EM POUCAS LINHAS
- As notas de outubro detalham pesos disponibilizados em julho, não um lançamento de pesos nesta data.
- Imagem e áudio entram no modelo, mas a resposta gerada permanece em texto; fala ainda é experimental.
- A janela declarada chega a 262.144 tokens, sem que isso assegure acerto em qualquer tarefa longa.
- Comparações de desempenho são relatos dos autores; falta evidência específica para português brasileiro.
As notas da equipe Swiss AI, publicadas em 15 de outubro de 2026, resumem capacidades e avaliações do Apertus 1.5. A notícia não é a chegada dos pesos: segundo a equipe, as versões 8B e 70B estavam disponíveis desde 24 de julho de 2026, sob licença Apache 2.0. O registro do relatório técnico no arXiv informa submissão em 11 de outubro de 2026. São três marcos diferentes — disponibilização dos pesos, submissão do estudo e publicação das notas — que não devem ser tratados como um único lançamento.
O que imagem e áudio mudam — e o que não mudam
Segundo as notas técnicas da equipe, imagens e áudio são convertidos em tokens discretos e inseridos na mesma sequência dos tokens de texto, sem um codificador de visão separado; o vocabulário é ampliado, mas a arquitetura do modelo permanece igual. A equipe identifica Emu3.5 para imagens e WavTokenizer para áudio. Isso descreve como o modelo recebe as entradas, não uma garantia de que reconhecerá corretamente qualquer fotografia, gráfico ou gravação.
A distinção mais útil para quem planeja uma aplicação é entre entender uma entrada e produzir uma saída: os modelos recebem imagem e áudio, mas geram apenas texto, conforme as notas e o resumo do relatório. Não se deve, portanto, presumir geração de imagem ou de fala a partir dessa descrição. A equipe também classifica o processamento de linguagem falada como experimental nas notas. Para um fluxo baseado em conversas gravadas, essa ressalva importa tanto quanto a presença de entrada de áudio: é preciso verificar transcrições e respostas no tipo de gravação que será usado.
Contexto longo e modo de raciocínio
O resumo do relatório diz que o treinamento continuado acrescentou 4 trilhões de tokens à versão 8B e 2 trilhões à 70B e ampliou a janela de contexto em quatro vezes, para 262.144 tokens. Trata-se da capacidade de entrada declarada, não de uma medição de precisão ao localizar informações em todo o intervalo. Documentos extensos, perguntas que exigem combinar trechos distantes e entradas que misturam texto com imagens precisam ser avaliados separadamente: caber na janela não significa obter uma resposta correta.
O chamado modo de raciocínio tampouco exige escolher outro conjunto de pesos: segundo o resumo dos autores, ele é acionado por uma opção no template de chat. Os autores relatam ganho de até 20 pontos em raciocínio matemático para a versão 8B nesse modo. “Até” indica um teto relatado, não o ganho esperado em qualquer pergunta, nem uma promessa de melhoria equivalente para áudio, documentos ou português. Antes de adotar o recurso, convém comparar as duas configurações com as mesmas perguntas e critérios de correção.
O que foi avaliado e onde faltam detalhes
As notas afirmam que a avaliação foi expandida para imagem, áudio e modo de raciocínio, além de tradução, capacidades multilíngues, segurança e uso de ferramentas. Elas identificam a combinação de lmms-eval e VLMEvalKit no pipeline multimodal e descrevem registros de avaliação com configurações e metadados. Esses elementos ajudam a formular uma comparação reproduzível, mas o texto das notas, isoladamente, não equivale a uma tabela única de resultados aplicável a todas as tarefas. O registro do arXiv fornecido contém o resumo do estudo, sem expor nele os protocolos e as tabelas completas do artigo.
No resumo, os próprios autores classificam os modelos como competitivos frente a modelos multimodais totalmente abertos e destacam compreensão de documentos e reconhecimento de fala longa ou de idiomas com menos recursos. Ressalvam, porém, que modelos especializados em visão e áudio ainda lideram em percepção e transcrição de inglês e de outros idiomas com muitos recursos. São comparações apresentadas pelos autores, não resultados reproduzidos nesta apuração. Uma pontuação geral não resolve, sozinha, a escolha entre ler diagramas, extrair dados de documentos e transcrever reuniões. Para entender por que configurações e tarefas alteram a leitura de um placar, veja nosso guia de interpretação de benchmarks.
O que conferir para uso em português brasileiro
As evidências aqui disponíveis não trazem uma medição específica de desempenho em português brasileiro. As referências a avaliação multilíngue e a reconhecimento de fala em idiomas com menos recursos, nas notas e no resumo, não permitem transferir resultados automaticamente para sotaques, documentos e instruções usados no Brasil. Tampouco demonstram condições de oferta comercial no país. Para quem pretende empregar os pesos, a menção a Apache 2.0 nas notas se refere aos pesos disponibilizados; não deve ser tomada como licença automaticamente aplicável a dados, código ou serviços.
Um exemplo hipotético de avaliação local seria separar amostras de formulários digitalizados, diagramas e gravações em português brasileiro, definir previamente as respostas esperadas e registrar erros de extração, omissões e falhas de transcrição. Depois, comparar o modo de raciocínio ligado e desligado nas mesmas tarefas e conferir, em cada comparação externa, modelo, configuração e métrica. O relatório e as notas justificam investigar essas capacidades; não substituem essa verificação para uma aplicação concreta.
Fontes e referências
- Apertus 1.5 Release Noteshuggingface.co · Consultado em 15/10/2026
- [2610.15542] Apertus 1.5: From Open Text Models to Open Multimodal Reasonersarxiv.org · Consultado em 15/10/2026