Una tarjeta de título generada que dice «Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base» con el subtítulo «Casi el mismo tamaño, entregables completamente diferentes», sobre dos tarjetas de pipeline: LFM2.5 2.6B Base con «preentrenado y luego tu ajuste fino» y «2.69B, contexto de 131K, Licencia Abierta LFM», y Aion-1.0-Instruct-2.3B con «ya ajustado para instrucciones» y «2.29B, contexto de 32K, MIT».
Guides & Insights

Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base: casi el mismo tamaño, entregables completamente diferentes

Autor

Elias Hawthorne

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Sobre el papel, esta es la comparación más reñida en el campo de los modelos pequeños ahora mismo. Aion-1.0-Instruct-2.3B tiene 2290 millones de parámetros; LFM2.5 2.6B Base tiene 2690 millones. Ambos son densos, ambos son solo de texto, ambos tienen pesos abiertos, ambos apuntan a despliegue en dispositivo y ambos llegaron sin evento de lanzamiento: el de Microsoft el 18 de noviembre de 2026, el checkpoint base de Liquid AI el 4 de agosto de 2026. Si los alinearas por especificación, concluirías que son competidores.

No lo son. Uno de ellos está terminado. El otro es un punto de partida que deliberadamente no se ha terminado, y Liquid AI lo dice en la ficha: el checkpoint Base «solo se recomienda para tareas que requieran un ajuste fino intensivo». Esa única frase reorganiza todo lo demás en esta comparación, porque una base preentrenada y un asistente ajustado a instrucciones no son dos productos de la misma categoría: son dos etapas del mismo pipeline, vendidas por separado.

Las cifras de Aion-1.0-Instruct-2.3B que aparecen a continuación proceden de la model card y la configuración del repositorio de Microsoft, leídas directamente. Las cifras de LFM2.5 2.6B Base proceden de la model card de Liquid AI y su publicación de blog correspondiente. Ninguno de los dos modelos cuenta con una evaluación independiente; cuando una cifra es reportada por el proveedor, se indica como tal, y cuando una cifra no existe en absoluto, se dice en lugar de rellenarla.

Qué elimina "Base" de la comparación

LFM2.5 2.6B Base es el checkpoint preentrenado a partir del cual se creó cada variante de LFM2.5 2.6B. Se entrenó con aproximadamente 34 billones de tokens en 16 idiomas y continuará el texto en lugar de seguir una instrucción, porque el ajuste por instrucciones reside en el checkpoint hermano. Cárgalo y hazle una pregunta, y hará lo que hace un modelo de lenguaje sin posentrenamiento: extender tu prompt en una dirección plausible.

Eso invalida aproximadamente la mitad de la comparación habitual. No tiene sentido preguntar qué modelo sigue mejor las instrucciones, porque a uno de ellos no se le ha enseñado a hacerlo. No tiene sentido comparar el comportamiento de rechazo ni el formato de chat. Lo que queda es una pregunta más acotada y más útil: si estás construyendo un asistente en lugar de comprarlo, ¿es el 2.29B terminado de Microsoft un mejor punto de partida que el 2.69B en bruto de Liquid AI, o es peor porque su ajuste ya lo ha atado a una forma que quizá no quieras?

• Parámetros — 2,29B con embeddings atados para Aion; 2,69B para LFM2.5 2.6B Base.

• Arquitectura — Aion es un transformer convencional con atención de consultas agrupadas y un patrón de atención híbrido de 21 deslizantes más 7 completas; LFM2.5 es un híbrido de 22 bloques de convolución corta con doble compuerta y 8 capas GQA en un total de 30 capas.

• Volumen de entrenamiento — Microsoft no publica un recuento de tokens para Aion; Liquid AI publica aproximadamente 34 billones para LFM2.5.

• Contexto — 32,768 tokens para Aion, 131,072 para LFM2.5 2.6B Base, con una fase dedicada de extensión de contexto largo de 128K en el entrenamiento intermedio.

• Vocabulario — 200.029 para Aion; 128.000 para LFM2.5, duplicado in situ a partir del tokenizador de la generación anterior en lugar de reentrenarlo.

• Licencia — MIT para Aion; la LFM Open License v1.0 para LFM2.5 2.6B Base, que no es una licencia OSI y debe leerse antes de distribuir.

• Post-entrenamiento — un modelo ajustado por instrucciones con una plantilla de chat y un formato de llamada a herramientas, frente a un checkpoint preentrenado que no tiene ninguno de los dos.

La elección de arquitectura que explica la brecha de contexto

La diferencia cuádruple en la ventana de contexto no es una casualidad del presupuesto de entrenamiento. El diseño de LFM2.5 sustituye la mayoría de las capas de atención por bloques de convolución corta, lo que supone apostar a que la mezcla de secuencias no necesita atención completa en todas las capas para funcionar, y esa apuesta es lo que hace que una ventana de 131K sea asequible en un teléfono. El blog de Liquid AI lo dice explícitamente: el entrenamiento intermedio incluyó una fase dedicada a extender el contexto hasta 128K, así que la ventana larga se entrenó, no se configuró a posteriori.

