Una tarjeta de título generada que dice «Aion-1.0-Instruct-2.3B vs MiniCPM5 2B» con el subtítulo «El que ya tiene una tabla de puntuaciones tiene un rival en ella», sobre dos tarjetas: MiniCPM5-2B con «966K descargas», «35 benchmarks publicados» y «GGUF, MLX, GPTQ», y Aion-1.0-Instruct-2.3B con «0 descargas, 3 me gusta», «11 benchmarks publicados» y «solo Safetensors».
Guides & Insights

Aion-1.0-Instruct-2.3B vs MiniCPM5 2B: El que ya tiene un marcador ya tiene un rival en él

Autor

Elias Hawthorne

Fecha de publicación

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

La ficha del modelo de MiniCPM5-2B incluye una tabla comparativa con ocho modelos de referencia, y Aion-1.0-Instruct-2.3B no es uno de ellos. Eso no es un desaire; es una marca temporal. La tabla de OpenBMB se construyó en torno a modelos que existían cuando los pesos se publicaron el 6 de septiembre de 2026. El checkpoint de Microsoft apareció en Hugging Face el 18 de noviembre de 2026, setenta y tres días después, sin anuncio y con tres «me gusta». Nadie ha puesto los dos lado a lado, porque durante el primer día de su vida nadie pudo. MiniCPM5-2B, mientras tanto, es el modelo más descargado de esta clase por un amplio margen: aproximadamente 966.000 descargas frente al cero de Aion.

Así que esto no es una comparación entre dos modelos medidos. Es una comparación entre un modelo que llegó con un marcador y una base de fans y un modelo que llegó con un archivo de configuración y una promesa sobre enero de 2027. Lo que sigue utiliza las cifras publicadas por OpenBMB para MiniCPM5-2B cuando existen, la ficha de Microsoft para Aion-1.0-Instruct-2.3B, y dice claramente cuándo una celda no tiene nada.

Dos modelos de dos mil quinientos millones de parámetros que no se parecen

Los tamaños de los titulares son lo bastante parecidos como para invitar a una comparación de fichas técnicas, y luego las fichas técnicas se niegan a coincidir.

• Parámetros — MiniCPM5-2B tiene 2.52B en total, de los cuales 1.98B no corresponden a embeddings; Aion-1.0-Instruct-2.3B tiene 2.29B con los embeddings de entrada y salida vinculados.

• Profundidad — 42 capas para MiniCPM5-2B, sobre una arquitectura estándar LlamaForCausalLM; 28 capas para Aion, sobre código de modelado personalizado que requiere trust_remote_code.

• Atención — 16 cabezas de consulta y 2 cabezas de clave/valor para MiniCPM5-2B; 24 cabezas de consulta y 8 cabezas de clave/valor con dimensión de cabeza 128 para Aion, en un patrón híbrido de 21 capas de ventana deslizante de 2.048 tokens y 7 capas de atención completa.

• Contexto — 131.072 tokens frente a 32.768.

• Idiomas — inglés y chino para MiniCPM5-2B; ocho idiomas para Aion, con datos multilingües en aproximadamente el 6 % del entrenamiento.

• Licencia — Apache 2.0 frente a MIT. Ambas permisivas, ambas seguras para uso comercial.

• Ecosistema — GGUF, MLX, GPTQ, checkpoints base, SFT, midtrain y draft, además de los conjuntos de datos de entrenamiento, frente a safetensors y la promesa de futuras compilaciones cuantizadas.

Esa última línea es donde la diferencia deja de ser una cuestión de calidad del modelo. MiniCPM5-2B es un lanzamiento que puedes desplegar en cuatro runtimes diferentes esta tarde. Aion-1.0-Instruct-2.3B es un lanzamiento que puedes desplegar en uno, con un repositorio hermano de ONNX-WebGPU subido esa misma noche, y un formato GGUF que figura en la tarjeta pero no en el listado de archivos.

Las cifras que OpenBMB publicó, y las que no.

