/ Модель

Характеристики

Размер весов
75 ГБ
Лицензия
Apache 2.0
Архитектура
apertus1p5 · dense
Базовая модель
Apertus-v1.5-70B
Библиотека
vllm
Опубликована
2 авг 2026

Apertus-v1.5-70B-FP8

Изображение и текст → текст15 профессий

Apertus-v1.5-70B-FP8 — квантованный чекпойнт мультимодальной модели Apertus 1.5 70B, разработанной Swiss AI и опубликованной onprem-ai.

45 358скачиваний за 30 дней5лайковвеса обновлены5 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель предназначена для генерации и обработки текста, а также работы с изображениями и аудио; поддержка мультимодальных возможностей исходной модели сохранена. В README языки и точное устройство базовой архитектуры не указаны.

Веса сжаты методом FP8_DYNAMIC для линейных проекций, тогда как lm_head, эмбеддинги, vision tokenizer и audio tokenizer остаются в BF16. Размер чекпойнта составляет около 71 GiB против 135 GiB у исходной BF16-версии, при этом на тесте MMLU заявлена отсутствие измеримой потери качества. На видеокарте с 96 GiB памяти после загрузки весов остаётся примерно 14 GiB под KV-кэш, что позволяет получить около 60 тысяч токенов контекста при использовании FP8 KV-кэша; это оценка для конкретного сценария развертывания, а не явно указанное максимальное окно контекста.

Модель подходит для локального и серверного инференса, включая мультимодальные приложения, вызов инструментов и задачи рассуждения при наличии соответствующей поддержки. Основные преимущества — высокое сохранение качества исходной модели, почти двукратное сокращение занимаемой памяти и сохранённые возможности работы с изображениями и аудио. Ограничения включают требование vLLM с поддержкой архитектуры Apertus 1.5, несовместимость с SGLang для compressed-tensors, а также необходимость примерно 96 GiB GPU-памяти для полноценного мультимодального запуска; для текстового инференса с коротким контекстом может подойти карта на 80 GiB. Модель распространяется по лицензии Apache 2.0.

Для каких профессий подходит15

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Apertus v1.5 70B -- FP8

Quantized checkpoints for Apertus 1.5 70B.

Full-precision FP8 quantization of swiss-ai/Apertus-v1.5-70B using the FP8_DYNAMIC scheme on all linear projections (excluding lm_head, embeddings, and vision/audio tokenizers which remain in BF16).

CheckpointSizeCompressionQuality (MMLU)
BF16 (original)135 GiB1.0xbaseline
FP8 (this repo)71 GiB1.9xno measurable loss
NVFP4 (onprem-ai/Apertus-v1.5-70B-NVFP4)48 GiB2.8x-0.8 points

Use this checkpoint when maximum quality is critical and GPU memory allows -- 71 GiB leaves approximately 14 GiB for KV cache, enough for roughly 60k context with fp8 KV cache on a 96 GiB card.

Thanks to: Swiss AI, blancsw, Anunay-Yadav, Oleg, Cyrilvallez, AryanAhadinia, robmsmt, and Neural Magic. See Attribution for details.

Usage (vLLM)

Until Apertus 1.5 support is available in a native vLLM release, use the ghcr.io/swiss-ai/vllm_apertus_1.5_release image. The build recipe and patched Dockerfile are available at github.com/swiss-ai/model-launch/tree/main/images/vllm_apertus_1.5.

# Download the checkpoint
huggingface-cli download onprem-ai/Apertus-v1.5-70B-FP8 \
  --local-dir ./apertus-v1.5-70b-fp8

# Serve it
docker run --gpus all -v ./apertus-v1.5-70b-fp8:/model \
  ghcr.io/swiss-ai/vllm_apertus_1.5_release:latest-amd64 \
  --model /model \
  --served-model-name apertus-v1.5-70b \
  --host 0.0.0.0 --port 8080 \
  --dtype auto \
  --chat-template /model/chat_template.jinja \
  --tool-call-parser apertus --enable-auto-tool-choice \
  --reasoning-parser apertus

Performance

Measured on NVIDIA RTX PRO 6000 Blackwell (96 GiB VRAM) using llmapibenchmark.

MetricValue
Decode throughput~20 TPS (single user)
Prefill throughput~2500 TPS

Note: The NVFP4 checkpoint achieves ~50% higher decode throughput (31 TPS) due to 33% smaller weights reducing memory bandwidth pressure. For throughput-constrained deployments, prefer the NVFP4 checkpoint.

Quality

Benchmarked via lm-evaluation-harness (MMLU, 5-shot, 100 samples) on NVIDIA RTX PRO 6000 Blackwell. FP8_DYNAMIC produces no statistically significant quality loss -- a well-established result across dozens of open models.

MetricBF16 (official)FP8Delta
MMLU overallbaseline0.7205indistinguishable
humanitiesbaseline0.7646indistinguishable
social sciencesbaseline0.8158indistinguishable
STEMbaseline0.6258indistinguishable
otherbaseline0.7269indistinguishable

Multimodal Support

All vision and audio capabilities from the original checkpoint are preserved. The quantization respects the ignore list: vision tokenizer, audio tokenizer, and embedding layers remain unquantized.

Quantization Process

Single-pass calibration-free quantization using llm-compressor 0.12.0:

scheme: FP8_DYNAMIC
targets: Linear
ignore: lm_head, model.language_model.embed_tokens, model.embed_tokens,
        re:.*vision_tokenizer.*, re:.*audio_tokenizer.*

Duration: ~4 minutes on RTX PRO 6000 Blackwell.

Limitations

  • vLLM only. SGLang does not support compressed-tensors checkpoints.
  • Requires vLLM with Apertus1p5 arch support. Use the ghcr.io/swiss-ai/vllm_apertus_1.5_release image or build from upstream PR #50496.
  • Requires 96 GiB GPU for full multimodal. For text-only inference with short context, the 71 GiB weights may fit on 80 GiB cards when multimodal is disabled.

Supported Hardware

HardwareCompatibleNotes
NVIDIA RTX PRO 6000 Blackwell (GB202, SM100)YesPrimary target
B100/B200/B300/GB200 (SM100)Yes
H100/H200 (SM90)Yes
DGX Spark (GB10, SM121)YesFP8_DYNAMIC kernels work correctly on SM121. For the NVFP4 checkpoint, see the DGX Spark note in that repo.

Attribution

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · vllm

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Apertus1p5ForConditionalGeneration
Ревизия весов
70378c8

0 моделей