Une carte de titre générée indiquant « Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base » avec le sous-titre « Presque la même taille, des livrables complètement différents », au-dessus de deux cartes de pipeline : LFM2.5 2.6B Base avec « préentraîné, puis votre fine-tuning » et « 2,69B, contexte de 131K, LFM Open License », et Aion-1.0-Instruct-2.3B avec « déjà ajusté aux instructions » et « 2,29B, contexte de 32K, MIT ».
Guides & Insights

Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base : presque la même taille, des livrables complètement différents

Auteur

Elias Hawthorne

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Sur le papier, c’est actuellement l’affrontement le plus serré du domaine des petits modèles. Aion-1.0-Instruct-2.3B compte 2,29 milliards de paramètres ; LFM2.5 2.6B Base en compte 2,69 milliards. Tous deux sont denses, exclusivement textuels, à poids ouverts, visent un déploiement sur appareil et sont arrivés sans événement de lancement — celui de Microsoft le 18 novembre 2026, le checkpoint de base de Liquid AI le 4 août 2026. Si on les alignait par spécifications, on conclurait qu’ils sont concurrents.

Ils ne le sont pas. L’un d’eux est terminé. L’autre est un point de départ qui n’a délibérément pas été finalisé, et Liquid AI le dit sur la fiche : le checkpoint Base « n’est recommandé que pour les tâches qui nécessitent un fine-tuning intensif ». Cette seule phrase réorganise tout le reste de cette comparaison, car une base préentraînée et un assistant ajusté aux instructions ne sont pas deux produits de la même catégorie — ce sont deux étapes d’un même pipeline, vendues séparément.

Les chiffres ci-dessous pour Aion-1.0-Instruct-2.3B proviennent de la fiche modèle et de la configuration du dépôt de Microsoft, lues directement. Les chiffres de LFM2.5 2.6B Base proviennent de la fiche modèle de Liquid AI et de son article de blog associé. Aucun des deux modèles ne dispose d’une évaluation indépendante ; lorsqu’un chiffre est rapporté par le fournisseur, il est signalé, et lorsqu’un chiffre n’existe pas du tout, cela est indiqué plutôt que comblé.

Ce que « Base » retire de la comparaison

LFM2.5 2.6B Base est le checkpoint pré-entraîné à partir duquel toutes les variantes de LFM2.5 2.6B ont été créées. Il a été entraîné sur environ 34 billions de tokens répartis sur 16 langues, et il continuera le texte plutôt que de suivre une instruction, car l'ajustement aux instructions réside dans le checkpoint frère. Chargez-le et posez-lui une question : il fera ce que fait un modèle de langage sans post-entraînement, c'est-à-dire prolonger votre prompt dans une direction plausible.

Cela invalide environ la moitié de la comparaison habituelle. Il est inutile de demander quel modèle suit mieux les instructions, car l’un des deux n’a pas été entraîné à le faire. Il est inutile de comparer le comportement de refus ou le formatage des conversations. Ce qui reste est une question plus étroite et plus utile : si vous construisez un assistant plutôt que de l’acheter, le 2,29B finalisé de Microsoft est-il un meilleur point de départ que le 2,69B brut de Liquid AI — ou est-il pire, parce que son ajustement l’a déjà engagé dans une forme que vous pourriez ne pas vouloir ?

Paramètres — 2,29 Md avec embeddings liés pour Aion ; 2,69 Md pour LFM2.5 2.6B Base.

• Architecture — Aion est un transformer conventionnel doté d’une attention à requêtes groupées et d’un motif d’attention hybride à 21 couches glissantes plus 7 couches complètes ; LFM2.5 est un hybride de 22 blocs de convolution courte à double portillon et de 8 couches GQA réparties sur 30 couches au total.

• Volume d'entraînement — Microsoft ne publie pas de nombre de tokens pour Aion ; Liquid AI publie environ 34 billions pour LFM2.5.

