Tarjeta de título para la comparación entre Aion-1.0-Instruct-2.3B y Qwen 3.8, que contrasta un modelo Windows en dispositivo de 2.3B con un modelo de visión-lenguaje de pesos abiertos de 27B.
Guides & Insights

Aion-1.0-Instruct-2.3B vs Qwen 3.8: un componente de Windows se encuentra con un caballo de batalla de 27B

Autor

jinhao.song

Fecha de publicación

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

El 18 de noviembre de 2026, un repositorio llamado Aion-1.0-Instruct-2.3B apareció en la organización de Hugging Face de Microsoft con un único commit que dice "Duplicate from asgmodels/Aion-Instruct-v1". Ni entrada de blog, ni anuncio de la tarjeta del modelo, ni nota de prensa, ni cobertura. Su tarjeta lo describe como el modelo de lenguaje pequeño fundacional para el trabajo de Windows en el dispositivo y añade que una versión aún más optimizada de este, empaquetada con el modelo de moderación de contenido de Microsoft, se convertirá en el SLM del sistema operativo Windows para finales de enero de 2027. Compárese eso con Q​wen3.8-27B, el modelo de visión y lenguaje de pesos abiertos de 27B que A​libaba publicó en agosto de 2026, y los niveles alojados Q​wen3.8-Flash y Q​wen3.8-Max superiores a él, y la comparación deja de girar en torno a la calidad muy rápidamente. Uno es un componente dimensionado para un portátil. El otro es un modelo de propósito general que se alquila por millones de tokens. Casi todo lo que te diría una tabla de benchmarks es irrelevante. Q​wen3.8-27B se sirve como qwen/qwen3.8-27b en el catálogo de OrcaRouter, con la misma clave y el mismo endpoint que los niveles Q​wen3.8-Flash y Q​wen3.8-Max.

Qué contiene realmente el repositorio de Aion

Empieza por lo que se puede comprobar, porque la lista es corta. El repositorio se creó a las 17:05 UTC del 18 de noviembre de 2026 y no se ha modificado desde entonces. Tiene tres «me gusta» y, en el momento de escribir esto, cero descargas. Los pesos son un único archivo safetensors BF16 de 4,58 GB, coherente con el nombre 2.3B a dos bytes por parámetro. El vocabulario es de 200.029 tokens. La licencia es MIT.

La arquitectura es más inusual de lo que sugiere el tamaño. Veintiocho capas alternan en un patrón híbrido —veintiuna usan atención de ventana deslizante con una ventana de 2.048 tokens y siete usan atención completa—, y las capas de atención completa llevan una extensión YaRN de 16×. La atención de consultas agrupadas es de 24 cabezas de consulta a 8 cabezas de clave-valor, los embeddings están vinculados y la ficha te indica que lo ejecutes con código de modelado personalizado mediante trust_remote_code. El repositorio incluye su propia implementación de transformers en lugar de mapearse a una arquitectura estándar.

La procedencia es la parte que no está confirmada. El commit dice que el repositorio es un duplicado de asgmodels/Aion-Instruct-v1, y el enlace de la licencia apunta al archivo LICENSE de ese repositorio. Tanto asgmodels/Aion-Instruct-v1 como un repositorio hermano de Microsoft llamado Aion-Instruct-Preview-Sample devuelven un error de autenticación a las solicitudes anónimas a la API, por lo que son privados o tienen acceso restringido. Podemos ver que Microsoft copió el checkpoint en un repositorio público. No podemos ver qué contenía el original, quién lo entrenó, con qué datos ni por qué la organización se llama asgmodels. Cualquiera que describa el entrenamiento de este modelo está adivinando.

Screenshot of the microsoft/Aion-1.0-Instruct-2.3B model card on Hugging Face, showing the Microsoft Windows Applied Sciences Group attribution, the on-device SLM description, the January 2027 Windows OS SLM target, and the note that only the unquantised model is published first.

Los números de la tarjeta y lo que valen

La ficha del modelo publica once benchmarks. MMLU 55.15, MMLU-Pro 33.35, MMMLU 45.51, GPQA 28.18, GSM8K 74.91, GSMPlus 49.56, MATH-500 48.00, IFEval 83.90, IFBench 32.00, Multi-IF 64.70 y chrF++ 43.18. La sección de metodología indica que las ejecuciones utilizaron lm-evaluation-harness de EleutherAI siempre que existiera una implementación de la tarea, y el repositorio propio del benchmark en caso contrario, con GPT-4o como juez en las tareas marcadas como puntuadas por juez. Las puntuaciones son porcentajes.

