
Aion-1.0-Instruct-2.3B vs. LFM2.5 2.6B Base: Fast dieselbe Größe, völlig unterschiedliche Ergebnisse
- OrcaNEUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 pro 1 Mio. Tokens · 184 tok/s
- tencentNEUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 pro 1 Mio. Tokens · 223 tok/s
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 87 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 96 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
Auf dem Papier ist dies derzeit das engste Duell im Kleinmodell-Bereich. Aion-1.0-Instruct-2.3B hat 2,29 Milliarden Parameter; LFM2.5 2.6B Base hat 2,69 Milliarden. Beide sind dicht, beide sind reine Textmodelle, beide sind Open Weights, beide zielen auf On-Device-Deployment ab, und beide kamen ohne Launch-Event — Microsofts am 18. November 2026, der Basis-Checkpoint von Liquid AI am 4. August 2026. Würde man sie nach Spezifikation vergleichen, käme man zu dem Schluss, dass sie Konkurrenten sind.
Sie sind es nicht. Eines von ihnen ist fertig. Das andere ist ein Ausgangspunkt, der bewusst nicht fertiggestellt wurde, und Liquid AI sagt das auf der Karte: Der Base-Checkpoint „wird nur für Aufgaben empfohlen, die umfangreiches Fine-Tuning erfordern“. Dieser eine Satz ordnet alles andere in diesem Vergleich neu, denn ein vortrainiertes Basismodell und ein per Instruction-Tuning angepasster Assistent sind keine zwei Produkte derselben Kategorie – sie sind zwei Stufen derselben Pipeline, separat verkauft.
Die unten stehenden Angaben zu Aion-1.0-Instruct-2.3B stammen aus Microsofts Modellkarte und Repository-Konfiguration und wurden direkt daraus entnommen. Die Angaben zu LFM2.5 2.6B Base stammen aus der Modellkarte von Liquid AI und dem zugehörigen Blogbeitrag. Keines der beiden Modelle wurde unabhängig evaluiert; wo eine Zahl vom Anbieter stammt, ist sie als solche gekennzeichnet, und wo eine Zahl überhaupt nicht existiert, wird dies gesagt, statt sie zu ergänzen.
Was „Base“ aus dem Vergleich entfernt
LFM2.5 2.6B Base ist der vortrainierte Checkpoint, aus dem jede LFM2.5 2.6B-Variante erstellt wurde. Er wurde auf etwa 34 Billionen Tokens in 16 Sprachen trainiert und wird Text fortsetzen, statt einer Anweisung zu folgen, da das Instruction-Tuning im Schwester-Checkpoint liegt. Lade ihn und stelle ihm eine Frage, und er wird tun, was ein Sprachmodell ohne Post-Training tut: deinen Prompt in eine plausible Richtung erweitern.
Das macht etwa die Hälfte des üblichen Vergleichs hinfällig. Es ist sinnlos zu fragen, welches Modell Anweisungen besser befolgt, denn einem von beiden wurde das nicht beigebracht. Es ist ebenso sinnlos, Ablehnungsverhalten oder Chat-Formatierung zu vergleichen. Was bleibt, ist eine engere und nützlichere Frage: Wenn Sie einen Assistenten selbst bauen statt einen zu kaufen, ist Microsofts fertiges 2.29B dann ein besserer Ausgangspunkt als Liquid AIs rohes 2.69B – oder ein schlechterer, weil seine Feinabstimmung es bereits auf eine Form festgelegt hat, die Sie vielleicht nicht wollen?
• Parameter — 2,29B mit gebundenen Embeddings für Aion; 2,69B für LFM2.5 2.6B Base.
• Architektur — Aion ist ein konventioneller Transformer mit Grouped-Query-Attention und einem hybriden Aufmerksamkeitsmuster aus 21 Sliding- und 7 Full-Attention-Schichten; LFM2.5 ist ein Hybrid aus 22 doppelt gegateten Short-Convolution-Blöcken und 8 GQA-Schichten über insgesamt 30 Schichten.
• Trainingsvolumen — Microsoft veröffentlicht keine Tokenanzahl für Aion; Liquid AI gibt für LFM2.5 etwa 34 Billionen an.
• Kontext — 32.768 Tokens für Aion, 131.072 für LFM2.5 2.6B Base, mit einer eigenen 128K-Langkontext-Erweiterungsphase im Mid-Training.