La ficha de MiniCPM5-2B afirma haber alcanzado el estado del arte de código abierto en la clase de 2B y, de forma poco habitual, presenta las pruebas en 35 benchmarks repartidos en nueve categorías. Las cifras destacadas: AIME 2025 con 86,5, AIME 2026 con 86,5, MMLU-Pro 70,8, GPQA-Diamond 70,2, IFEval 86,7, LiveCodeBench v6 69,1, SWE-bench Verified 46,4, BFCL v4 66,6, τ²-Bench Telecom 97,1, AA-LCR 59,0 y NoLiMa 68,1.

La ficha también publica un promedio resumen de todos ellos: 53,9 para MiniCPM5-2B, 51,1 para Qwen3.5-4B, 42,7 para Granite 4.2 3B y 33,2 para LFM2.5-2.6B. Esas son ejecuciones del propio harness del proveedor sobre su propia selección de benchmarks, y la selección favorece exactamente aquello para lo que se entrenó el modelo: uso de herramientas agéntico, programación y contexto largo. Un proveedor que elige las pruebas puede elegir la clasificación. Lee la tabla como una declaración sobre prioridades de entrenamiento, sobre las que es honesta, y no como un veredicto independiente, que no lo es.

La ficha de MiniCPM5-2B no contiene ningún benchmark en el que aparezca Aion-1.0-Instruct-2.3B, y la ficha de Aion no contiene ninguna de las nueve categorías de MiniCPM5-2B. La superposición es real pero estrecha: MMLU-Pro, GPQA, IFEval y las variantes de AIME son los únicos puntos en los que las dos tablas publicadas hablan el mismo idioma, e incluso ahí difieren las configuraciones del arnés. En esas filas compartidas la brecha es amplia —70,8 frente a 33,35 en MMLU-Pro, 70,2 frente a 28,18 en GPQA—, pero se trata de una comparación entre un modelo entrenado para razonamiento y trabajo agéntico y otro entrenado para comprensión y reescritura de documentos, y los números dicen exactamente eso.

Donde la honestidad de Aion es la historia completa

El aspecto interesante de la ficha de Microsoft no son sus puntuaciones. Es que las puntuaciones son poco favorecedoras y, aun así, la ficha las imprime, en una tabla que también nombra su modelo juez, su harness y dos benchmarks cuyos ajustes de puntuación hacen que se vean mejor de lo que sugiere el titular. Una ficha escrita para vender algo no incluye una fila que diga MMLU-Pro 33.35.

Un 33.35 en MMLU-Pro no es una cifra que un equipo de lanzamiento elija. Un 28.18 en GPQA tampoco. Su presencia es evidencia de que esta tabla salió de un pipeline de evaluación en lugar de uno de marketing, y esa es una razón genuina para confiar en las afirmaciones que la rodean: la ventana de 32,768 tokens, los ocho idiomas, el corte de conocimiento de 2025-12 y el recuento de 2.29B parámetros derivado de una configuración de embeddings atados.

La misma franqueza recorre las limitaciones. La ficha afirma sin rodeos que un modelo de este tamaño «puede pasar por alto detalles finos, hacer afirmaciones erróneas o mostrar incapacidad para seguir razonamientos complejos de varios pasos», que «no fue entrenado para destacar en conocimiento del mundo» y que la calidad de los resultados varía entre los ocho idiomas. Compare eso con una tabla de 35 benchmarks que afirma alcanzar el estado del arte, y estará ante dos teorías diferentes de para qué sirve una ficha de modelo. Ninguna de las dos es deshonesta. Una es una declaración de capacidades y la otra es una divulgación.

El argumento de valor de lo local y la trampa del contexto largo

El planteamiento de Microsoft no deja lugar a dudas: Aion Instruct es «el modelo de lenguaje pequeño (SLM) fundacional del ecosistema de Windows», diseñado para tareas de texto y del sistema operativo en el dispositivo, y una versión más potente, además de un modelo de moderación de contenido, se convertirán en el SLM del sistema operativo Windows para finales de enero de 2027. La carga se describe como «una introducción a lo que está por venir».