Todo ello lo reporta el proveedor y nada de ello ha sido reproducido. Sin embargo, para un modelo tan pequeño, el patrón de la tabla es más informativo que cualquier cifra individual. MMLU en 55,15 es respetable para 2,3B parámetros. MMLU-Pro en 33,35 y GPQA en 28,18 no lo son: esas son las pruebas de conocimiento más difíciles y centradas en el razonamiento, y muestran claramente el techo. GSM8K en 74,91 con coincidencia flexible es un resultado materialmente más débil que el que daría la misma cifra con coincidencia estricta. IFEval 83,90 es el resultado relativo más fuerte de la ficha del modelo: el modelo sigue bien las instrucciones con formato para su tamaño, que es exactamente lo que un asistente de sistema operativo necesita hacer.

Hay una segunda advertencia que la ficha indica claramente y que es fácil pasar por alto. El checkpoint publicado es el modelo sin cuantizar, y la ficha dice que las versiones cuantizadas llegarán más adelante. La compilación ONNX ya existe por separado — Microsoft publicó Aion-1.0-Instruct-2.3B-ONNX-WebGPU unos tres minutos después del repositorio BF16, a aproximadamente 1,3 GB, usando entrenamiento con reconocimiento de cuantización por bloques INT4 con tamaño de bloque 32 en capas lineales y tamaño de bloque 64 en embeddings, con activaciones FP16 y caché KV, orientado a WebGPU mediante ONNX Runtime GenAI. Ese es el artefacto de despliegue que importa, y es un archivo diferente del que la mayoría de la gente descargará primero.

Por qué Q​wen3.8-27​B es un tipo de objeto diferente

Q​wen3.8-27B tiene 27,8 mil millones de parámetros distribuidos en dieciocho fragmentos BF16 que suman 55,6 GB, con una torre de visión para entrada de imágenes y vídeo. Sus sesenta y cuatro capas se organizan en dieciséis bloques repetidos de tres capas de atención lineal Gated DeltaNet por cada capa completa de Gated Attention, con un tamaño oculto de 5.120, con 48 cabezas de valor en la ruta de atención lineal frente a 16 cabezas de consulta-clave. El contexto es de 262.144 tokens de forma nativa y de 1.000.000 con YaRN. El modo de pensamiento está activado de forma predeterminada, con hasta 262.144 tokens de razonamiento y 131.072 tokens de respuesta, y el muestreo recomendado difiere entre los modos con y sin pensamiento. La licencia es Apache 2.0.

La brecha que importa no son los parámetros. Es que un checkpoint de 55,6 GB no se ejecuta en el dispositivo para el que está diseñado el modelo Aion. Todo el diseño del modelo Aion —ventanas deslizantes de 2.048 tokens, entrenamiento consciente de cuantización INT4, una compilación ONNX WebGPU de 1,3 GB— es un argumento sobre qué cabe en la memoria de una máquina que alguien ya tiene. El diseño de Qwen3.8-27B asume un clúster de servicio. No se elige entre ellos en un marcador. Se elige porque uno de los dos no es candidato para el trabajo del otro.

Dónde se pueden colocar los números uno al lado del otro y dónde no

Hay una referencia cruzada realmente útil aquí, y no está en la ficha de ninguno de los dos proveedores. Artificial Analysis mide Q​wen3.8-27B en Intelligence Index v5.0.1, que combina nueve evaluaciones: AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 y Terminal-Bench-Sci. En ese índice, Q​wen3.8-27B obtiene 20, frente a una mediana de 10 para modelos comparables. La misma medición lo sitúa en 0,50 USD por millón de tokens de entrada y 3,00 USD por millón de salida, 3,53 USD por tarea, 38,7 minutos por tarea del índice frente a una mediana de 11,5, y 128 millones de tokens consumidos a lo largo del índice frente a una mediana de 77,8 millones. Es más lento y más verboso que el resto, y lo paga en coste por tarea incluso con un precio moderado por token.

Comparison scoreboard for Aion-1.0-Instruct-2.3B and Qwen3.8-27B, contrasting parameters, context window, modality, licence, footprint and evaluation status.

No hay equivalente para Aion. A 19 de noviembre de 2026, Artificial Analysis no tiene ninguna entrada para ningún modelo de Aion, y ningún harness independiente ha publicado una ejecución. Así que el marcador honesto tiene un hueco, y el hueco está del lado del modelo más nuevo.

• Parámetros — Aion-1.0-Instruct-2.3B: aproximadamente 2,3B, un archivo BF16 de 4,58 GB. Q​wen3.8-27B: 27,8B, dieciocho fragmentos, 55,6 GB BF16.

• Contexto — Aion-1.0-Instruct-2.3B: 32.768 tokens, según la ficha de la compilación ONNX; la ficha de BF16 no indica ninguna cifra. Qwen3.8-27B: 262.144 nativos, 1.000.000 con YaRN.

• Modalidad — Aion-1.0-Instruct-2.3B: solo texto. Q​wen3.8-27B: texto, imagen y video de entrada, texto de salida.