• Vokabular — 200.029 für Aion; 128.000 für LFM2.5, direkt vom Tokenizer der vorherigen Generation verdoppelt statt neu trainiert.
• Lizenz — MIT für Aion; die LFM Open License v1.0 für LFM2.5 2.6B Base, die keine OSI-Lizenz ist und vor dem Ausliefern gelesen werden muss.
• Post-Training — ein per Instruction-Tuning angepasstes Modell mit Chat-Template und Tool-Calling-Format, im Vergleich zu einem vorab trainierten Checkpoint, der weder das eine noch das andere besitzt.
Die Architekturwahl, die die Kontextlücke erklärt
Der vierfache Unterschied bei der Kontextfenstergröße ist kein Zufall des Trainingsbudgets. Das Design von LFM2.5 ersetzt die meisten Attention-Layer durch Short-Convolution-Blöcke – eine Wette darauf, dass Sequence Mixing nicht auf jeder Ebene vollständige Attention benötigt, um zu funktionieren. Und genau diese Wette macht ein 131K-Fenster auf einem Smartphone erschwinglich. Im Blog von Liquid AI heißt es ausdrücklich, dass das Mid-Training eine eigene 128K-Phase zur Kontexterweiterung umfasste; das lange Fenster wurde also gezielt trainiert und nicht nachträglich konfiguriert.
Aion geht den entgegengesetzten Weg. Einundzwanzig seiner 28 Schichten verwenden ein gleitendes Fenster von 2.048 Token, und nur sieben verwenden volle Aufmerksamkeit, wobei auf diese sieben eine YaRN-Skalierung mit Faktor 16 angewendet wird. Der veröffentlichte Kontext ist 32.768, und der Wert original_max_position_embeddings von 2.048 in der Konfiguration ist der Hinweis: Das Fenster wird durch Positionsinterpolation aus einem kurzen nativen Bereich erreicht. Das ist eine übliche Technik. Hier ist sie zudem ungemessen — Microsoft hat keine Langkontext-Evaluierung veröffentlicht, und das Modell ist einen Tag alt, also hat auch sonst niemand eine durchgeführt.
Praktische Übersetzung: LFM2.5 2.6B Base verfügt über einen langen Kontext, den Sie anhand einer dokumentierten Trainingsphase überprüfen können. Aion verfügt über einen kürzeren, den Sie testen sollten, statt ihn anzunehmen.
Was Aion bietet, was ein Basis-Checkpoint nicht kann
Die Vorteile des fertigen Modells sind konkret und langweilig – und genau deshalb lohnt es sich, sie aufzulisten. Aion-1.0-Instruct-2.3B wird mit einer Chat-Vorlage ausgeliefert, die eine standardmäßige System-Präambel, eine optionale, vom Nutzer bereitgestellte und daran angehängte Systemnachricht sowie Vorlagenvariablen für Modellidentität, Wissensstichtag und aktuelles Datum enthält. Es wird mit einem dokumentierten Tool-Calling-Format ausgeliefert. Es wurde gemäß Microsofts Standard sicherheitsausgerichtet, und die Modellkarte nennt XPIA, DIC und ECI als die Sicherheitsmetriken, die sie verbessern will – sie benennt die Lücken, statt zu behaupten, sie seien geschlossen.
Es liefert außerdem elf Benchmark-Werte auf einem benannten Harness, was mehr ist, als LFM2.5 2.6B Base bietet. Die Base-Card gibt Architektur- und Trainingsdetails an und überhaupt keine Evaluation, was die richtige Wahl für einen Checkpoint ist, der nicht auf Aufgaben bewertet werden soll, für die er nicht feinabgestimmt wurde. Wenn Sie eine Zahl für ein Design-Dokument benötigen, hat Aion eine: IFEval 83,90, MMLU 55,15, GSM8K 74,91, MMLU-Pro 33,35, GPQA 28,18, unter anderem, alle vom Anbieter auf lm-evaluation-harness oder der eigenen Implementierung des Benchmarks ausgeführt.
