بطاقة عنوان مولّدة تحمل النص 'Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base' مع عنوان فرعي 'الحجم شبه نفسه، لكن المخرجات مختلفة تمامًا'، فوق بطاقتي خط سير: LFM2.5 2.6B Base مع 'مدرّبة مسبقًا ثم ضبطك الدقيق' و'2.69B، سياق 131K، LFM Open License'، وAion-1.0-Instruct-2.3B مع 'مضبوطة تعليميًا بالفعل' و'2.29B، سياق 32K، MIT'.
Guides & Insights

Aion-1.0-Instruct-2.3B مقابل LFM2.5 2.6B Base: الحجم شبه نفسه، لكن المخرجات مختلفة تمامًا

الكاتب

Elias Hawthorne

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

على الورق، هذه هي المواجهة الأكثر تقاربًا في مجال النماذج الصغيرة حاليًا. Aion-1.0-Instruct-2.3B يبلغ 2.29 مليار معامل؛ LFM2.5 2.6B Base يبلغ 2.69 مليار. كلاهما كثيفان، وكلاهما نصيان فقط، وكلاهما مفتوحا الأوزان، وكلاهما يستهدفان النشر على الأجهزة، وكلاهما ظهرا دون حدث إطلاق — إصدار مايكروسوفت في 18 نوفمبر 2026، ونقطة التحقق الأساسية من Liquid AI في 4 أغسطس 2026. إذا صففتهما وفق المواصفات، فستستنتج أنهما منافسان.

ليسا كذلك. أحدهما منتهٍ. والآخر نقطة انطلاق لم تُنهَ عمدًا، وتقول Liquid AI ذلك صراحةً في بطاقة النموذج: إن نقطة التفتيش Base «يوصى بها فقط للمهام التي تتطلب ضبطًا دقيقًا مكثفًا». تلك الجملة الواحدة تعيد ترتيب كل شيء آخر في هذه المقارنة، لأن نموذجًا أساسيًا مدرَّبًا مسبقًا ومساعدًا مضبوطًا بالتعليمات ليسا منتجين في الفئة نفسها — بل هما مرحلتان من خط المعالجة نفسه، يُباعان بشكل منفصل.

الأرقام الواردة أدناه لـ{{1}}Aion-1.0-Instruct-2.3B{{/1}} مأخوذة من بطاقة نموذج Microsoft وإعدادات المستودع، مقروءة مباشرة. أما أرقام {{2}}LFM2.5 2.6B Base{{/2}} فمأخوذة من بطاقة نموذج Liquid AI ومنشور المدونة المرافق لها. لا يملك أي من النموذجين تقييمًا مستقلًا؛ وحيثما يكون الرقم مُبلَّغًا من الجهة المصنّعة فإنه يُوسم بذلك، وحيثما لا يوجد رقم على الإطلاق يُذكر ذلك بدلًا من ملئه.

ما الذي يزيله "Base" من المقارنة

LFM2.5 2.6B Base هو نقطة التحقق المُدرَّبة مسبقًا التي أُنشئت منها كل نسخة من LFM2.5 2.6B. دُرِّب على نحو 34 تريليون رمز عبر 16 لغة، وسيواصل النص بدلًا من اتباع تعليمات، لأن ضبط التعليمات موجود في نقطة التحقق الشقيقة. حمّله واطرح عليه سؤالًا، وسيفعل ما تفعله نماذج اللغة دون تدريب لاحق: سيمدّ مطالبتك في اتجاه معقول.

هذا يجعل نحو نصف المقارنة المعتادة غير صالح. لا جدوى من السؤال عن أي النموذجين يتبع التعليمات على نحو أفضل، لأن أحدهما لم يُدرَّب على ذلك. ولا جدوى من مقارنة سلوك الرفض أو تنسيق المحادثة. ما يبقى هو سؤال أضيق وأكثر فائدة: إذا كنت تبني مساعدًا بدلًا من شرائه، فهل نموذج مايكروسوفت المكتمل البالغ 2.29B نقطة انطلاق أفضل من نموذج Liquid AI الخام البالغ 2.69B — أم أنه أسوأ، لأن ضبطه الدقيق قد قيّده بالفعل بشكل قد لا تريده؟

• المعاملات — 2.29 مليار مع تضمينات مرتبطة لـ Aion؛ 2.69 مليار لـ LFM2.5 2.6B Base.

