ServiceNow发布轻量化多模态模型Apriel-1.5-15b-Thinker，15B参数实现企业级推理能力

ServiceNow发布轻量化多模态模型Apriel-1.5-15b-Thinker，15B参数实现企业级推理能力

【免费下载链接】Apriel-1.5-15b-Thinker项目地址: https://ai.gitcode.com/hf_mirrors/ServiceNow-AI/Apriel-1.5-15b-Thinker

ServiceNow近日推出Apriel SLM系列的最新成员——Apriel-1.5-15b-Thinker多模态推理模型。这款仅150亿参数的模型在保持极致轻量化的同时，实现了与百亿级模型相媲美的性能表现，重新定义了企业级AI模型的效率标准。作为该推理系列的第二代产品，该模型不仅强化了文本推理能力，更突破性地新增了图像理解功能，构建起"文本+图像"双模态推理体系。

颠覆性技术架构：无需图像微调的跨模态能力

Apriel-1.5-15b-Thinker采用创新的"中期训练+文本微调"双阶段训练架构，彻底打破了传统多模态模型依赖图像监督微调的技术范式。在为期7天的训练周期中，640张H100 GPU组成的超级计算集群首先对模型进行持续预训练，通过数十亿精心筛选的文本与图像数据构建坚实的推理基础。这一阶段特别注重数学推理、科学论述、逻辑谜题等复杂文本类型，以及图像理解、captioning等多模态数据的训练，全面激活模型的基础推理潜能。

[{'url': 'https://cdn-uploads.huggingface.co/production/uploads/63d3095c2727d7888cbb54e2/Lt1t0tOO5emz1X23Azg-E.png', 'description': 'Apriel-1.5-15b-Thinker 模型缩略图'}] 该图片展示了Apriel-1.5-15b-Thinker模型的视觉标识，其设计融合了多模态数据交互的抽象概念。这一视觉符号直观体现了模型连接文本与图像的核心能力，为技术人员提供了对模型多模态特性的直观认知。

在第二阶段的监督微调中，研发团队专注于高质量文本数据训练，使用超过200万条涵盖数学解题、代码生成、指令遵循、API调用等场景的样本进行优化。值得注意的是，整个训练过程未采用任何图像特定微调或强化学习技术，完全依靠模型自身的跨模态迁移能力实现图像推理功能，这种"文本微调驱动图像能力"的创新路径，大幅降低了多模态模型的训练复杂度。

性能突破：小身材蕴藏大能量

第三方评估数据显示，Apriel-1.5-15b-Thinker在多项权威基准测试中展现出惊人的性能密度。在Artificial Analysis指数中，该模型获得52分的优异成绩，与Deepseek R1 0528、Gemini-Flash等知名模型处于同一水平。更令人瞩目的是，实现这一成绩的模型体积仅为同类得分超50分模型的十分之一，这种"以一敌十"的性能密度比在业界尚属首次。

[{'url': 'https://cdn-uploads.huggingface.co/production/uploads/66a41f3c1d52bffc13c285a5/pdSRgotQw00XKB04bmJg3.png', 'description': 'index - latest 2 评估结果图'}] 该图表清晰展示了Apriel-1.5-15b-Thinker与当前主流模型在关键性能指标上的对比。从图中可以直观看到，15B参数的模型性能曲线与百亿级模型高度重合，有力证明了其"小而强"的技术突破，为企业用户选择高效模型提供了决策依据。

在企业级应用场景中，该模型表现尤为突出。在电信行业关键基准Tau2 Bench Telecom测试中获得68分，IFBench企业智能基准得分62分，展现出对专业领域知识的深度掌握。这种企业级性能表现源于模型在训练过程中对行业特定数据的深度融合，使其能够精准理解复杂业务场景中的推理需求。

内存效率方面，Apriel-1.5-15b-Thinker实现了重大突破。150亿参数规模使其能够在单张GPU上流畅运行，这一特性彻底改变了企业级AI部署的硬件门槛。相比之下，同类性能的多模态模型通常需要多卡集群支持，该模型的出现使中小企业也能负担起先进AI能力的部署成本。

企业级应用：解锁多模态智能新场景

Apriel-1.5-15b-Thinker的多模态能力为企业智能化转型开辟了广阔空间。其核心应用场景涵盖代码辅助生成、复杂逻辑推理、智能问答系统、API函数调用、多轮对话交互等多个维度。在客户服务领域，模型能够同时处理用户咨询文本和产品图片，实现"看图说话"式的智能应答；在研发场景中，可自动分析技术文档与设计图纸，加速创新进程；在运维环节，能通过解读监控图像与日志文本，实现异常情况的精准诊断。

[{'url': 'https://cdn-uploads.huggingface.co/production/uploads/66a41f3c1d52bffc13c285a5/ewXvkN75gfyplJpWEJLyP.png', 'description': 'index vs size fixed 3 评估结果图'}] 此图表以参数规模为横轴、性能得分为纵轴，展示了主流模型的效率对比。Apriel-1.5-15b-Thinker在图表中呈现出显著的"效率高地"特征，其单位参数性能远超行业平均水平，为企业CIO在AI投资决策时提供了清晰的效率参考坐标。

尽管功能强大，研发团队仍明确指出了模型的适用边界：不建议用于需要人工监督的安全关键应用或对事实准确性有严格要求的场景。这一坦诚的局限性声明体现了ServiceNow负责任的AI发展理念。模型当前存在的事实准确性、潜在偏见、伦理考量等方面的限制，也将成为后续迭代优化的重点方向。

行业影响与未来展望

Apriel-1.5-15b-Thinker的推出标志着企业级AI模型正式进入"轻量化多模态"时代。其创新的训练方法证明，通过科学的数据筛选和训练策略，中小规模模型完全能够实现复杂的跨模态推理能力，这为AI技术的普惠化发展提供了新思路。该模型的开源特性（仓库地址：https://gitcode.com/hf_mirrors/ServiceNow-AI/Apriel-1.5-15b-Thinker）将进一步推动学术界和产业界对高效多模态模型的研究探索。

展望未来，ServiceNow计划在三个方向深化模型能力：一是持续优化跨模态迁移学习算法，提升图像推理的精度与鲁棒性；二是扩展行业特定知识库，增强模型在垂直领域的专业能力；三是研发模型量化技术，进一步降低部署门槛。随着这些技术的成熟，我们有理由相信，轻量化多模态模型将成为企业数字化转型的关键基础设施，在智能制造、智慧医疗、智能金融等领域释放更大价值。

Apriel-1.5-15b-Thinker的案例充分证明，AI模型的竞争力不再单纯取决于参数规模，更在于架构创新与数据效率。这种"以小博大"的技术路线，或将成为未来企业级AI发展的主流方向，推动人工智能从"算力密集型"向"智慧密集型"转变。

【免费下载链接】Apriel-1.5-15b-Thinker项目地址: https://ai.gitcode.com/hf_mirrors/ServiceNow-AI/Apriel-1.5-15b-Thinker