Eine generierte Titelkarte mit der Aufschrift „Aion-1.0-Instruct-2.3B vs Aion 3.5 Mini“ und dem Untertitel „Zwei Modelle namens Aion, getrennt durch ein einziges Unternehmen“, darüber zwei Karten: Microsoft mit „offene Gewichte, MIT“, „2,29 Mrd. Parameter“ und „32.768-Token-Kontext“ sowie AionLabs mit „nur gehostete API“, „keine Parameterangabe“ und „262.144-Token-Kontext“.
Guides & Insights

Aion-1.0-Instruct-2.3B vs. Aion 3.5 Mini: Zwei Modelle namens Aion, nur ein Unternehmen dazwischen

Autor

Elias Hawthorne

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Microsofts Aion-1.0-Instruct-2.3B erschien am 18. November 2026 auf Hugging Face – ohne Launch-Post, ohne Blog und mit drei Likes. Aion 3.5 Mini ist seit dem 23. September 2026 für 0,70 US-Dollar pro Million Eingabe-Tokens im Verkauf und wird von einem Unternehmen namens AionLabs vertrieben. Sie teilen einen Namen und sonst nichts – weder eine Lizenz noch eine Architektur noch ein Geschäftsmodell und nicht eine einzige Zeile Code. Wer jetzt nach „Aion“ sucht, stößt auf beide, und die falsche Wahl kostet entweder einen verschwendeten Download oder eine verschwendete Rechnung.

Das Folgende trennt die beiden sorgfältig voneinander. Alles über Aion-1.0-Instruct-2.3B stammt aus der Modellkarte und der Konfigurationsdatei, die Microsoft zusammen mit den Gewichten veröffentlicht hat, und wurde direkt gelesen; zum Zeitpunkt des Schreibens ist es einen Tag alt, und kein unabhängiger Prüfer hat es bisher getestet. Alles über Aion 3.5 Mini stammt aus der veröffentlichten Modellliste von AionLabs und dem auf seiner eigenen API bereitgestellten Katalog. Wo ein Anbieter eine Zahl meldet, wird das angegeben; wo niemand etwas gemessen hat, wird das ebenfalls angegeben.

Der Name ist das Einzige, was sie gemeinsam haben.

AionLabs ist ein Modellanbieter, der gehostete Inferenz verkauft. Microsofts Aion stammt aus der Windows Applied Sciences Group und wird auf seiner Karte beschrieben als „das grundlegende Small Language Model (SLM) im Windows-Ökosystem, speziell optimiert für KI auf dem Gerät“. Das eine ist ein Produkt, das man pro Token mietet. Das andere ist eine Gewichte-Veröffentlichung, die Microsoft mit eigenen Worten als „eine Einführung in das, was kommt, und einen Weg, die Transparenz gegenüber unseren Nutzern zu maximieren“ rahmt.

Auf der Seite von AionLabs wird nicht einmal eine Parameteranzahl veröffentlicht. Der Katalogeintrag beschreibt Aion 3.5 Mini als „ein Multi-Modell-System, das auf der G​LM-Modellfamilie basiert“, bei dem „mehrere spezialisierte Modelle zu jeder Antwort beitragen“ – ein Ensemble hinter einem Endpunkt, kein einzelner Checkpoint, den man herunterladen könnte. Es gibt keine Gewichtsdatei, die sich mit Microsofts 2,29 Milliarden davon vergleichen ließe.

• Parameter — Aion-1.0-Instruct-2.3B hat ~2,29B mit gebundenen Eingabe-/Ausgabe-Embeddings; Aion 3.5 Mini veröffentlicht keine, da es eher eine Routing-Schicht über mehrere Modelle als ein einzelnes Netzwerk ist.

• Gewichte — MIT-lizenzierte bfloat16-safetensors, die Sie heute herunterladen können, im Vergleich zu einem geschlossenen gehosteten Dienst.

• Kontext — 32.768 Token gegenüber 262.144.

• Maximale Ausgabe — der AionLabs-Katalog begrenzt eine Antwort auf 32.768 Token; Microsoft veröffentlicht keine separate Obergrenze für die Ausgabe, daher ist die Obergrenze das Fenster.

• Modalität — Text rein, Text raus auf beiden Seiten. Keine der beiden ist multimodal.

• Preis — null für den Microsoft-Checkpoint, 0,70 $ / 0,18 $ zwischengespeichert / 1,40 $ pro Million Token für Aion 3.5 Mini.