• البنية المعمارية — Aion نموذج محوّل تقليدي باهتمام مُجمّع الاستعلامات ونمط اهتمام هجين يتألف من 21 طبقة انزلاقية بالإضافة إلى 7 طبقات كاملة؛ أما LFM2.5 فهو هجين من 22 كتلة التفاف قصيرة مزدوجة البوابات و8 طبقات GQA ضمن 30 طبقة إجمالًا.

• حجم التدريب — لا تنشر Microsoft عدد الرموز (tokens) الخاص بـ Aion؛ بينما تنشر Liquid AI نحو 34 تريليون لـ LFM2.5.

• السياق — 32,768 رمزًا لـ Aion، و131,072 لـ LFM2.5 2.6B Base، مع مرحلة مخصصة لتمديد السياق الطويل بمدى 128K في منتصف التدريب.

• المفردات — 200,029 لـ Aion؛ و128,000 لـ LFM2.5، مضاعفة في مكانها من مُرمِّز الجيل السابق بدلًا من إعادة تدريبها.

• الترخيص — MIT لـ Aion؛ رخصة LFM Open License v1.0 لـ LFM2.5 2.6B Base، وهي ليست رخصة OSI ويجب قراءتها قبل الإطلاق.

• التدريب اللاحق — نموذج مُضبَط بالتعليمات مزوَّد بقالب محادثة وتنسيق لاستدعاء الأدوات، مقابل نقطة تحقق مُدرَّبة مسبقًا تخلو من كليهما.

الخيار المعماري الذي يفسر فجوة السياق

الفرق بمقدار أربعة أضعاف في نافذة السياق ليس صدفة ناتجة عن ميزانية التدريب. فتصميم LFM2.5 يستبدل معظم طبقات الانتباه بكتل التفاف قصيرة، وهو رهان على أن مزج التسلسل لا يحتاج إلى انتباه كامل في كل طبقة لكي يعمل — وهذا الرهان هو ما يجعل نافذة بسعة 131K ممكنة بتكلفة معقولة على الهاتف. وتوضح مدونة Liquid AI صراحةً أن التدريب المتوسط تضمّن مرحلة مخصصة لتمديد السياق إلى 128K، لذا فقد جرى التدريب على النافذة الطويلة، ولم تُضبط لاحقًا.

أما Aion فيسلك المسار المعاكس. إذ تستخدم إحدى وعشرون من طبقاته الـ28 نافذة منزلقة بسعة 2,048 رمزًا، بينما تستخدم سبع فقط انتباهًا كاملًا، مع تطبيق تحجيم YaRN بمعامل 16 على تلك السبع. السياق المنشور هو 32,768، وقيمة original_max_position_embeddings البالغة 2,048 في الإعدادات هي القرينة: إذ يُبلَغ إلى النافذة عبر الاستيفاء الموضعي من نطاق أصلي قصير. هذه تقنية عادية. وهي أيضًا غير مقيسة هنا — فلم تنشر Microsoft أي تقييم للسياق الطويل، وعمر النموذج يوم واحد، لذا لم يُجرِ أحد آخر تقييمًا مماثلًا بعد.

تأتي LFM2.5 2.6B Base بسياقٍ طويل يمكنك التحقّق منه في ضوء مرحلة تدريبٍ موثّقة. أمّا Aion فتأتي بسياقٍ أقصر ينبغي أن تختبره بدلًا من أن تفترضه.

