כרטיס כותרת שנוצר עם הכיתוב 'Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base' וכותרת המשנה 'כמעט אותו גודל, תוצרים שונים לחלוטין', מעל שני כרטיסי pipeline: LFM2.5 2.6B Base עם 'אימון מקדים ואז ה-fine-tune שלך' ו-'2.69B, הקשר של 131K, LFM Open License', ו-Aion-1.0-Instruct-2.3B עם 'כבר מכוונן להוראות' ו-'2.29B, הקשר של 32K, MIT'.
Guides & Insights

Aion-1.0-Instruct-2.3B לעומת LFM2.5 2.6B Base: כמעט אותו גודל, תוצרים שונים לחלוטין

מחבר

Elias Hawthorne

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

על הנייר, זו ההתמודדות הצמודה ביותר בתחום המודלים הקטנים כרגע. Aion-1.0-Instruct-2.3B הוא בעל 2.29 מיליארד פרמטרים; LFM2.5 2.6B Base הוא בעל 2.69 מיליארד פרמטרים. שניהם צפופים, שניהם מיועדים לטקסט בלבד, שניהם עם משקולות פתוחות, שניהם מיועדים לפריסה על המכשיר, ושניהם הגיעו ללא אירוע השקה — המודל של Microsoft ב-18 בנובמבר 2026, וצ'קפוינט הבסיס של Liquid AI ב-4 באוגוסט 2026. אם תעמיד אותם זה מול זה לפי המפרט, תגיע למסקנה שהם מתחרים.

הם לא. אחד מהם מוגמר. האחר הוא נקודת התחלה שבמכוון לא הושלמה, ו־Liquid AI אומרת זאת בכרטיס המודל: נקודת הבידוק Base "מומלצת רק למשימות הדורשות כיוונון עדין כבד." המשפט הבודד הזה מארגן מחדש את כל יתר הדברים בהשוואה הזו, מפני שמודל בסיס שאומן מראש ועוזר מכוונן להוראות אינם שני מוצרים באותה קטגוריה — הם שני שלבים באותו צינור, הנמכרים בנפרד.

הנתונים שלהלן עבור Aion-1.0-Instruct-2.3B מגיעים מכרטיס המודל ומתצורת המאגר של Microsoft, כפי שנקראו ישירות. הנתונים עבור LFM2.5 2.6B Base מגיעים מכרטיס המודל של Liquid AI ומהפוסט בבלוג הנלווה לו. לאף אחד מהמודלים אין הערכה בלתי תלויה; כאשר מספר מדווח על ידי הספק, הדבר מסומן, וכאשר מספר אינו קיים כלל, הדבר נאמר ולא מולא.

מה "Base" מסיר מההשוואה

LFM2.5 2.6B Base הוא צ'קפוינט מאומן מראש שממנו נוצר כל וריאנט של LFM2.5 2.6B. הוא אומן על כ-34 טריליון טוקנים ב-16 שפות, והוא ימשיך טקסט במקום לבצע הוראה, משום שכיוונון ההוראות נמצא בצ'קפוינט המקביל. טען אותו ושאל אותו שאלה והוא יעשה מה שמודל שפה עושה ללא פוסט-אימון: יאריך את ההנחיה שלך בכיוון סביר.

זה הופך כמחצית מההשוואה הרגילה ללא תקפה. אין טעם לשאול איזה מודל עוקב אחר הוראות טוב יותר, משום שאחד מהם לא לימדו אותו לעשות זאת. אין טעם להשוות התנהגות סירוב או פורמט צ'אט. מה שנותר הוא שאלה צרה יותר ושימושית יותר: אם אתם בונים עוזר ולא קונים אחד, האם ה-2.29B המוגמר של Microsoft הוא נקודת מוצא טובה יותר מה-2.69B הגולמי של Liquid AI — או גרועה יותר, משום שהכוונון שלו כבר קבע לו צורה שאולי לא תרצו?

• פרמטרים — 2.29B עם הטמעות מקושרות עבור Aion; 2.69B עבור LFM2.5 2.6B Base.

• ארכיטקטורה — Aion הוא טרנספורמר קונבנציונלי עם קשב מסוג grouped-query ודפוס קשב היברידי של 21 שכבות הזזה ועוד 7 שכבות מלאות; LFM2.5 הוא שילוב היברידי של 22 בלוקי קונבולוציה קצרה עם שער כפול ו-8 שכבות GQA בסך 30 שכבות.