• Reasoning-Steuerung — Aion 3.5 Mini bietet die Aufwandsstufen niedrig, hoch und maximal, wobei hoch der Standard ist; Aion-1.0-Instruct-2.3B hat überhaupt keinen Denkmodus und antwortet in einem Durchgang.

Was Microsoft tatsächlich ausgeliefert hat – und was nicht.

Die Architekturtabelle der Karte ist für einen stillen Upload ungewöhnlich konkret: 28 Schichten, Hidden Size 2.048, ein 8.192 breites SiLU-MLP, Grouped-Query-Attention mit 24 Query- und 8 Key/Value-Heads bei Head-Dimension 128 sowie ein hybrides Attention-Muster aus 21 Sliding-Window-Schichten mit einem 2.048-Token-Fenster plus 7 Full-Attention-Schichten. Das Vokabular umfasst 200.029 Tokens und der Checkpoint ist bfloat16.

Der Kontextanspruch verdient einen zweiten Blick. Das veröffentlichte Fenster umfasst 32.768 Token, doch der RoPE-Block der Konfiguration verzeichnet original_max_position_embeddings von 2.048 mit einem YaRN-Skalierungsfaktor von 16, der nur auf die Full-Attention-Schichten angewendet wird. Sechzehn mal 2.048 ist 32.768, was darauf hindeutet, dass das lange Fenster durch Positionsinterpolation über einen viel kürzeren nativen Bereich erreicht wird und nicht durch Training auf voller Länge. Das ist eine legitime technische Entscheidung und bei dieser Größe eine übliche. Es ist außerdem die Art von Detail, die darüber entscheidet, ob eine Zusammenfassung eines Dokuments mit 30K Token tatsächlich standhält, und niemand hat eine Long-Context-Evaluierung dieses Modells veröffentlicht.

Zwei weitere Lücken sollten klar benannt werden. Die Modellkarte führt GGUF unter ihren Bibliotheksnamen auf, doch die Dateiliste des Repositorys enthält safetensors, Tokenizer-Dateien, benutzerdefinierten Modellierungscode und eine Chat-Vorlage – kein GGUF. Die Karte besagt, dass das unquantisierte Modell zuerst veröffentlicht wird, „gefolgt von quantisierten Versionen“, sodass das Format eher versprochen als vorhanden ist. Und die Windows-Geschichte steht ausdrücklich im Futur: „Eine weiter optimierte Version von Aion Instruct, gekoppelt mit Microsofts Inhaltsmoderationsmodell, wird bis Ende Januar 2027 das Windows-OS-SLM werden.“ Der Upload ist eine Vorschau auf dieses Modell, nicht das Modell, das Windows ausliefern wird.

Was vorliegt, ist ein funktionierendes, instruktionsgetuntes Artefakt in einem Repo: eine Chat-Vorlage mit System-, Benutzer- und Assistenten-Turns, die jeweils durch ein eigenes End-of-Turn-Token abgeschlossen werden, das zugleich als EOS-Token dient, sowie ein dokumentierter Tool-Calling-Pfad, der Funktionsschemata in den System-Prompt einspeist und Aufrufe wieder aus umschließenden Tags heraus parst. Außerdem ist trust_remote_code=True erforderlich, weil der Modellierungscode mit den Gewichten ausgeliefert wird, statt in transformers zu liegen.

Die Zahl, die die beiden Produkte trennt

Aion 3.5 Mini hat keinen veröffentlichten Benchmark. Keinen. Die Modellliste von AionLabs nennt Preis, Kontext, Ausgabeobergrenze, Modalität und Reasoning-Ebenen – und hört dort auf. Es gibt keine Evaluationskarte, keinen Eintrag in einem Drittanbieter-Index, den wir finden konnten, und keinen Direktvergleich mit irgendetwas.

Microsoft ging den umgekehrten Weg. Das Fehlen eines Scoreboards bei Aion 3.5 Mini ist keine Lücke, die man von anderswo füllen kann; die Karte von Aion-1.0-Instruct-2.3B veröffentlicht elf Benchmark-Ergebnisse, wobei Harness und Judge-Modell genannt werden, und jedes einzelne davon ist datiert, einem Harness zugeordnet und attribuierbar. MMLU 55.15, IFEval 83.90 und MMLU-Pro 33.35 sind die drei, die man im Kopf behalten sollte, weil sie umreißen, was das Modell ist: kompetent beim Befolgen eines vorgegebenen Formats, mittelmäßig bei Recall und mehrstufigem Reasoning. Zehn weitere Zeilen stehen auf der Karte für alle, die das vollständige Bild wollen.