• Contexte — 32 768 tokens pour Aion, 131 072 pour LFM2.5 2.6B Base, avec une phase dédiée d'extension du contexte long à 128K en mid-training.

• Vocabulaire — 200 029 pour Aion ; 128 000 pour LFM2.5, doublé sur place à partir du tokenizer de la génération précédente plutôt que réentraîné.

• Licence — MIT pour Aion ; la LFM Open License v1.0 pour LFM2.5 2.6B Base, qui n'est pas une licence OSI et qu'il faut lire avant de livrer.

• Post-entraînement — un modèle ajusté sur instructions avec un modèle de chat et un format d'appel d'outils, par rapport à un checkpoint pré-entraîné qui ne dispose ni de l'un ni de l'autre.

Le choix d’architecture qui explique l’écart de contexte

La différence d’un facteur quatre au niveau de la fenêtre de contexte n’est pas un accident lié au budget d’entraînement. La conception de LFM2.5 remplace la plupart des couches d’attention par des blocs à convolution courte, ce qui revient à parier que le mélange de séquences n’a pas besoin d’une attention complète à chaque couche pour fonctionner — et c’est ce pari qui rend une fenêtre de 131K abordable sur un téléphone. Le blog de Liquid AI précise explicitement que l’entraînement intermédiaire comprenait une phase dédiée d’extension de contexte à 128K, donc la longue fenêtre a été entraînée, et non configurée après coup.

Aion va dans l'autre sens. Vingt et un de ses 28 couches utilisent une fenêtre glissante de 2 048 jetons et seulement sept utilisent l'attention complète, avec une mise à l'échelle YaRN d'un facteur 16 appliquée à ces sept. Le contexte publié est de 32 768, et la valeur original_max_position_embeddings de 2 048 de la configuration est l'indice révélateur : la fenêtre est atteinte par interpolation positionnelle à partir d'une plage native courte. Il s'agit d'une technique normale. Elle n'est toutefois pas mesurée ici — Microsoft n'a publié aucune évaluation sur contexte long, et le modèle a un jour, donc personne d'autre n'en a réalisé non plus.

Traduction pratique : LFM2.5 2.6B Base dispose d’un contexte long que vous pouvez vérifier au regard d’une phase d’entraînement documentée. Aion dispose d’un contexte plus court, qu’il convient de tester plutôt que de supposer.

Ce qu’Aion vous apporte qu’un checkpoint de base ne peut pas

Les avantages du modèle fini sont concrets et peu spectaculaires, et c’est précisément ce qui les rend dignes d’être énumérés. Aion-1.0-Instruct-2.3B est livré avec un gabarit de conversation comportant un préambule système par défaut, un message système facultatif fourni par l’utilisateur et ajouté à celui-ci, ainsi que des variables de gabarit pour l’identité du modèle, la date limite des connaissances et la date actuelle. Il est livré avec un format d’appel d’outils documenté. Il a été aligné en matière de sécurité sur la norme de Microsoft, et la fiche indique XPIA, DIC et ECI comme les indicateurs de sécurité qu’il entend améliorer — en nommant les lacunes plutôt qu’en prétendant qu’elles sont comblées.

Il fournit également onze scores de benchmark sur un harnais nommé, ce qui est plus que ce que propose LFM2.5 2.6B Base. La fiche de base affiche des faits d’architecture et d’entraînement et aucune évaluation du tout, ce qui est le choix correct pour un checkpoint qui n’est pas destiné à être évalué sur des tâches pour lesquelles il n’a pas été ajusté. Si vous avez besoin d’un chiffre à mettre dans un document de conception, Aion en a un : IFEval 83,90, MMLU 55,15, GSM8K 74,91, MMLU-Pro 33,35, GPQA 28,18, entre autres, tous exécutés par le fournisseur sur lm-evaluation-harness ou l’implémentation propre au benchmark.