• היקף האימון — Microsoft אינה מפרסמת מספר טוקנים עבור Aion; Liquid AI מפרסמת כ-34 טריליון עבור LFM2.5.

• חלון הקשר — 32,768 טוקנים עבור Aion, ו-131,072 עבור LFM2.5 2.6B Base, עם שלב ייעודי להרחבת חלון ההקשר ל-128K במהלך שלב הביניים של האימון.

• אוצר מילים — 200,029 עבור Aion; 128,000 עבור LFM2.5, הוכפל במקומו מהטוקנייזר של הדור הקודם ולא אומן מחדש.

• רישיון — MIT עבור Aion; רישיון LFM Open License v1.0 עבור LFM2.5 2.6B Base, שאינו רישיון OSI ודורש קריאה לפני ההפצה.

• פוסט-אימון — מודל מכוונן-הוראות עם תבנית צ'אט ופורמט לקריאה לכלים, לעומת נקודת ביקורת שאומנה מראש ושאין בה אף אחד מאלה.

הבחירה הארכיטקטונית שמסבירה את פער ההקשר

ההבדל פי ארבעה בגודל חלון ההקשר אינו מקרה של תקציב אימון. העיצוב של LFM2.5 מחליף את רוב שכבות הקשב בבלוקי קונבולוציה קצרים, וזה הימור שמיזוג רצפים אינו זקוק לקשב מלא בכל שכבה כדי לעבוד — וההימור הזה הוא מה שהופך חלון של 131K לבר-השגה בטלפון. הבלוג של Liquid AI מבהיר במפורש שאימון הביניים כלל שלב ייעודי להרחבת הקשר ל-128K, כך שהחלון הארוך אומן מראש, ולא הוגדר לאחר מכן.

Aion הולך בכיוון ההפוך. עשרים ואחת מתוך 28 השכבות שלו משתמשות בחלון הזזה של 2,048 טוקנים ורק שבע משתמשות בקשב מלא, כאשר כיול YaRN בגורם 16 מוחל על אותן שבע. אורך ההקשר המפורסם הוא 32,768, והערך original_max_position_embeddings של 2,048 בקונפיגורציה הוא הסימן המסגיר: החלון מושג באמצעות אינטרפולציה מיקומית מטווח מקורי קצר. זו טכניקה רגילה. היא גם לא נמדדה כאן — Microsoft לא פרסמה הערכת הקשר ארוך, והמודל בן יום, כך שאף אחד אחר גם לא הריץ כזו.

תרגום מעשי: LFM2.5 2.6B Base מגיע עם חלון הקשר ארוך שאפשר לאמת מול שלב אימון מתועד. Aion מגיע עם חלון קצר יותר שכדאי לבדוק ולא להניח.

מה ש-Aion נותן לך שצ'קפוינט בסיסי לא יכול לתת

היתרונות של המודל המוגמר הם קונקרטיים ומשעממים, וזה מה שהופך אותם לראויים לציון. Aion-1.0-Instruct-2.3B מגיע עם תבנית צ'אט הכוללת הקדמה מערכתית כברירת מחדל, הודעת מערכת אופציונלית שמספק המשתמש ומוצמדת אליה, ומשתני תבנית לזהות המודל, לתאריך חיתוך הידע ולתאריך הנוכחי. הוא מגיע עם פורמט מתועד לקריאה לכלים. הוא עבר יישור בטיחותי לתקן של Microsoft, וכרטיס המודל מדווח על XPIA, DIC ו-ECI כמדדי הבטיחות שהוא מתכוון לשפר — תוך שהוא מפרט את הפערים במקום להצהיר שהם נסגרו.

הוא מגיע גם עם אחד-עשר ציוני בנצ'מרק על הרנס בעל שם, וזה יותר ממה ש-LFM2.5 2.6B Base מציע. כרטיס הבסיס מציג עובדות ארכיטקטורה ואימון וללא הערכה כלל, וזו הבחירה הנכונה עבור צ'ק-פוינט שאינו מיועד לקבל ציון במשימות שלא כוונן עבורן. אם אתם צריכים מספר להכניס למסמך עיצוב, ל-Aion יש כזה: IFEval 83.90, MMLU 55.15, GSM8K 74.91, MMLU-Pro 33.35, GPQA 28.18, בין היתר, כולם הורצו על ידי הספק על lm-evaluation-harness או על המימוש של הבנצ'מרק עצמו.