Zwei Fußnoten zu dieser Tabelle sind wichtiger als die Tabelle selbst. GSM8K trägt den Hinweis „loose matching“, der die Punktzahl im Vergleich zur strikten Extraktion schmeichelt, und IFBench wird als „prompt-level loose“ ausgewiesen. Ein Anbieter, der von sich aus eigene nachsichtige Bewertungseinstellungen angibt, sagt damit, dass die Zahlen kein Marketing sind, und die resultierende Tabelle – insbesondere eine 33,35 auf MMLU-Pro – wirkt schwach im Vergleich zu dem, was vergleichbare offene Modelle ausweisen. Das ist ein Glaubwürdigkeitssignal in die entgegengesetzte Richtung eines glänzenden Launches: Es liest sich wie ein echter Harness-Lauf und nicht wie ein kuratierter. Es ist weiterhin vom Anbieter gemeldet und nicht reproduziert.

Kosten, sobald Sie aufhören, pro Token zu zahlen

Die Wirtschaftlichkeit kehrt sich je nach gewählter Seite vollständig um. Aion 3.5 Mini berechnet 0,70 US-Dollar pro Million Input-Tokens und 1,40 US-Dollar pro Million Output-Tokens, wobei gecachter Input 0,18 US-Dollar kostet. Eine Million Output-Tokens kostet 1,40 US-Dollar und bietet ein 262K-Fenster sowie drei Reasoning-Stufen. Sie zahlen nichts im Voraus und besitzen nichts.

Aion-1.0-Instruct-2.3B belegt in bfloat16 etwa 4,6 GB — 2,29 Milliarden Parameter zu je zwei Bytes — und kostet dann so viel, wie Ihre Hardware kostet. Bei 8 Bit halbiert sich das; bei 4 Bit landet es bei etwa 1,2 GB, nahe am Speicherbedarf eines Mittelklasse-Smartphone-Modells. Genau das ist Microsofts Ziel: Text- und Betriebssystemaufgaben auf dem Gerät, wobei die Daten niemals den Rechner verlassen. Die Kehrseite ist das Gegenteil der des gehosteten Modells: keine Abrechnung pro Token, kein 262K-Kontextfenster, kein Reasoning-Modus und kein Anbieter, den man anrufen kann, wenn etwas schiefgeht.

Wenn Sie beide Varianten gleichzeitig benötigen, stellt sich auf der Infrastrukturebene die Frage, wie viele Verträge Sie unterhalten. Auf OrcaRouter erreicht ein Schlüssel 200+ Modelle mit 0 % Aufschlag — der Listenpreis des Anbieters wird durchgereicht, sodass eine Preisänderung eines Anbieters bei uns noch am selben Tag sichtbar ist — dazu automatisches Failover, falls die Leistung eines Anbieters nachlässt, und eine Routing-DSL, mit der sich Modelle zu einem einzigen Aufruf kombinieren lassen. Keines der beiden Aions ist in diesem Katalog enthalten: Microsoft veröffentlicht Gewichte, keine API, und AionLabs ist ein eigenständiger Anbieter. Das ist also kein Plädoyer dafür, „beide von einer Stelle aus aufzurufen“. Es geht um den engeren Punkt, dass eine gehostete Stufe, die Sie mieten, und ein Checkpoint, den Sie auf einem Laptop ausführen, unterschiedliche Fragen beantworten und dass es nur Sinn ergibt, sie zu mischen, wenn beide jeweils die Aufgabe erfüllen, für die sie gebaut wurden.

Welche willst du eigentlich?

Nehmen Sie Microsofts Aion-1.0-Instruct-2.3B, wenn die Vorgabe Lokalität ist. Ein Dokument, das die Maschine nicht verlassen darf, eine Betriebssystem-Oberfläche, die offline funktionieren muss, ein Latenzbudget im Bereich von Zehnmillisekunden und eine Arbeitslast aus Zusammenfassung, Umschreiben, Chat und leichten Tool-Aufrufen — das ist die eigene Beschreibung des Modells auf der Modellkarte, und das 32K-Fenster ist für mehrseitige Dokumente bemessen, nicht für ganze Codebasen. Behalten Sie im Hinterkopf: Das Modell ist einen Tag alt, sein Langkontextverhalten ist ungemessen, es gibt noch keinen quantisierten Build, und die 2.3B-Klasse wird Fakten falsch wiedergeben und bei mehrstufigem Schlussfolgern den Faden verlieren — so steht es im eigenen Abschnitt zu den Einschränkungen.