El planteamiento de MiniCPM5-2B es más amplio: asistentes locales, agentes de programación, flujos de trabajo con uso de herramientas y razonamiento, en teléfonos, PC y cabinas inteligentes, con un conjunto de entrenamiento de agentes de 500.000 muestras y más de 80.000 muestras de RL publicadas junto con los pesos. Es un modelo hecho para actuar, no solo para responder.

La brecha de contexto de 131K frente a 32K es donde esa diferencia se manifiesta con más crudeza, y MiniCPM5-2B tiene las pruebas: AA-LCR 59.0 y NoLiMa 68.1 son benchmarks de contexto largo, ambos ejecutados por el proveedor y ambos publicados con el marcador visual que su ficha utiliza para los resultados puntuados por jueces. Aion tiene una ventana de 32.768 tokens a la que, según su propia configuración, se llega mediante escalado YaRN a partir de un rango nativo de 2.048 tokens, y ninguna evaluación de contexto largo en absoluto. Si la carga de trabajo implica documentos largos, la decisión ya está tomada por ti, y la tomó la evidencia en lugar del número de parámetros.

Es en los stacks de agentes donde la comparación cambia de forma.

MiniCPM5-2B se entrenó para bucles de herramientas: 500K muestras de SFT para agentes, RL al estilo GRPO en tareas verificables y filas de benchmarks para SWE-bench Verified, Terminal-Bench, BFCL y una ejecución τ³ del dominio bancario. Aion-1.0-Instruct-2.3B documenta un formato de llamada a herramientas y no publica ningún benchmark agéntico, porque se creó para resumen, reescritura y chat en un sistema operativo.

Esa asimetría merece pensarse en términos arquitectónicos y no como una puntuación. Un bucle de agente no es una sola llamada al modelo; es un plan, una llamada a herramienta, un resultado, una replanificación y, a menudo, una segunda opinión, y cada paso es una solicitud separada con su propia latencia y probabilidad de fallo. Esta es la capa donde el enrutamiento deja de ser una nota al pie de la infraestructura y empieza a formar parte del diseño. OrcaRouter, con su fusión de modelos, ejecuta un panel de modelos contra la misma solicitud y combina sus respuestas, y su DSL de enrutamiento compone varios modelos en una sola llamada — las dos primitivas que importan cuando «un modelo pequeño, una respuesta» es la forma equivocada para la tarea. Ni Aion-1.0-Instruct-2.3B ni MiniCPM5-2B están en nuestro catálogo hoy, ya que ambos son pesos autoalojados en lugar de endpoints alojados; el argumento trata de las solicitudes que tu agente local no puede terminar por sí solo, no de estos dos checkpoints.

La versión práctica: usa el modelo pequeño para los pasos baratos y haz explícita la ruta de escalado en lugar de confiar en que el modelo de 2B acierte al cuarto intento. Un modelo como MiniCPM5-2B con 46,4 en SWE-bench Verified es impresionante para su tamaño y aun así falla más de la mitad de las veces, y ninguna cantidad de ingeniería de prompts cambia la aritmética de un bucle de cinco pasos.

Lo que realmente puedes verificar hoy

Esta es la frase que decide la mayoría de estas comparaciones. Con MiniCPM5-2B puedes descargar un GGUF, cargarlo en llama.cpp, ejecutar los comandos de benchmark de la propia ficha y comprobar si reproduces 86.5 en AIME. Con Aion-1.0-Instruct-2.3B puedes descargar safetensors bfloat16, instalar transformers 5.x, aceptar trust_remote_code=True y ejecutar el mismo arnés en sus once benchmarks —lo cual es más trabajo pero totalmente posible, y nadie en público lo ha hecho.

