de pré-entraînement
Le pré-entraînement s'appuie sur Apertus 1.0 et se fait en quatre étapes :
- Données non appariées : le modèle apprend du texte, des images et de l'audio présentés séparément.
- Données appariées : les images sont associées à des descriptions, et l'audio à des transcriptions, pour relier ces modalités au langage.
- Phase de consolidation : des données sont davantage sélectionnées, avec notamment des contenus de mathématiques et de programmation.
- Extension du contexte : la fenêtre augmente progressivement, de 8 000 à 262 144 jetons.
Plus de la moitié des jetons d'entraînement restent du texte seul. L'objectif est de préserver les compétences linguistiques de la première version tout en ajoutant des capacités multimodales. Les sources textuelles ont été renouvelées, avec FineWeb2-HQ+, FinePDFs et Nemotron-CC. L'équipe indique que les données utilisées sont publiquement accessibles et accompagnées de licences permissives, et que les demandes de désindexation via robots.txt ont été traitées rétroactivement. Les sources sont listées dans la documentation de transparence des données du projet.
Cinq étapes de post-entraînement
Le post-entraînement combine plusieurs méthodes, chacune avec un objectif propre :
- SFT : réglage supervisé sur 3,7 millions d'exemples textuels, ainsi que des données d'image et de parole. Les traces de raisonnement sont ajoutées quand le modèle ne résout pas déjà la tâche sans aide. Les exemples d'usage d'outils sont limités aux trajectoires dont l'exécution a été vérifiée.
- SFT à long contexte : nouvel ajustement sur la fenêtre de 262 144 jetons, pour récupérer les capacités de contexte long que le réglage sur des séquences plus courtes peut réduire.
- RLVR : apprentissage par renforcement avec récompenses vérifiables, appliqué à environ 350 000 questions de mathématiques, de programmation, de suivi de consignes, de vision et de tâches multilingues.
- DPO : optimisation à partir de préférences entre réponses, pour améliorer la qualité conversationnelle, l'usage d'outils et la sécurité.
- SDPO : étape d'alignement avec la Charte Apertus, fondée sur des retours d'évaluation et de l'auto-distillation.
Les données et les étapes ne sont pas identiques pour les deux modèles finaux. La version 8B passe par l'étape SDPO de charte ; la version 70B publiée comme modèle final s'arrête au DPO. Cette différence mérite d'être vérifiée si vous comparez les deux variantes ou si vous cherchez un point de départ pour un affinage spécifique.
Le projet met à disposition des points de contrôle liés à différentes étapes, notamment les versions de base, SFT, RLVR et DPO. Les mélanges de données et les recettes associées sont décrits dans le billet de version d'Apertus 1.5 et dans le préprint technique. Cette ouverture aide à analyser et à reproduire, même si reproduire un entraînement à cette échelle reste coûteux en calcul et en ingénierie.
L'ablation la plus intéressante concerne les données multimodales introduites pendant le réglage supervisé : elles semblent contribuer aux performances dans plusieurs modalités. Les auteurs indiquent aussi que les bénéfices liés aux traces de raisonnement multimodales continuent pendant un apprentissage par renforcement ultérieur, même lorsque celui-ci est textuel. Ici, on parle d'observations du projet, pas d'une règle universelle applicable à tous les modèles.
Ce que montrent les évaluations
Apertus 1.5 est évalué sur un périmètre plus large que la première version : tâches textuelles, vision, audio, mode de raisonnement, traduction, capacités multilingues, sécurité et usage d'outils. Le projet s'appuie notamment sur des outils d'évaluation multimodale. Pour les tests textuels, il utilise une version publique de lm-evaluation-harness.
Les résultats annoncés montrent des progrès en programmation et en suivi d'instructions. Selon les évaluations publiées, Apertus 1.5 8B dépasse des modèles ouverts de taille comparable sur certaines tâches de suivi d'instructions et sur des langues. Le mode de réflexion apporte un gain sur des tests exigeants en raisonnement. En multimodal, les performances sont présentées comme proches de certains modèles ouverts actuels, avec des résultats compétitifs sur la compréhension spatiale, et sur des documents et des graphiques.
L'équipe mentionne aussi des résultats sur des tâches juridiques suisses et indique que le modèle 8B atteint, dans le Last Translation Benchmark, des performances de traduction comparables à GPT-OSS-20B et supérieures à celles de Claude Haiku 4.5 ou de Google Traduction. Ces comparaisons doivent être lues dans le cadre précis des benchmarks concernés : elles ne prouvent pas une supériorité générale, ni une performance identique sur tous les textes, domaines ou variantes régionales du français.
Pourquoi les scores ne suffisent pas
Un score dépend du jeu de données, de la formulation des consignes, de la méthode d'accès au modèle, des paramètres de génération et du calcul de la métrique. Deux résultats qui se ressemblent peuvent donc ne pas être directement comparables. Dans un contexte métier, le benchmark sert de filtre initial, mais ne remplace pas un jeu de tests représentatif des documents et des erreurs qui comptent pour l'entreprise.
Apertus travaille avec la coalition EvalEval pour publier ses résultats au format EEE, ou « Every Eval Ever ». Une fiche d'évaluation regroupe les scores et aussi des informations sur l'évaluateur, l'accès au modèle, les paramètres de génération et l'interprétation des métriques. Les résultats sont également publiés via les évaluations communautaires de Hugging Face.
