Apertus – 面向主权 AI 的开放基础模型

总体关注点

• 讨论围绕 Apertus 作为一个“完全开放”的模型（权重、数据、训练配方）展开，目标是欧洲/瑞士的“主权 AI”，以及在其当前能力下这是否重要。

开放性、流水线与“SOTA”

• 许多人看重 Apertus 的真正开放：开放权重、开放数据、完整训练流水线。
• 有人认为，真正的“state of the art”应当指可以被审查和复现的模型，而不是前沿实验室里那些封闭的“尖端”系统。
• 也有人坚持认为，前沿实验室的模型仍然代表真正的性能 SOTA，不论其是否开放。

模型质量与实际使用

• 早期的 Apertus 版本被描述为“相当糟糕”；一些测试表明新版本仍然无法与顶级模型竞争。
• 用户反馈它可以作为 RAG 和一些 agent 的骨干（例如法律咨询、翻译），但还谈不上“agentic”或前沿级。
• 弱点包括多语言任务中的幻觉，以及基础语言问题（例如变位、单词拼写）。

训练数据、版权与伦理

• Apertus 使用 FineWeb/Common Crawl；有人批评这属于未经许可的抓取，与“符合版权”的宣传相矛盾。
• 另一些人认为，抓取公开网页数据用于训练是合法的，在这里扩大版权保护会有害。
• 出于伦理原因，也有人要求一个只用授权或公有领域数据训练的“vegan”模型。

主权 AI、地缘政治与数据本地化

• 一个强烈主题是：各国（尤其在欧洲）需要自己的 AI 能力，以避免依赖美国或中国技术；人们担心美国法治、监控、出口管制和政治不稳定。
• 一些人认为 Apertus 和类似项目更多是在建设能力，而不是立刻追求模型竞争力。
• 讨论还涉及哪个法域对数据最安全（美国 vs 欧盟 vs 瑞士 vs 北欧国家），以及是否存在真正“安全”的国家。

与其他开放模型的比较

• 提到的其他完全开放或近乎开放的流水线包括：OLMo 3.1、K2 Think V2、Nvidia Nemotron，以及一些强大的中文模型（GLM、DeepSeek、Qwen）。
• 普遍共识是，Nemotron 和若干中文模型目前都优于 Apertus；一些用户在生产中更偏好它们。

本地模型 vs 服务模型与用户体验

• 几位参与者认为，真正的近期战场是本地模型与托管 LLM 之间的竞争，而不仅仅是开放与封闭。
• 本地模型对于许多任务来说已经“足够好”，但工具和 UX 仍然令人困惑且碎片化。
• 有人担心糟糕的本地 UX 会把用户推向集中化、封闭式服务，从而削弱数字自主性。

算力、许可与合规

• “瑞士没有 GPU”的说法被反驳，提到了拥有数千颗 Grace-Hopper 芯片的 Alps 超级计算机。
• 许可包含一种新机制：定期下载基于哈希的过滤器，根据删除请求从输出中移除个人数据；这一机制是否可持续尚不明确。
• 一些人认为，Apertus 主要是在满足欧洲的合规/主权需求，而不是追逐顶级基准分数。