Apertusとは？ソブリンAIを掲げるスイス発のオープンソースLLM

Apertusはスイスの3機関が公開したオープンソースLLM

ApertusはEPFL・ETH Zurich・CSCSが2025年9月2日に公開した、多言語に対応するスイス初の大規模なオープンモデルです。 オープンモデルとは、学習済みモデルの重み（パラメータの値）が公開され、誰でもダウンロードして所有するパソコンやサーバーで動作させることができるモデルのことで、Apertusで公開されたのは重み（学習の結果として得られた数値の集まり）だけではありません。

ETH Zurichの広報は、開発の過程全体が誰でも確認できるように文書化されているとしています。対象はアーキテクチャ（モデルの設計と構造）から学習データと学習の方法までです。

オープンと呼ばれるモデルには重みだけを公開するものと、学習データや手順まで公開するものがあります。ETH Zurichの広報は、公開の範囲を次の3つとしています。

• モデルの重み（学習途中に保存した中間チェックポイントを含む）
• 学習の過程と使ったデータセットの文書・ソースコード
• 商用利用も認める寛容なオープンソースライセンス

広報によると、一部の要素だけを公開するモデルとは異なり、開発の過程全体を公開しているとのこと。他社モデルを名指しした比較はしていません。

名前の由来は、英語のopenと同じ意味のラテン語です。開発はEPFLとETH Zurichが率いるSwiss AI Initiativeの一環で、CSCSの技術者とインフラが加わりました。スイス最大の通信事業者Swisscomは戦略パートナーを務めています。

開発にはCSCSのスーパーコンピューター「Alps」での1,000万GPU時間超と、ETH Boardの出資が使われています。パラメータ数とはモデルが学習で調整する値の数のことで、サイズは80億パラメータの8Bと700億パラメータの70Bの2種類です。広報は、小型の8Bのほうが個人での利用に適しているとしています。

広報は8Bと70Bのライセンスを寛容なオープンソースライセンスと書くだけで、名称は出していません。ライセンスがApache 2.0と公表されているのは、v1.1-4B-Instructだけです。

公式サイトのニュースには、Apertus 1.5とACL 2026での技術報告のお知らせがあります。CSCSのニュースには、ProtonのAIアシスタントLumoとの提携を伝える記事があります。1.5の公開状況や性能の数値は、まだ公表されていません。

1,000以上の言語と15兆トークンで学習した8Bと70B

Apertusは15兆トークンを使って1,000以上の言語で学習しており、データの40%は英語以外です。 トークンとはモデルが文章を処理するときの最小の区切りのことで、学習データには公開されているものだけが使われています。

これまでのLLMがあまり対応してこなかった言語として、スイスドイツ語やロマンシュ語も入っています。言語の数は出所によって書かれ方が異なり、広報と公式サイトは初公開時の8Bと70Bについて1,000以上、v1.1のモデルカードは1811としています。

学習データには学習開始前にフィルターがかけられています。Webサイトが、機械で読み取ることができる指定で出したオプトアウト（学習への利用を拒否する意思表示）はさかのぼって反映され、個人データは除かれました。

v1.1は0.5B・1.5B・4Bの3サイズからなる系列です。蒸留とは大きなモデルを教師にして小さなモデルを学習させる手法のことで、v1.1は教師のApertus-8B-2509から、事前学習の段階で蒸留して作られました。

学習には元のApertusのデータ処理で最上位の品質層であるPhase 5の1.7兆トークンを使い、新しいデータ源やライセンスは加えていません。損失には、教師モデル由来のKLダイバージェンス90%とラベルの交差エントロピー10%を配合しました。計算にはGPUのGH200を64基使っており、合計の計算量は2.0E22 FLOPs（浮動小数点演算の回数）です。

4B版の構造はモデルカードの仕様に記載されています。層数やヘッド数の組み合わせは次のとおりです。

モデルカードの仕様に記載された4096トークンは、事前学習で複数の文書を連結して区切るときの1区切りの長さです。コンテキストウィンドウとはモデルが一度に処理できる文章の長さのことで、モデルカードは、この4096トークンをコンテキストウィンドウの上限とは書いていません。

ソブリンAIを目指し、EU AI Actの透明性義務に配慮

Apertusは公開データだけで学習し個人データの除去や記憶の防止を行うなど、EU AI Actの透明性義務に配慮して作られたモデルです。 EPFL教授のMartin Jaggiは広報で、信頼できてソブリンで包摂的なAIモデルをどう開発できるかの手本をApertusで提供することを目指していると語っています。

Swisscomは自社の基盤をsovereign Swiss AI platformと呼び、広報は2025年9月2日付でこの基盤から法人顧客がApertusを使うことができるとしています。ソブリンAIの一般的な定義には踏み込まず、誰が作り何を公開し、どこで利用できるかという3点からApertusの姿をとらえます。

EU AI Actの透明性義務に配慮した具体策は次の4つです。最初の3つはETH Zurichの広報に、4つ目は公式サイトとモデルカードに書かれています。

• 学習データを公開されているものだけにする
• Webサイトが、機械で読み取ることができる指定で出した学習拒否を、さかのぼって反映する
• 個人データを学習前に取り除く
• 学習データの丸暗記（記憶）を避ける