Nehmen Sie Aion 3.5 Mini, wenn die Vorgabe die Leistungsfähigkeit pro Anfrage ist und Sie bereit sind, dafür zu zahlen: ein 262K-Fenster, optionale Reasoning-Tiefe, Tool Calling und ein Anbieter, der ein Support-Ticket beantwortet. Gehen Sie mit dem Wissen hinein, dass Sie die Gewichte nicht sehen, die Parameter nicht zählen und keine Aussage zur Qualität an einer veröffentlichten Zahl überprüfen können – denn es gibt keine.

Die Falle ist der Name. Eine Suche nach „Aion 2.3B“ oder „Aion Instruct“ wird AionLabs-Seiten zutage fördern; eine Suche nach „Aion 3.5“ wird schließlich Berichterstattung über Microsofts Windows-SLM-Arbeit zutage fördern. Notieren Sie, welchen Anbieter Sie meinten, bevor Sie die Integration schreiben. Die beiden haben nichts miteinander zu tun, und die Kennung ist das Einzige, was sie in einer Abhängigkeitsdatei voneinander unterscheiden wird.

A screenshot of AionLabs' model documentation showing the Aion 3.5 Mini catalogue entry, its $0.70 input, $0.18 cached and $1.40 output per-million-token rates, a 262,144-token context with a 32,768-token output ceiling, and the low, high and max reasoning effort levels.

Microsofts Karte ist der einzige Ort, an dem die Zahl 2.29B, das 32K-Fenster und das Windows-Ziel Januar 2027 zusammen auftauchen. Dort finden sich auch die Benchmark-Tabelle und ihre Hinweise zur „losen Zuordnung“.

Was würde diesen Vergleich verändern?

Drei Dinge, in der Reihenfolge ihrer Wahrscheinlichkeit. Ein GGUF-Build würde Aion Instruct in llama.cpp und LM Studio bringen und die lokale Geschichte praktisch statt theoretisch machen — die Modellkarte verspricht quantisierte Versionen, und das Repository hat noch keine. Ein unabhängiger Harness-Lauf würde aus Microsofts Tabelle eine überprüfbare Behauptung machen; bei drei Likes und null Downloads am ersten Tag existiert nichts dergleichen. Und die Windows-Integration im Januar 2027 würde das Publikum vollständig verändern – von Leuten, die Gewichte herunterladen, zu Leuten, die sich überhaupt keine Gedanken über das Modell machen.

Auf der anderen Seite wäre eine veröffentlichte Bewertung des Aion 3.5 Mini – jede Bewertung – eine Neuigkeit, denn die aktuelle Situation ist ein bezahltes Produkt mit einer Preisliste und ohne Nenner.

A screenshot of the Hugging Face model card for microsoft/Aion-1.0-Instruct-2.3B, showing the description of the foundational Small Language Model for the Windows ecosystem optimised for on-device AI, the 32,768-token context, the eleven published benchmarks including MMLU 55.15 and MMLU-Pro 33.35, and the note that a further optimised version becomes the Windows OS SLM by the end of January 2027.

Der Katalog von AionLabs ist die Quelle, aus der die Preisliste des Aion 3.5 Mini und das 262.144-Token-Fenster stammen. Darin gibt es keine Benchmark-Spalte.

A generated two-column scoreboard comparing Aion-1.0-Instruct-2.3B, with 2.29B tied-embedding parameters, MIT safetensors, a 32,768-token context, free download, no reasoning mode and 11 published vendor-run benchmarks, against Aion 3.5 Mini, with no published parameter count, hosted API only, a 262,144-token context, $0.70 input and $1.40 output per million tokens, low-high-max reasoning levels and no published benchmarks. Footnoted that both sets are vendor-reported and independently unreproduced.

Die Anzeigetafel, wobei die Asymmetrie ausdrücklich gemacht wird: Die eine Seite liefert Zahlen und keinen Preis, die andere liefert einen Preis und keine Zahlen.