Aber lesen Sie die Einschränkungen auf Aions eigener Modellkarte, bevor Sie das als Leistungsobergrenze betrachten. Dort heißt es, das Modell sei „nicht darauf trainiert worden, sich bei Weltwissen hervorzutun“, ein Modell dieser Größe „könne feine Details verpassen, Falschaussagen machen oder die Unfähigkeit zeigen, komplexem mehrstufigem Denken zu folgen“, und die mehrsprachigen Daten hätten etwa 6 % des Trainings über acht Sprachen ausgemacht, wobei die Qualität je nach Sprache variiere. Das ist ein ungewöhnlich offener Abschnitt zu Einschränkungen, und er beschreibt ein Modell, das für Zusammenfassung, Umschreiben, Chat und Betriebssystemaufgaben optimiert ist und nicht für offenes Schlussfolgern.
Was Ihnen ein Basis-Checkpoint bietet, das ein feinabgestimmtes Modell nicht bieten kann
Kontrolle und eine saubere Ausgangs-Loss-Fläche. Wenn Ihr Produkt ein Modell benötigt, das in einem hauseigenen Stil schreibt, mit einem domänenspezifischen Vokabular antwortet oder ein strenges strukturiertes Format ausgibt, bringt Sie Post-Training auf einem Basis-Checkpoint ans Ziel, ohne sich mit dem Alignment-Pass eines anderen herumschlagen zu müssen. Die Model Card von Liquid AI nennt die vorgesehenen Verwendungszwecke klar: intensives Fine-Tuning, sprachspezifische Assistenten, domänenspezifische Assistenten, Training auf proprietären Daten und Experimentieren mit neuartigen Post-Training-Ansätzen.
Es gibt Ihnen außerdem eine Lizenzentscheidung, die Sie treffen müssen, statt sie zu erben. LFM2.5 2.6B Base wird unter der LFM Open License v1.0 veröffentlicht – einer eigenen Lizenz, nicht Apache 2.0 und nicht MIT. Auf seiner Karte ist die Lizenz als „other“ mit der Bezeichnung „lfm1.0“ aufgeführt. Ob das ein Problem ist, hängt ganz von Ihrem Vertriebsmodell ab, und es ist die Art von Sache, die spät in einer rechtlichen Prüfung auftaucht, wenn niemand sie früh liest. MIT hingegen ist etwa so kurz, wie Lizenzen nur sein können.
Und es gibt da noch das Argument der Tooling-Unterstützung. LFM2.5 erschien mit Unterstützung ab dem ersten Tag in Transformers, vLLM, SGLang, llama.cpp, MLX und LM Studio, dazu veröffentlichte Fine-Tuning-Notebooks für Unsloth und TRL, die Continued Pre-Training, SFT, DPO und GRPO abdecken. Aion Instruct benötigt trust_remote_code=True und transformers 5.x, hat keine GGUF-Datei in seinem Repository, obwohl die Model Card GGUF als Format angibt, und seine quantisierten Builds werden eher versprochen als veröffentlicht. Bei einem Modell, das man fine-tunen möchte, ist das Ökosystem darum kein Nebendetail.
Zwei Wege, am selben Ort zu landen
Betrachten Sie die zwei realistischen Wege für ein Team, das einen kleinen On-Device-Assistenten möchte und über einen Korpus eigener Daten verfügt.
Weg eins: Nehmen Sie Aion-1.0-Instruct-2.3B, evaluieren Sie es auf Ihrer Aufgabe in der ausgelieferten Form und stimmen Sie es nur dann fein ab, wenn es nicht ausreicht. Sie beginnen mit einem funktionierenden Assistenten, einer Chat-Vorlage und einem Tool-Calling-Format, und Ihr erstes Experiment ist günstig, weil das Modell die Aufgabe bereits schlecht erledigt statt gar nicht. Das Risiko ist, dass Sie die Ausrichtung von jemand anderem korrigieren, statt von Grund auf zu lehren, und bei 2,29B gibt es nicht viel Kapazität zum Korrigieren.
Weg zwei: Nimm LFM2.5 2.6B Base, führe kontinuierliches Pretraining auf deiner Domäne durch und dann SFT. Du erhältst ein Modell, das durch deine Daten geprägt ist, statt an sie angepasst zu werden, mit einem von Anfang an verfügbaren 131K-Fenster und einer gut dokumentierten Trainings-Toolchain. Der Preis dafür ist, dass du den gesamten Post-Training-Aufwand selbst verantwortest, einschließlich des Sicherheitsverhaltens, das Microsoft bereits abgedeckt hat.