Mais lisez les mises en garde figurant sur la fiche d’Aion avant de considérer cela comme un plafond de capacités. Il y est indiqué que le modèle « n’a pas été entraîné à exceller en connaissances générales », qu’un modèle de cette taille « peut manquer de détails fins, fournir des affirmations erronées ou montrer une incapacité à suivre un raisonnement complexe à plusieurs étapes », et que les données multilingues représentaient environ 6 % de l’entraînement, réparties sur huit langues, avec une qualité variable selon la langue. Il s’agit d’une section sur les limites d’une franchise inhabituelle, et elle décrit un modèle ajusté pour le résumé, la réécriture, le chat et les tâches de système d’exploitation plutôt que pour un raisonnement ouvert.

Ce que le point de contrôle de base vous offre et qu’un modèle affiné ne peut pas offrir

Le contrôle, et une surface de perte de départ propre. Si votre produit a besoin d’un modèle qui écrit selon un style maison, répond avec un vocabulaire métier ou produit un format structuré strict, le post-entraînement sur un checkpoint de base vous y amène sans avoir à vous battre contre la passe d’alignement de quelqu’un d’autre. La fiche de Liquid AI est directe quant aux usages prévus : fine-tuning intensif, assistants spécifiques à une langue, assistants spécialisés dans un domaine, entraînement sur des données propriétaires et expérimentation avec de nouvelles approches de post-entraînement.

Cela vous impose aussi de prendre une décision en matière de licence plutôt que d’en hériter. LFM2.5 2.6B Base est publié sous LFM Open License v1.0 — une licence personnalisée, ni Apache 2.0 ni MIT. Sa fiche indique la licence comme « other » avec le nom « lfm1.0 ». Savoir si c’est un problème dépend entièrement de votre modèle de distribution, et c’est le genre de chose qui ressort tard dans un examen juridique si personne ne la lit tôt. MIT, en revanche, est à peu près aussi courte qu’une licence puisse l’être.

Et il y a un argument lié à l’outillage. LFM2.5 était disponible dès le premier jour avec le support de Transformers, vLLM, SGLang, llama.cpp, MLX et LM Studio, ainsi que des notebooks de fine-tuning publiés pour Unsloth et TRL couvrant le pré-entraînement continu, le SFT, le DPO et le GRPO. Aion Instruct nécessite trust_remote_code=True et transformers 5.x, ne contient aucun fichier GGUF dans son dépôt bien que sa fiche liste GGUF comme format, et ses versions quantisées sont promises plutôt que publiées. Pour un modèle que vous comptez fine-tuner, l’écosystème qui l’entoure n’est pas un détail.

Deux façons de finir au même endroit

Considérez les deux voies réalistes pour une équipe qui souhaite un petit assistant embarqué et dispose d’un corpus de ses propres données.

Première voie : prenez Aion-1.0-Instruct-2.3B, évaluez-le sur votre tâche dans son état livré, et n’affinez que s’il ne suffit pas. Vous partez d’un assistant fonctionnel, d’un template de chat et d’un format d’appel d’outils, et votre première expérience coûte peu, car le modèle fait déjà le travail — mal plutôt que pas du tout. Le risque est que vous corrigiez l’alignement de quelqu’un d’autre plutôt que d’enseigner à partir de zéro, et à 2,29 B, il n’y a pas beaucoup de capacité pour corriger.

Voie deux : prenez LFM2.5 2.6B Base, effectuez un pré-entraînement continu sur votre domaine, puis un SFT. Vous obtenez un modèle façonné par vos données plutôt qu’ajusté vers elles, avec une fenêtre de 131K disponible dès le départ et une chaîne d’outils d’entraînement bien documentée. Le coût, c’est que vous assumez tout l’effort de post-entraînement, y compris le comportement de sécurité que Microsoft a déjà pris en charge.