Licencia — Aion-1.0-Instruct-2.3B: MIT. Qwen3.8-27B: Apache 2.0. Ambas permiten el uso comercial; MIT es la menos restrictiva de las dos.

• Huella ejecutable — Aion-1.0-Instruct-2.3B: 1,3 GB INT4 ONNX para WebGPU, o 4,58 GB BF16. Qwen3.8-27B: 55,6 GB BF16, más memoria de servicio.

• Evaluación independiente — Aion-1.0-Instruct-2.3B: ninguno. Qwen3.8-27B: Índice de inteligencia 20 en v5.0.1, además de una ficha del proveedor que reporta LiveCodeBench v6 90,3, GPQA Diamond 89,2, Terminal-Bench 2.1 con 73,0, SWE-bench Pro 61,7 y HLE 30,8.

• Fecha de publicación — Aion-1.0-Instruct-2.3B: 18 de noviembre de 2026, con un día de antigüedad y sin anunciar. Q​wen3.8-27B: anunciado el 3 de agosto de 2026, pesos publicados el 14 de agosto de 2026.

Lo que la comparación está decidiendo en realidad

Si estás creando una aplicación de escritorio que necesita clasificar texto, seguir un formato estructurado, resumir un documento o enrutar una solicitud del sistema operativo sin una ida y vuelta por la red, el modelo Aion entra en consideración y Qwen3.8-27B no. La ventana de 32K basta para el resumen de un documento y no se acerca ni de lejos a ser suficiente para una tarea de programación de todo un repositorio. La licencia MIT elimina la revisión legal. La compilación ONNX WebGPU se ejecuta donde un checkpoint de 55,6 GB no puede llegar.

Si necesitas un agente que trabaje con contextos largos, lea capturas de pantalla, escriba código sobre una base de código extensa o ejecute bucles de herramientas de varios pasos, ocurre lo contrario. Qwen3.8-27B tiene el contexto, la modalidad y una medición independiente, y sus debilidades —la latencia y la verbosidad en tokens— son cantidades conocidas que puedes valorar. El modelo Aion no tiene ninguna ejecución independiente, lo que en la práctica significa que eres tú quien hace la evaluación, con tus propias tareas, antes de que toque algo que importe.

Hay una tercera postura que probablemente sea la correcta para la mayoría de los equipos: no elegir. Un modelo en dispositivo de 2.3B y un modelo alojado de 27B son complementarios, y la arquitectura que usa ambos —un modelo local pequeño para las llamadas frecuentes, baratas y sensibles a la latencia, y un modelo alojado grande para las raras, caras y difíciles— es la que sobrevive al contacto con una factura. Q​wen3.8-27B está disponible a través de OrcaRouter como qwen/qwen3.8-27b a $0.33 por millón de tokens de entrada y $2.40 por millón de salida, con la misma clave y el mismo punto de conexión que los niveles Q​wen3.8-Flash y Q​wen3.8-Max, con conmutación automática por error entre proveedores y sin recargo por token sobre el precio de lista del proveedor. Nosotros mismos ejecutamos esos pesos, así que un cambio de precio del proveedor llega aquí el mismo día en lugar de después de un ciclo de reajuste de precios. Aion-1.0-Instruct-2.3B no está en OrcaRouter —es una descarga que ejecutas tú mismo—, y los dos pueden convivir en la misma aplicación sin que ninguno sepa de la existencia del otro.

Screenshot of the OrcaRouter model page for qwen/qwen3.8-27b, showing the Qwen3.8 27B listing with its 262K-token context, text and image and video input, text output, and pricing.

Qué hay que vigilar, y qué cambiaría esta pieza

Tres cosas cambiarían sustancialmente el panorama, y ninguna ha ocurrido todavía. Que Microsoft publique un anuncio, una ficha de modelo con detalles de entrenamiento o una ejecución de benchmark fuera del propio arnés de la empresa. Que Artificial Analysis añada una entrada de Aion, lo que daría al modelo más reciente el contrapeso independiente que Q​wen ya tiene. O que la cuestión de BF16 cuantizado frente a INT4 se resuelva en un delta de precisión publicado, que es la cifra que decide si la cuantización en dispositivo realmente se sostiene en esta arquitectura.

Hasta entonces, trata Aion-1.0-Instruct-2.3B como lo que muestra el repositorio: un modelo pequeño, con licencia permisiva, solo de texto y orientado a Windows, publicado sin ceremonias, de un día de vida, con una tabla de benchmarks del proveedor y ninguna comprobación independiente. Trata Q​wen3.8-27B como una cantidad conocida con mediciones de terceros publicadas, una ventana de contexto ocho veces mayor y una factura de servicio acorde. La pregunta equivocada es cuál gana. La correcta es cuál de esos dos objetos le falta a tu aplicación.