Aion va en la dirección opuesta. Veintiuna de sus 28 capas usan una ventana deslizante de 2.048 tokens y solo siete usan atención completa, con un escalado YaRN de factor 16 aplicado a esas siete. El contexto publicado es 32.768, y el original_max_position_embeddings de 2.048 de la configuración es la pista: la ventana se alcanza mediante interpolación posicional desde un rango nativo corto. Esta es una técnica normal. Aquí también está sin medir —Microsoft no publicó ninguna evaluación de contexto largo, y el modelo tiene un día, así que nadie más ha ejecutado una tampoco.

LFM2.5 2.6B Base viene con un contexto largo que puedes verificar frente a una fase de entrenamiento documentada. Aion viene con uno más corto que deberías probar en lugar de asumir.

Qué te ofrece Aion que un checkpoint base no puede ofrecerte

Las ventajas del modelo terminado son concretas y aburridas, y eso es precisamente lo que las hace dignas de enumerarse. Aion-1.0-Instruct-2.3B incluye una plantilla de chat con un preámbulo de sistema predeterminado, un mensaje de sistema opcional proporcionado por el usuario que se añade a dicho preámbulo, y variables de plantilla para la identidad del modelo, la fecha de corte de conocimiento y la fecha actual. Incorpora un formato documentado para el uso de herramientas. Se ha alineado en materia de seguridad conforme al estándar de Microsoft, y la ficha indica XPIA, DIC y ECI como las métricas de seguridad que se propone mejorar: nombra las carencias en lugar de afirmar que están resueltas.

También incluye once puntuaciones de benchmark en un harness con nombre, lo que es más de lo que ofrece LFM2.5 2.6B Base. La tarjeta base imprime datos de arquitectura y entrenamiento y ninguna evaluación en absoluto, que es la elección correcta para un checkpoint que no está pensado para puntuarse en tareas para las que no fue ajustado. Si necesitas un número para poner en un documento de diseño, Aion tiene uno: IFEval 83.90, MMLU 55.15, GSM8K 74.91, MMLU-Pro 33.35, GPQA 28.18, entre otros, todos ejecutados por el proveedor en lm-evaluation-harness o en la implementación propia del benchmark.

Pero lee las advertencias en la propia ficha de Aion antes de considerarlo un techo de capacidades. En ella se dice que el modelo "no fue entrenado para destacar en conocimiento del mundo", que un modelo de este tamaño "puede pasar por alto detalles precisos, hacer afirmaciones erróneas o mostrar incapacidad para seguir razonamientos complejos de varios pasos", y que los datos multilingües representaban alrededor del 6 % del entrenamiento en ocho idiomas, con una calidad que variaba según el idioma. Es una sección de limitaciones inusualmente franca, y describe un modelo ajustado para tareas de resumen, reescritura, chat y sistemas operativos, más que para razonamiento abierto.

Qué te aporta el checkpoint base que un modelo ajustado no puede darte

Control, y una superficie de pérdida inicial limpia. Si tu producto necesita un modelo que escriba con un estilo propio de la casa, responda con un vocabulario de dominio o emita un formato estructurado estricto, el post-entrenamiento sobre un checkpoint base te lleva allí sin tener que lidiar con la pasada de alineación de otro. La ficha de Liquid AI es directa sobre los usos previstos: ajuste fino intensivo, asistentes específicos de idioma, asistentes específicos de dominio, entrenamiento con datos propietarios y experimentación con enfoques novedosos de post-entrenamiento.

También te da una decisión sobre licencias que debes tomar en lugar de heredarla. LFM2.5 2.6B Base se publica bajo la LFM Open License v1.0, una licencia personalizada, no Apache 2.0 ni MIT. Su ficha indica la licencia como «other» con el nombre «lfm1.0». Que eso sea un problema depende por completo de tu modelo de distribución, y es el tipo de cosa que sale a la luz tarde en una revisión legal si nadie la lee desde el principio. MIT, en cambio, es de las licencias más cortas que existen.

Y hay un argumento relacionado con las herramientas. LFM2.5 llegó con soporte desde el primer día en Transformers, vLLM, SGLang, llama.cpp, MLX y LM Studio, además de notebooks de ajuste fino publicados para Unsloth y TRL que cubren preentrenamiento continuado, SFT, DPO y GRPO. Aion Instruct necesita trust_remote_code=True y transformers 5.x, no tiene ningún archivo GGUF en su repositorio pese a que la tarjeta indica GGUF como formato, y sus versiones cuantizadas se prometen en lugar de publicarse. Para un modelo que pretendes ajustar, el ecosistema que lo rodea no es un detalle.

