Indlæser kataloget…
Indlæser kataloget…
En instruction-model med 70 milliarder parametre og helt åbne vægte fra Swiss AI Initiative, bygget med fokus på gennemsigtighed og flersproget dækning frem for maksimal benchmark-ydelse.
Oversigt. Apertus-70B-Instruct-2509 er en tæt decoder-only transformer med 70,6 milliarder parametre, bygget af Swiss AI Initiative – et konsortium bestående af ETH Zürich, EPFL og det schweiziske supercomputercenter (CSCS) – og udgivet i september 2025. Det er en instruction-tuned model, der er udgivet helt åbent med åbne vægte, åbne træningsdata og en publiceret træningsopskrift under en Apache-2.0-licens. Udviklere, der har brug for at revidere, hvad en model er trænet på, eller som ønsker en flersproget base med en tilladende licens til finjustering eller til at køre selv, vil vælge Apertus frem for lukkede alternativer.
Vigtigste styrker. Apertus' klareste fordel er gennemsigtighed og flersproget bredde frem for rå benchmark-ydelse: Dens træningsdata (pretraining corpus) dækker 15 billioner tokens på 1.811 sprog, hvoraf cirka 40 % er ikke-engelsk indhold. Artificial Analysis' åbenhedsindeks giver den en score på 88,9, hvilket afspejler fuldt publicerede vægte, data og opskrift. På benchmarks for generelle egenskaber er billedet mere beskedent – Artificial Analysis' intelligensindeks ligger på 5,1, med GPQA Diamond på 0,27 og IFBench på 0,26, hvilket er scorer et godt stykke under, hvad der er typisk for en instruction-model i 70B-klassen.
Anvendelsesområder. Brug Apertus-70B-Instruct-2509, når åbenhed og revisionsmuligheder betyder mere end maksimal ræsonneringsydelse – for eksempel når du har brug for at efterse eller reproducere træningsdataene og opskriften af compliance-hensyn, eller når du ønsker en flersproget base med en tilladende licens til at tilpasse til et specifikt sprog eller domæne. Dens kompleksitetsniveau er middel, så den egner sig bedre til direkte opgaver med instruktionsfølgning end til ræsonnering i mange trin eller agentisk brug af værktøjer. Den er ikke verificeret som sikker til følsomme områder som medicinsk, juridisk eller finansiel brug.
Begrænsninger. Modellens kontekstvindue på 65.536 tokens er moderat snarere end langt efter nuværende standarder, dens træningsdata slutter i marts 2024, og den har ingen tilstand for udvidet tænkning eller ræsonnering – Artificial Analysis' benchmarks for svær ræsonnering (GPQA Diamond, HLE) er tilsvarende lave. Den er ikke blevet vurderet i forhold til sikkerhed inden for følsomme domæner som medicinsk, juridisk eller finansiel brug.
Bemærkning om suverænitet. Apertus er bygget af Swiss AI Initiative, der er baseret i Schweiz frem for USA, så den er ikke direkte underlagt CLOUD Act. Da den leveres med fuldt åbne vægte under Apache-2.0, kan den også køre selv under dine egne kontroller for dataplacering i stedet for udelukkende at stole på et tredjepartsendepunkt.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L3 | 0,40 / 2,10€ | Online |
11 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Suverænitetsprofilen (schweizisk modelskaber, ikke underlagt CLOUD Act) er en afgørende faktor for revisionsarbejdsflow, der kræver garantier om dataplacering, hvilket vægter tungere end modellens endnu ikke dokumenterede benchmarkresultater.
Schweizisk oprindelse, ikke underlagt CLOUD Act — en tydelig jurisdiktionel fordel for compliance-ansvarlige, der vurderer spørgsmål og svar om regler i følsomme reguleringstekster.
Egenskaben til værktøjskald er til stede i 70 milliarder-klassen, hvilket er tilstrækkeligt til apps med strukturerede funktionskald, selvom det ikke er valideret af offentliggjorte benchmarks.
Et kontekstvindue på 65k er tilstrækkeligt til lange kladder; instruct-tuning understøtter sammenhængende uddata, men status som kladde og manglende benchmarks gør, at man bør udvise forsigtighed sammenlignet med alternativer med højere score.
Schweizisk model, der sandsynligvis er trænet med eksponering for flere europæiske sprog, hvilket gør den til en rimelig kandidat til oversættelse, indtil benchmarkvalidering foreligger.
Den jurisdiktionelle uafhængighed understøtter opgaver med anonymisering af personhenførbare oplysninger, men der findes ingen benchmarks, der bekræfter præcisionen i udtrækningen — bør behandles som en kandidat til evaluering.
Et kontekstvindue på 65.536 tokens kombineret med værktøjskald giver plads til planer med mange trin, men manglen på benchmarks for ræsonnering gør, at niveauet er acceptabelt snarere end stærkt.
En instruct-tunet model i 70 milliarder-klassen med et kontekstvindue på 65k kan håndtere opsummering af lange dokumenter, selvom der endnu ikke er registreret kvalitetsbenchmarks.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "swiss-ai/apertus-70b-instruct-2509",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på