Der dritte Weg ist der, den die meisten Teams tatsächlich einschlagen: mit Weg eins beginnen, um eine Ausgangsbasis zu erhalten, und erst zu Weg zwei wechseln, wenn die Ausgangsbasis stagniert. Das ist eine rationale Reihenfolge, und es spricht auch dafür, bei keinem der beiden Modelle einen langfristigen Vertrag zu unterschreiben, bevor man die eigenen Daten durch beide hat laufen lassen.
Sobald Sie zwei Checkpoints in einem Produkt haben, beginnt die betriebliche Oberfläche auszuufern — separate Serving-Konfigurationen, separate Fehlermodi, separate Upgrade-Zyklen. OrcaRouters Beitrag auf dieser Ebene ist ein einziger Endpunkt über 200+ Modelle mit 0 % Aufschlag und durchgereichtem Listenpreis des Anbieters, automatisches Failover über Anbieter hinweg, und eine Routing-DSL, die eine Fallback-Kette statt eines fest codierten Ziels ausdrücken kann. Weder Aion-1.0-Instruct-2.3B noch LFM2.5 2.6B Base ist in diesem Katalog — beide sind selbst gehostete Gewichte, und Aion hat nirgends eine gehostete API — was Ihnen der Router also verschafft, ist die Ebene über ihnen: ein Ort, an den Sie die Anfragen senden können, die Ihr On-Device-Modell nicht bearbeiten sollte.
Die Entscheidung, komprimiert
Wenn Sie diese Woche etwas zum Laufen bringen wollen, das Fragen beantwortet, nehmen Sie Aion-1.0-Instruct-2.3B. Es ist fertig, es steht unter MIT, es hat 4,6 GB in bfloat16, und seine Einschränkungen sind in seinen eigenen Worten dokumentiert, statt dass Sie sie selbst entdecken.
Wenn du ein Modell selbst bauen statt eines zu übernehmen willst, nimm LFM2.5 2.6B Base. Es ist 5,4 GB groß in bfloat16, bringt ein 131K-Fenster mit, das trainiert statt skaliert wurde, verfügt über eine echte Fine-Tuning-Toolchain und hat keine Meinung dazu, wie dein Assistent klingen sollte, weil ihm keine mitgegeben wurde.
Was Sie nicht tun sollten, ist, sie als austauschbar zu behandeln, nur weil die Parameterzahlen nahe beieinanderliegen. Ein 2,69B-Basis-Modell und ein 2,29B-Instruct-Modell unterscheiden sich um weniger als der Rundungsfehler auf den meisten Datenblättern und in der Praxis um eine gesamte Post-Training-Pipeline, und die Wahl zwischen ihnen ist eine Entscheidung darüber, wer die Arbeit macht.

Die Model Card von Liquid AI listet die Zahlen auf, die für ein Fine-Tuning-Ziel zählen — 2,69 Mrd. Parameter, 30 Schichten, 34 Billionen Trainings-Tokens, ein Fenster von 131.072 Tokens — und keine Evaluierungstabelle, denn ein Basis-Checkpoint ist nicht dafür gedacht, auf Aufgaben bewertet zu werden, für die er nicht trainiert wurde.
Die offenen Fragen
Für Aion: ob die von Microsoft versprochenen quantisierten Builds eintreffen, ob das Langkontextfenster einem echten Needle-Test standhält und was mit diesem Checkpoint geschieht, wenn die weiter optimierte Windows-Version bis Ende Januar 2027 erscheint. Die Karte präsentiert diesen Upload als Vorschau auf dieses Modell, was bedeutet, dass sein Nachfolger bereits geplant ist.
Für LFM2.5 2.6B Base: ob die Community genug darauf aufbaut, dass seine Fine-Tuning-Rezepte zum Referenzpfad werden, und wie die LFM Open License von Rechtsteams außerhalb der üblichen Komfortzone permissiver Lizenzen ausgelegt wird. Beide Fragen lassen sich mit der Zeit beantworten, und keine von beiden lässt sich mit einer Benchmark-Tabelle beantworten.

Die Aion-Karte beschreibt den beabsichtigten Verwendungszweck in einer Zeile: das grundlegende SLM für Windows-Aufgaben auf dem Gerät, wobei die OS-Integration für Januar 2027 eingeplant ist.

Nahezu identische Parameterzahlen, unterschiedliche Lieferumfänge: instruction-tuned und MIT gegenüber pretrained und mit Custom-Lizenz, wobei das Kontextfenster in die andere Richtung läuft.