Dos formas de terminar en el mismo lugar.

Considere los dos caminos realistas para un equipo que quiere un pequeño asistente en el dispositivo y tiene un corpus de sus propios datos.

Ruta uno: toma Aion-1.0-Instruct-2.3B, evalúalo en tu tarea tal como viene y ajústalo solo si se queda corto. Empiezas con un asistente funcional, una plantilla de chat y un formato de llamada a herramientas, y tu primer experimento es barato porque el modelo ya está haciendo la tarea mal en lugar de no hacerla en absoluto. El riesgo es que estás corrigiendo la alineación de otra persona en lugar de enseñar desde cero, y con 2.29B no hay mucha capacidad para corregir.

Ruta dos: toma LFM2.5 2.6B Base, ejecuta preentrenamiento continuado en tu dominio y luego SFT. Obtienes un modelo moldeado por tus datos en lugar de ajustado a ellos, con una ventana de 131K disponible desde el inicio y una cadena de herramientas de entrenamiento bien documentada. El costo es que asumes todo el esfuerzo de post-entrenamiento, incluido el comportamiento de seguridad que Microsoft ya gestionaba.

La tercera vía es la que de hecho siguen la mayoría de los equipos: empezar por la vía uno para obtener una línea base y cambiarse a la vía dos solo si la línea base se estanca. Ese es un orden racional, y también es un argumento para no firmar un contrato largo con ninguno de los dos modelos antes de haber procesado tus propios datos con ambos.

Cuando tienes dos checkpoints en un producto, la superficie operativa empieza a desbordarse: configuraciones de servicio separadas, modos de fallo separados y cadencias de actualización separadas. La aportación de OrcaRouter en esa capa es un único endpoint sobre más de 200 modelos con un 0 % de margen y el precio de lista del proveedor repercutido, conmutación por error automática entre proveedores, y un DSL de enrutamiento que puede expresar una cadena de respaldo en lugar de un destino codificado de forma fija. Ni Aion-1.0-Instruct-2.3B ni LFM2.5 2.6B Base están en ese catálogo —ambos son pesos autoalojados, y Aion no tiene ninguna API alojada en ningún sitio—, así que lo que te aporta el router es el nivel superior a ellos: un lugar al que enviar las solicitudes que tu modelo en el dispositivo no debería estar gestionando.

La decisión, comprimida

Si quieres algo que esté funcionando esta semana y responda preguntas, elige Aion-1.0-Instruct-2.3B. Está terminado, es MIT, ocupa 4,6 GB en bfloat16 y sus limitaciones están documentadas en sus propias palabras en lugar de que las descubras tú.

Si quieres construir un modelo en lugar de adoptar uno, elige LFM2.5 2.6B Base. Ocupa 5.4 GB en bfloat16, tiene una ventana de 131K que fue entrenada en lugar de escalada, cuenta con una cadena de herramientas real para ajuste fino y no tiene opiniones sobre cómo debería sonar tu asistente porque no se le ha dado ninguna.

Lo que no deberías hacer es tratarlos como intercambiables porque el número de parámetros es similar. Un modelo base de 2,69B y un modelo instruct de 2,29B se diferencian en menos que el error de redondeo de la mayoría de las fichas técnicas y, en la práctica, en todo un pipeline de postentrenamiento; y elegir entre ellos es una decisión sobre quién hace el trabajo.

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.

La ficha de Liquid AI enumera las cifras que importan para un objetivo de ajuste fino —2,69 mil millones de parámetros, 30 capas, 34 billones de tokens de entrenamiento, una ventana de 131.072 tokens— y ninguna tabla de evaluación, porque un checkpoint base no está pensado para evaluarse en tareas para las que no fue ajustado.

Las preguntas abiertas

Para Aion: si llegan las compilaciones cuantizadas que Microsoft prometió, si la ventana de contexto largo resiste una prueba de la aguja real y qué ocurre con este checkpoint cuando llegue la versión de Windows más optimizada a finales de enero de 2027. La ficha presenta esta carga como una vista previa de ese modelo, lo que significa que su sucesor ya está programado.

Para LFM2.5 2.6B Base: si la comunidad construye lo suficiente sobre él como para que sus recetas de ajuste fino se conviertan en la ruta de referencia, y cómo interpretan el LFM Open License los equipos jurídicos fuera de la zona de confort habitual de las licencias permisivas. Ambas pueden responderse con tiempo, y ninguna puede responderse con una tabla de benchmarks.

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.

La ficha de Aion indica el uso previsto en una sola línea: el SLM fundacional para tareas de Windows en el dispositivo, con la integración en el sistema operativo apuntada a enero de 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.

Recuentos de parámetros casi idénticos, entregables diferentes: ajustado a instrucciones y MIT frente a preentrenado y con licencia personalizada, con la ventana de contexto en sentido contrario.