Lo que no puedes hacer con Aion es ejecutarlo en el entorno de ejecución que más probablemente esté en la máquina a la que te diriges. La ficha enumera GGUF como nombre de biblioteca; el repositorio contiene safetensors, archivos del tokenizador, dos módulos de modelado personalizados y una plantilla de chat. Existe el repositorio hermano ONNX-WebGPU, lo que hace plausible el despliegue en navegador y en DirectML, pero una compilación GGUF se promete en lugar de entregarse. Si tu objetivo de despliegue es llama.cpp o LM Studio, ese único archivo faltante lo decide todo hasta que aparezca.

Otras dos cosas merecen que las compruebes tú mismo en lugar de fiarte. Primero, la ventana de 32K: llénala y comprueba si la cola del documento sobrevive a las capas de ventana deslizante. Segundo, la ruta de llamada a herramientas: el formato de Aion envuelve los esquemas y las llamadas en etiquetas personalizadas, y la elegancia con la que se recupera de una llamada malformada no es algo que una tarjeta pueda decirte.

A screenshot of OpenBMB's MiniCPM5-2B model card, showing the 2.52B total and 1.98B non-embedding parameter counts, 42 layers, a 131,072-token context, the 35-benchmark table with AIME 2025 86.5, MMLU-Pro 70.8, GPQA-Diamond 70.2, SWE-bench Verified 46.4, AA-LCR 59.0 and NoLiMa 68.1, and the GGUF, MLX and GPTQ checkpoints listed alongside.

La ficha de OpenBMB es la única de las dos que publica siquiera resultados de contexto largo y de agentes —AA-LCR 59.0, NoLiMa 68.1, SWE-bench Verified 46.4—, junto con una ventana de 131.072 tokens y una arquitectura Llama estándar.

Dos casos de uso honestos

Elige MiniCPM5-2B cuando el trabajo implique herramientas, código, documentos largos o chino. Su ficha se escribió para esas tareas, sus benchmarks las cubren, sus cuantizaciones existen y su licencia es Apache 2.0. El riesgo es que la afirmación de estar a la vanguardia se basa en el propio conjunto de comparación del proveedor, y los modelos de 2 mil millones de parámetros en bucles de agentes todavía fallan de formas que cuestan tokens reales.

Tome Aion-1.0-Instruct-2.3B cuando la tarea sea una aplicación de Windows que resuma, reescriba o clasifique documentos locales en uno de ocho idiomas, sin conexión y sin que los datos salgan nunca del dispositivo. Tiene menos contexto, es más débil en todos los benchmarks compartidos y está respaldado por una ficha que lo indica. Lo que ofrece es un contrato documentado para el dispositivo y una vía plausible para entrar en el sistema operativo para enero de 2027 —y, por ahora, un número muy reducido de personas que lo han ejecutado.

La comparación se leerá de otra manera dentro de un mes. Si aparece un GGUF, la objeción sobre el runtime desaparece. Si aparece una ejecución independiente del harness, las cifras dejan de ser exclusivas de Microsoft. Ninguna de las dos cosas ha ocurrido aún, y fingir lo contrario sería lo único que este artículo no puede hacer.

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 in the Windows ecosystem, the 32,768-token context, the eleven published benchmarks including MMLU-Pro 33.35 and GPQA 28.18, and the note that a further optimised version becomes the Windows OS SLM by the end of January 2027.

La ficha de Microsoft, que imprime sus propias puntuaciones débiles y etiqueta los ajustes de puntuación laxos — la razón para confiar en las afirmaciones sobre la especificación incluso allí donde las afirmaciones sobre el benchmark son poco destacables.

A generated two-column scoreboard comparing Aion-1.0-Instruct-2.3B, with 2.29B parameters, a 32,768-token context, MMLU-Pro 33.35, GPQA 28.18, safetensors only and 0 downloads, against MiniCPM5-2B, with 2.52B total parameters, a 131,072-token context, MMLU-Pro 70.8, GPQA 70.2, GGUF, MLX and GPTQ formats and about 966K downloads. Footnoted that both columns are vendor-reported and neither model has an independent evaluation.

El marcador tal como está la evidencia: 35 benchmarks publicados y cuatro formatos de ejecución por un lado, 11 benchmarks y safetensors por el otro.