ما الذي يمنحك إياه Aion ولا تستطيع نقطة تحقق أساسية منحه لك

مزايا النموذج النهائي ملموسة ومملة، وهذا ما يجعلها جديرة بالإدراج. يأتي Aion-1.0-Instruct-2.3B بقالب محادثة يتضمن مقدمة نظام افتراضية، ورسالة نظام اختيارية يقدّمها المستخدم تُلحَق بها، ومتغيرات قالب لهوية النموذج وتاريخ قطع المعرفة والتاريخ الحالي. ويأتي بصيغة موثقة لاستدعاء الأدوات. وقد جرى مواءمته أمنياً وفق معيار مايكروسوفت، وتُدرج البطاقة كلاً من XPIA وDIC وECI ضمن المقاييس الأمنية التي يهدف إلى تحسينها — إذ يسمّي الفجوات بدلاً من ادعاء إغلاقها.

كما يوفّر أحد عشر نتيجة معيارية على أداة تقييم محددة بالاسم، وهو أكثر مما يقدّمه LFM2.5 2.6B Base. وتعرض بطاقة النموذج الأساسي حقائق المعمارية والتدريب ولا أي تقييم على الإطلاق، وهو الخيار الصحيح لنقطة تحقق لا يُقصد تقييمها على مهام لم تُضبط من أجلها. وإذا كنت بحاجة إلى رقم تضعه في مستند تصميم، فلـ Aion رقم: IFEval 83.90، وMMLU 55.15، وGSM8K 74.91، وMMLU-Pro 33.35، وGPQA 28.18، من بين أخرى، وجميعها شُغّلت من قبل المورّد على lm-evaluation-harness أو على التطبيق الخاص بالمعيار نفسه.

لكن اقرأ التحذيرات الواردة في {{1}}بطاقة Aion الخاصة{{/1}} قبل أن تعتبر ذلك سقفًا لقدرات النموذج. فهي تقول إن النموذج «لم يُدرَّب ليتفوّق في المعرفة العالمية»، وإن نموذجًا بهذا الحجم «قد يفوّت التفاصيل الدقيقة، أو يقدّم معلومات غير صحيحة، أو يُظهر عدم قدرة على اتباع استدلال معقّد متعدد الخطوات»، وإن بيانات تعدد اللغات شكّلت نحو 6% من التدريب عبر ثماني لغات مع تفاوت الجودة بحسب اللغة. هذا قسم قيود صريح على نحو غير معتاد، ويصف نموذجًا مضبوطًا للتلخيص وإعادة الصياغة والدردشة ومهام أنظمة التشغيل بدلًا من الاستدلال المفتوح.

ما الذي تمنحك إياه نقطة التحقق الأساسية ولا يستطيع النموذج المضبوط تقديمه

التحكم، وسطح خسارة ابتدائي نظيف. إذا كان منتجك يحتاج إلى نموذج يكتب بأسلوب المؤسسة، أو يجيب بمفردات مجال معين، أو يُخرج تنسيقًا هيكليًا صارمًا، فإن التدريب اللاحق على نقطة تحقق أساسية يوصلك إلى ذلك دون أن تصارع تمريرة المحاذاة الخاصة بشخص آخر. بطاقة Liquid AI صريحة بشأن الاستخدامات المقصودة: الضبط الدقيق المكثف، والمساعدون الخاصون بلغة معينة، والمساعدون الخاصون بمجال معين، والتدريب على بيانات مملوكة، وتجربة أساليب تدريب لاحق جديدة.

كما يمنحك قرارًا ترخيصيًا يجب أن تتخذه بدلًا من أن ترثه. يُصدر LFM2.5 2.6B Base بموجب LFM Open License v1.0 — وهو ترخيص مخصص، ليس Apache 2.0 ولا MIT. وتُدرج بطاقته الترخيص باسم "other" مع الاسم "lfm1.0". ويعتمد ما إذا كان ذلك مشكلة كليًا على نموذج التوزيع الخاص بك، وهو من الأمور التي تظهر متأخرًا في المراجعة القانونية إذا لم يقرأها أحد مبكرًا. أما MIT، في المقابل، فهو من أقصر ما يمكن أن تكون عليه التراخيص.

