Swiss AI Apertus

数据路线一句话

全开放派：语料配方、过滤脚本与复现材料随模型发布，合规叙事为核心卖点。

六层明细

• L1 语料 token：约 15T（8B 与 70B 两个规模），约 40% 非英语；技术报告（arXiv 2509.14233，2025-09-17）与 The Decoder 均称 1,800+ 种语言，早期媒体曾有 1,000+ 的说法，以 1,800+ 为准；主体为 fineweb 各变体、StarCoder（见 the-stack）、FineMath、common-pile 的免费部分 [1]。
• L2 授权交易：无授权采购；只用公开数据并遵守 robots.txt，且为“带追溯的 robots.txt”——以 2025-01 记录的退出偏好回溯应用到更早的所有网页爬取，即后来屏蔽 AI 爬虫的站点，其旧页面也被移除；另过滤版权、非宽松许可、毒性与 PII [1]。
• L3 人工与供应商：后训练数据公开；供应商未披露。
• L4 RL 环境：配方公开。
• L5 合成蒸馏：有合成，占比未披露。
• L6 回流政策：无。

自建与供应商

自建；CSCS 为算力方，非数据商。

反向供给与诉讼暴露

数据配方与复现脚本随模型发布（官方口径经媒体转述）；2026-08-05 的 Apertus 1.5 训练内容摘要 PDF 存在于 AIAL 档案 [3]（PDF 无法解析，内容未核）。未见诉讼。