広報は、スイスのデータ保護法・著作権法と、EU AI Actの透明性義務に配慮して開発したとしています。この一文に「準拠する」「満たす」という書き方はありません。

モデルカードのLegal Aspectsには、EU AI Actの透明性資料として、Public SummaryとCode of Practiceの2つのPDFが掲載されています。モデルカードは、元のデータ要約をv1.1にも適用できるとしています。

v1.1-4B-Instructのモデルカードによると、個人情報（PII）用の出力フィルターは現時点で提供されていないとのこと。フィルターが公開された場合は、6か月ごとに入手して適用するよう強く勧める文言もあります。

PII削除の窓口は、llm-privacy-requests@swiss-ai.orgです。また著作権削除の窓口は、llm-copyright-requests@swiss-ai.orgです。

Hugging Faceで入手、Ollama量子化版もある

ApertusはHugging Faceから入手でき、モデルカードにはOllama向けの量子化版へのリンクも掲載されています。量子化とは重みを少ないビット数に置き換えて、モデルの容量とメモリ使用量を減らす手法のことで、量子化したモデルは、お使いのPCなどのローカル環境でも動作させやすくなります。

ETH Zurichは、2サイズを「freely available」としています。ただし、SwisscomとPublic AI Inference Utilityの料金には触れていません。広報が書く入手の経路は、下の図の3つです。

Apertusを入手する3つの方法

経路1: Hugging Faceからダウンロード

重みを取得して、PCやサーバー、クラウドなど用意した環境で動作させる。操作画面は別に用意する。

経路2: Swisscomの法人向けプラットフォーム

Swisscomのビジネス顧客が、sovereign Swiss AI platform経由で使う。

経路3: Public AI Inference Utility

スイス国外の人向けに公共AIの取り組みとして提供される。

ETH Zurichの広報をもとに作成。Swisscomと、Public AI Inference Utilityの料金は、まだ公表されていない

広報は設定そのものは専門家や慣れた人なら難しくないと書きつつ、実用にはサーバーやクラウドと操作画面が別に必要だと注意しています。transformersとは、モデルを読み込んで動作させるためのPythonのライブラリです。transformersはv4.56.0以降がApertusに対応しており、v1.1-4B-Instructのモデルカードには使い方のコードとして次の2つが掲載されています。

pip install -U transformers

from transformers import pipeline
pipe = pipeline("text-generation", model="swiss-ai/Apertus-v1.1-4B-Instruct")

モデルカードが勧めるサンプリング設定は、temperature=0.8とtop_p=0.9です。vLLM・SGLang・Docker Model Runnerで動作させる手順も、モデルカードに掲載されています。

v1.1のinstruct系には、量子化を考慮した蒸留（QAD）で作ったチェックポイントがあります。FP8とNVFP4A16はvLLMでの推論向けで、INT3からINT6はApple製の機器でのモバイル利用向けです。

モデルカードのチェックポイント一覧では、0.5B・1.5B・4Bのすべてに、FP8・NVFP4A16・INT3・INT4・INT6の各チェックポイントが用意されています。またページにはllama.cpp・Ollama・LM Studioなどで使う量子化版へのリンクもあり、お使いのPCで試すときはこのリンク先から入手します。

Hugging Faceの表で見る4B版と8B版の違いは？

平均は4B版が0.473で8B版が0.534となり差は0.061です。 モデルカードの評価表には同規模の他社モデルも記載されており、下では列を前半の3列と後半の3列に分けています。

4B版の平均0.473は同規模の3モデルのどの平均も下回っています。3モデルの平均は次のとおりです。

• gemma-3-4b-it: 0.497
• Qwen3-4B: 0.521
• SmolLM3-3B: 0.479

評価の列ごとに4B版の値を3モデルと比較すると、次のとおりです。数値はいずれもモデルカードの評価表のものです。

• TruthfulQA: 4B版の0.506に対し、gemma-3-4b-itは0.492、Qwen3-4Bは0.497、SmolLM3-3Bは0.500で、4B版が超えます
• Arc: 4B版の0.332に対し、gemma-3-4b-itは0.316、Qwen3-4Bは0.274、SmolLM3-3Bは0.270で、4B版が超えています
• LogiQA: 4B版の0.296に対し、gemma-3-4b-itは0.411、Qwen3-4Bは0.500、SmolLM3-3Bは0.365で、4B版が下回ります。ただし8B版の0.290よりはわずかに高い値です

モデルカードは、但し書きの中で高度な数学や複雑な指示への追従が弱い可能性を認めています。生成内容は事実と異なったり偏りを含んだりする場合があるので、補助的なツールとして使ったうえで重要情報はご自身でチェックするよう注意書きがあります。

データの所在や学習データの検証を重視するなら、Apertusは試す価値のあるモデルです。複雑な指示や数学の処理を主に行う用途には、適さない可能性があります。