وهناك أيضًا حجة تتعلق بالأدوات. فقد صدر LFM2.5 بدعم من اليوم الأول عبر Transformers وvLLM وSGLang وllama.cpp وMLX وLM Studio، إضافةً إلى دفاتر ملاحظات منشورة للضبط الدقيق لـ Unsloth وTRL تغطي مواصلة التدريب المسبق، وSFT، وDPO، وGRPO. أما Aion Instruct فيحتاج إلى trust_remote_code=True وtransformers 5.x، ولا يوجد ملف GGUF في مستودعه رغم أن بطاقة النموذج تدرج GGUF كصيغة، كما أن إصداراته المكمّاة موعودة لا منشورة. وبالنسبة إلى نموذج تنوي ضبطه الدقيق، فإن المنظومة المحيطة به ليست تفصيلًا.

طريقتان لبلوغ المكان نفسه

فكّر في المسارين الواقعيين لفريق يريد مساعدًا صغيرًا على الجهاز ويمتلك مجموعة من بياناته الخاصة.

المسار الأول: خذ Aion-1.0-Instruct-2.3B، وقيّمه على مهمتك كما هي مُسلَّمة، ولا تضبطه ضبطًا دقيقًا إلا إذا قصر. تبدأ بمساعد عامل، وقالب محادثة، وصيغة لاستدعاء الأدوات، وتجربتك الأولى رخيصة لأن النموذج يؤدي المهمة بالفعل بشكل سيئ بدلًا من ألا يؤديها إطلاقًا. الخطر هو أنك تصحح مواءمة شخص آخر بدلًا من التعليم من الصفر، وعند 2.29B ليست هناك سعة كبيرة كافية للتصحيح.

المسار الثاني: خُذ {{LFM2.5 2.6B Base}}، وأجرِ تدريبًا مسبقًا متواصلًا على نطاقك، ثم {{SFT}}. ستحصل على نموذج تشكّله بياناتك بدلًا من أن يُعدَّل ليتوافق معها، مع نافذة {{131K}} متاحة من البداية وسلسلة أدوات تدريب موثّقة جيدًا. الثمن أنك تتحمّل كامل جهد ما بعد التدريب، بما في ذلك سلوك السلامة الذي عالجته {{Microsoft}} مسبقًا.

المسار الثالث هو المسار الذي تسلكه معظم الفرق فعليًا: ابدأ بالمسار الأول للحصول على خط أساس، ولا تنتقل إلى المسار الثاني إلا إذا وصل خط الأساس إلى مرحلة الثبات. هذا ترتيب عقلاني، وهو أيضًا حجة ضد توقيع عقد طويل على أي من النموذجين قبل تشغيل بياناتك الخاصة عبر كليهما.

بمجرد أن تصبح لديك نقطتا تحقق في منتج واحد، يبدأ السطح التشغيلي بالاتساع — إعدادات تقديم منفصلة، وأنماط فشل منفصلة، وإيقاعات ترقية منفصلة. وتتمثل مساهمة OrcaRouter في تلك الطبقة في نقطة نهاية واحدة فوق أكثر من 200 نموذجبهامش 0% مع تمرير سعر قائمة المزوّد كما هو، وتحويل تلقائي عند الفشل عبر المزوّدين، ولغة DSL للتوجيه يمكنها التعبير عن سلسلة احتياطية بدلًا من هدف مضمّن بشكل ثابت. لا يوجد أي من Aion-1.0-Instruct-2.3B أو LFM2.5 2.6B Base في ذلك الكتالوج — فكلاهما أوزان مستضافة ذاتيًا، ولا يملك Aion أي واجهة API مستضافة في أي مكان — لذا ما يوفره لك الموجّه هو الطبقة الأعلى منهما: مكان لإرسال الطلبات التي لا ينبغي أن يتولاها نموذجك على الجهاز.

القرار، بشكل مضغوط

إذا كنت تريد شيئًا يعمل هذا الأسبوع ويجيب عن الأسئلة، فاختر Aion-1.0-Instruct-2.3B. إنه مكتمل، وهو متاح بموجب رخصة MIT، وحجمه 4.6 GB بصيغة bfloat16، وقيوده موثّقة بكلماته الخاصة بدلًا من أن تكتشفها بنفسك.