La troisième voie est celle que la plupart des équipes empruntent réellement : commencer par la première voie pour obtenir une base de référence, puis ne passer à la deuxième que si cette base de référence atteint un plateau. C’est un ordre rationnel, et c’est aussi un argument pour ne signer un contrat de longue durée sur aucun des deux modèles avant d’avoir testé les deux avec vos propres données.

Une fois que vous avez deux points de contrôle dans un produit, la surface opérationnelle commence à se disperser — des configurations de service distinctes, des modes de défaillance distincts, des cadences de mise à niveau distinctes. L'apport d'OrcaRouter à ce niveau est un point de terminaison unique sur plus de 200 modèles à 0 % de marge, avec le prix catalogue du fournisseur répercuté tel quel, un basculement automatique entre fournisseurs, et un DSL de routage capable d'exprimer une chaîne de repli au lieu d'une cible codée en dur. Ni Aion-1.0-Instruct-2.3B ni LFM2.5 2.6B Base ne figurent dans ce catalogue — les deux sont des poids auto-hébergés, et Aion n'a d'API hébergée nulle part — donc ce que le routeur vous apporte, c'est l'échelon au-dessus d'eux : un endroit où envoyer les requêtes que votre modèle embarqué ne devrait pas traiter.

La décision, compressée

Si vous voulez quelque chose qui tourne cette semaine et qui réponde aux questions, prenez Aion-1.0-Instruct-2.3B. Il est terminé, il est sous licence MIT, il fait 4,6 Go en bfloat16, et ses limites sont documentées dans ses propres termes plutôt que découvertes par vous.

Si vous voulez construire un modèle plutôt qu'en adopter un, prenez LFM2.5 2.6B Base. Il pèse 5,4 Go en bfloat16, il dispose d'une fenêtre de 131K qui a été entraînée plutôt que mise à l'échelle, il possède une véritable chaîne d'outils de fine-tuning, et il n'a aucun avis sur le ton que devrait avoir votre assistant, car il n'en a reçu aucun.

Ce que vous ne devez pas faire, c’est les considérer comme interchangeables sous prétexte que le nombre de paramètres est proche. Un modèle de base de 2,69 B et un modèle instruct de 2,29 B diffèrent de moins que l’erreur d’arrondi sur la plupart des fiches techniques, mais de tout un pipeline de post-entraînement en pratique ; choisir entre les deux revient à décider qui fait le travail.

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 fiche de Liquid AI énumère les chiffres qui comptent pour une cible de fine-tuning — 2,69 milliards de paramètres, 30 couches, 34 billions de tokens d'entraînement, une fenêtre de 131 072 tokens — et aucune table d'évaluation, car un checkpoint de base n'est pas censé être évalué sur des tâches pour lesquelles il n'a pas été ajusté.

Les questions ouvertes

Pour Aion : si les builds quantisés promis par Microsoft arriveront, si la fenêtre de contexte long tient le coup lors d’un véritable test de recherche d’aiguille, et ce qu’il adviendra de ce checkpoint lorsque la version Windows davantage optimisée sera disponible d’ici fin janvier 2027. La fiche présente cet envoi comme un aperçu de ce modèle, ce qui signifie que son successeur est déjà planifié.

Pour LFM2.5 2.6B Base : savoir si la communauté construit suffisamment dessus pour que ses recettes de fine-tuning deviennent la voie de référence, et comment la LFM Open License est interprétée par les équipes juridiques en dehors de la zone de confort habituelle des licences permissives. Ces deux questions peuvent trouver une réponse avec le temps, et aucune ne peut être tranchée par un tableau 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 fiche Aion indique l’usage prévu en une ligne : le SLM fondamental pour les tâches Windows sur l’appareil, l’intégration au système d’exploitation étant provisoirement prévue pour janvier 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.

Des nombres de paramètres presque identiques, mais des livrables différents : ajusté aux instructions et sous licence MIT d’un côté, préentraîné et sous licence personnalisée de l’autre, avec une fenêtre de contexte qui va dans le sens inverse.