Ce format est utile au-delà de la recherche : des résultats mieux documentés se reproduisent plus facilement, se vérifient et se comparent avant un achat ou un déploiement. D'après EvalEval, le schéma EEE peut couvrir 56 des 60 éléments de compte rendu associés à certains cadres de gouvernance européens, dont l'article 55 du règlement européen sur l'IA et le code de bonnes pratiques pour les modèles d'IA à usage général. Cela améliore la traçabilité, mais ne signifie pas, à elle seule, qu'un modèle (ou son usage) est conforme au règlement.
Pour une organisation, la démarche raisonnable consiste à fixer d'abord vos critères : exactitude sur les cas fréquents, taux d'erreurs graves, qualité en français, latence, coût, protection des données et possibilité d'intervention humaine. Ensuite, testez plusieurs modèles avec les mêmes entrées et les mêmes paramètres. Les résultats d'Apertus sont un point de comparaison documenté : ils ne remplacent pas votre décision.
Quels usages envisager en entreprise
L'intérêt d'Apertus 1.5 tient moins à la nouveauté multimodale qu'au fait de pouvoir accéder au modèle et au processus d'entraînement. Les poids et les points de contrôle donnent plus de marge à une équipe qui veut héberger un modèle, l'adapter à un domaine, ou étudier ses comportements. En échange, il faut des compétences, des ressources de calcul et une responsabilité directe sur la sécurité et la maintenance.
Voici des cas d'usage qui semblent cohérents avec les capacités annoncées :
- Analyse documentaire : extraire ou expliquer des éléments dans des rapports, formulaires, tableaux ou graphiques. La validation reste indispensable dès qu'une erreur peut impacter une décision financière, juridique ou administrative.
- Recherche interne sur de longs dossiers : interroger un ensemble de documents avec un contexte très étendu. Pour des corpus volumineux, une approche de recherche et de récupération de passages peut rester préférable à l'envoi de tout le contenu au modèle.
- Assistance multilingue : traduire ou traiter des demandes dans plusieurs langues. Les résultats de benchmark doivent être vérifiés sur les langues et le vocabulaire métier réellement utilisés.
- Assistant connecté à des outils : lancer une recherche, interroger une API ou préparer une opération. Les actions sensibles doivent être encadrées par des permissions et validées par un utilisateur.
- Prototype d'analyse audio : tester des enregistrements ou des transcriptions. Comme c'est présenté comme expérimental, mieux vaut démarrer par un essai contrôlé plutôt que d'automatiser des décisions critiques.
Le choix entre modèle ouvert et API
Apertus 1.5 est disponible via des poids et des points de contrôle sur Hugging Face. Des instructions de déploiement figurent dans les fiches des modèles et dans un guide de démarrage rapide. Plusieurs fournisseurs, dont Swisscom, Infomaniak et Phoenigs, ont aussi annoncé un accès par API ; des applications comme Proton Lumo et Infomaniak Euria l'ont intégré.
Une API réduit le travail initial d'infrastructure, mais vous lie au fournisseur : prix, disponibilité, limites d'usage et traitement des données. L'hébergement autonome donne plus de maîtrise sur l'environnement et l'intégration, mais transfère à votre équipe les coûts de calcul, les mises à jour, l'observabilité et la gestion des incidents. Le fait d'avoir des poids ouverts ne garantit pas, automatiquement, un coût d'exploitation plus bas.
Avant de trancher, comparez les deux options sur un même scénario pilote. Regardez le coût total par tâche utile, pas seulement le prix par jeton. Ajoutez les coûts d'intégration, la latence, les validations humaines et le taux de réponses à corriger. Dans un contexte européen, vérifiez aussi les contrats, les flux de données et les exigences liées à votre cas d'usage. Le RGPD et le règlement européen sur l'IA ne se résument pas à « ouvrir ou ne pas ouvrir » : le choix d'un modèle ouvert ne suffit pas.
Un test pragmatique peut tenir en quatre étapes : choisir une poignée de tâches représentatives, construire un petit jeu de cas avec des réponses attendues, comparer modèle local et API avec des paramètres identiques, puis décider selon le coût et le niveau de risque. Si ça ne marche pas assez bien, réduisez le périmètre ou ajoutez une validation humaine plutôt que d'automatiser uniquement parce que le modèle accepte l'entrée.
Conclusion : tester avant de choisir
Apertus 1.5 fait évoluer un modèle ouvert vers des usages multimodaux, tout en documentant davantage son entraînement et ses évaluations. Son mix de contexte long, entrée image et audio, suivi d'instructions et publication de points de contrôle en fait une option sérieuse à examiner pour les équipes qui veulent garder la main sur leur pile d'IA.
Mais ouverture, performance « moyenne » et aptitude à un déploiement métier ne se confondent pas. Les résultats publiés aident à présélectionner. Ils ne remplacent ni des tests sur vos données, ni une analyse des coûts, des risques et des contraintes réglementaires.
La prochaine étape est simple : choisissez une tâche précise, rassemblez des exemples représentatifs et comparez Apertus 1.5 à vos alternatives avec les mêmes critères. Regardez d'abord le billet de version original, puis testez un point de contrôle ou une API. C'est à cette échelle que vous verrez si ses capacités vous apportent un bénéfice réel.