إذا كنت تريد بناء نموذج بدلًا من تبنّي نموذج جاهز، فاختر LFM2.5 2.6B Base. حجمه 5.4 غيغابايت بصيغة bfloat16، ويحمل نافذة سياق تبلغ 131K جرى تدريبها بدلًا من توسيعها، ويمتلك سلسلة أدوات حقيقية للضبط الدقيق، وليس لديه أي آراء حول الكيفية التي ينبغي أن يبدو عليها مساعدك لأنه لم يُزوَّد بأي منها.

ما يجب ألا تفعله هو التعامل معهما كأنهما قابلان للتبادل لأن أعداد المعاملات متقاربة. نموذج أساسي بحجم 2.69B ونموذج instruct بحجم 2.29B يختلفان بأقل من خطأ التقريب في معظم أوراق المواصفات، وبخط أنابيب تدريب لاحق كامل في الممارسة العملية، والاختيار بينهما قرار يتعلق بمن يقوم بالعمل.

A screenshot of Liquid AI's LFM2.5 2.6B Base model card, showing the 2.69B parameter count, 30 layers, roughly 34 trillion training tokens, a 131,072-token context with a dedicated 128K extension phase, the LFM Open License v1.0, and a statement that the base checkpoint is only recommended for tasks requiring heavy fine-tuning, with no evaluation table.

تسرد بطاقة Liquid AI الأرقام المهمة لهدف الضبط الدقيق — 2.69B معامل، و30 طبقة، و34 تريليون رمز تدريبي، ونافذة من 131,072 رمزًا — ولا تتضمن جدول تقييم، لأن نقطة الحفظ الأساسية ليست مخصصة للتقييم على مهام لم تُضبط من أجلها.

الأسئلة المفتوحة

بخصوص Aion: هل تصل البِنى المكمّاة التي وعدت Microsoft بها، وهل تصمد نافذة السياق الطويل في اختبار إبرة حقيقي، وماذا يحدث لنقطة التحقق هذه عندما تصدر نسخة Windows الأكثر تحسينًا بحلول نهاية يناير 2027. تعرض البطاقة هذا الرفع كمعاينة لذلك الطراز، ما يعني أن خليفته مجدول بالفعل.

بالنسبة إلى LFM2.5 2.6B Base: ما إذا كان المجتمع يبني عليه بما يكفي لجعل وصفات الضبط الدقيق الخاصة به المسار المرجعي، وكيف تقرأ الفرق القانونية رخصة LFM المفتوحة خارج منطقة الراحة المعتادة للتراخيص المتسامحة. كلا السؤالين قابل للإجابة بمرور الوقت، ولا يمكن الإجابة عن أي منهما بجدول معايير.

A screenshot of the Hugging Face model card for microsoft/Aion-1.0-Instruct-2.3B, showing the description as the foundational Small Language Model for on-device Windows tasks, the 32,768-token context, the eleven published benchmarks, the safety metrics XPIA, DIC and ECI, and the note that a further optimised version becomes the Windows OS SLM by the end of January 2027.

توضح بطاقة Aion الاستخدام المقصود في سطر واحد: نموذج SLM الأساسي لمهام Windows على الجهاز، مع دمج نظام التشغيل المقرر مبدئيًا في يناير 2027.

A generated two-column scoreboard comparing Aion-1.0-Instruct-2.3B, with 2.29B parameters, a 32,768-token context, MIT licence, an instruction-tuned checkpoint, no published training token count and 11 published benchmarks, against LFM2.5 2.6B Base, with 2.69B parameters, a 131,072-token context, the LFM Open License v1.0, a pretrained-only checkpoint, roughly 34 trillion training tokens and no published benchmarks. Footnoted that Aion figures come from Microsoft's card and LFM figures from Liquid AI's card, both vendor-reported and independently unreproduced.

أعداد معاملات شبه متطابقة، لكن المخرجات مختلفة: مُدرَّب بالتعليمات وبرخصة MIT مقابل مُدرَّب مسبقًا وبرخصة مخصصة، مع سير نافذة السياق في الاتجاه المعاكس.