Apertus 1.5在原有8B和70B模型基础上加入图像、音频理解与可选思考模式，上下文窗口扩大至262,144 tokens，是1.0版的四倍。Apertus团队10月15日在Hugging Face Blog刊登的版本说明披露，两款模型的更新权重已于2026年7月24日上传至Hugging Face，采用Apache 2.0许可证。
新增的多模态能力面向输入端：模型可同时接收文本、图像和音频，将文档、图表、照片纳入对话，也能处理口语，但后者仍处于实验阶段。输出范围则没有扩展到图像或声音，模型只生成文本。
思考模式可按需开启，让模型在作答前对输入进行推理。团队称，这能改善推理问题上的表现；与Apertus 1.0相比，新版也改善了指令遵循和工具使用，训练目标包括更有效地调用外部工具与API。
这些能力来自对第一代模型的继续预训练，而非重新训练一套模型。8B版新增4万亿tokens的文本与多模态训练数据，累计达到19万亿；70B版新增2万亿，累计达到17万亿。团队表示，训练tokens中超过一半仍为纯文本，以保留1.0版的语言能力。
在多模态实现上，Apertus 1.5采用早期融合：图像、音频被转换成离散tokens，与文本放在同一序列中，而不是使用独立的视觉编码器。图像使用Emu3.5分词器，一张512×512图像对应1,024个tokens；音频使用WavTokenizer，每秒对应40个tokens。团队称，这种做法只扩展词表，模型架构保持不变。
继续预训练分为四个阶段：先学习文本及未配对的图像、音频，再通过图像与描述、音频与转写文本进行对齐，随后加入更多高质量数学和代码数据，最后逐步将上下文窗口从8k扩至262k tokens。开放范围也不止模型权重：团队表示，项目同时开放数据、价值原则及完整训练细节，进一步信息已在技术报告中提供。