Apertus 1.5来了，多模态先看清输入与输出Apertus 1.5这两天上线了8B和70B版本。它最醒目的变化是多模态：可以接收文字、图像和音频，也加入了可选的thinking mode，标称上下文最高达到262,144 tokens。但看多模态模型，我建议先问四个问题。第一，输入是什么？Apertus 1.5可以接收文字、图像和音频。原生视频输入目前不支持，应用可以先抽帧，再把图片交给模型。第二，输出是什么？当前输出仍是文字。它能理解图片和音频，不等于能直接生成图片、音频或视频。第三，开放到哪一层？项目方强调开放权重、开放数据、开放价值和训练细节。不过下载文件前仍需接受许可证与使用政策，并分享联系信息。第四，今天是否开箱即用？模型卡写明，上游Transformers和vLLM接入仍在推进。现阶段主要依赖项目分支或官方容器，不能简单理解成所有本地工具已经直接支持。所以这次更新真正值得看的，不只是“能听能看”，而是开放模型开始把输入、输出、训练和合规边界写得更完整。以上是基于官方模型卡的编辑解读，本次没有本地部署，也没有复现性能指标。你更看重开放模型的多模态、长上下文，还是可审计训练信息？人工智能开源模型多模态AIAI工具