אבל קראו את ההסתייגויות בכרטיס של Aion עצמו לפני שאתם מתייחסים לכך כתקרת יכולת. נכתב בו שהדגם "לא אומן להצטיין בידע עולמי", שדגם בגודל הזה "עלול להחמיץ פרטים עדינים, לספק אמירות שגויות או להפגין חוסר יכולת לבצע הסקה מורכבת מרובת שלבים", ושנתונים רב-לשוניים היו כ-6% מהאימון על פני שמונה שפות, כאשר האיכות משתנה משפה לשפה. זהו סעיף מגבלות גלוי לב באופן יוצא דופן, והוא מתאר דגם שמכוונן לסיכום, לניסוח מחדש, לשיחה ולמשימות מערכת הפעלה ולא להסקה פתוחה.

מה שהצ'קפוינט הבסיסי נותן לך ומודל מכוונן לא יכול לתת

שליטה, ומשטח אובדן התחלתי נקי. אם המוצר שלך זקוק למודל שכותב בסגנון הבית, עונה באוצר מילים תחומי או מפיק פורמט מובנה קפדני, אימון לאחר-אימון על צ'קפוינט בסיס יביא אותך לשם בלי להיאבק במעבר יישור של מישהו אחר. הכרטיס של Liquid AI ישיר בנוגע לשימושים המיועדים: כוונון עדין כבד, עוזרים ייעודיים לשפה, עוזרים ייעודיים לתחום, אימון על נתונים קנייניים והתנסות בגישות חדשניות לאימון לאחר-אימון.

הוא גם מעמיד בפניך החלטת רישוי שעליך לקבל, ולא משהו שאתה יורש. LFM2.5 2.6B Base מופץ תחת LFM Open License v1.0 — רישיון מותאם אישית, לא Apache 2.0 ולא MIT. הכרטיס שלו מפרט את הרישיון כ"אחר" עם השם "lfm1.0". האם זה מהווה בעיה תלוי לחלוטין במודל ההפצה שלך, וזה מסוג הדברים שצצים בשלב מאוחר בסקירה משפטית אם איש לא קורא אותו מוקדם. לעומת זאת, MIT הוא בערך הקצר ביותר שרישיון יכול להיות.

ויש גם טיעון של כלים. LFM2.5 יצא עם תמיכה מהיום הראשון ב-Transformers, vLLM, SGLang, llama.cpp, MLX ו-LM Studio, ובנוסף מחברות fine-tuning שפורסמו עבור Unsloth ו-TRL המכסות continued pre-training, SFT, DPO ו-GRPO. Aion Instruct דורש trust_remote_code=True ו-transformers 5.x, אין לו קובץ GGUF במאגר שלו למרות שכרטיס המודל מפרט GGUF כפורמט, והבילדים המקוונטנים שלו מובטחים ולא מפורסמים. עבור מודל שאתם מתכוונים לכוונן, האקוסיסטם שסביבו אינו פרט שולי.

שתי דרכים להגיע לאותו מקום

שקלו את שני המסלולים הריאליסטיים עבור צוות שרוצה עוזר קטן על המכשיר ויש לו קורפוס של נתונים משלו.

מסלול ראשון: קח את Aion-1.0-Instruct-2.3B, הערך אותו על המשימה שלך כפי שהוא מסופק, ובצע כוונון עדין רק אם הוא לא עומד בה. אתה מתחיל עם עוזר עובד, תבנית צ'אט ופורמט לקריאה לכלים, והניסוי הראשון שלך זול כי המודל כבר עושה את העבודה בצורה גרועה ולא לא עושה אותה בכלל. הסיכון הוא שאתה מתקן יישור של מישהו אחר ולא מלמד מאפס, וב-2.29B אין הרבה קיבולת לתקן איתה.

מסלול שני: קחו את LFM2.5 2.6B Base, הריצו עליו אימון מקדים ממושך (continued pre-training) על הדומיין שלכם, ואז SFT. תקבלו מודל שמעוצב על ידי הנתונים שלכם ולא מותאם אליהם, עם חלון של 131K הזמין מההתחלה ושרשרת כלים מתועדת היטב לאימון. המחיר הוא שאתם אחראים על כל מאמץ האימון שלאחר האימון המקדים, כולל התנהגות הבטיחות שמיקרוסופט כבר טיפלה בה.

הדרך השלישית היא זו שרוב הצוותים למעשה בוחרים: להתחיל בדרך הראשונה כדי לקבל קו בסיס, ולעבור לדרך השנייה רק אם קו הבסיס מתייצב. זהו סדר הגיוני, והוא גם טיעון נגד חתימה על חוזה ארוך טווח על אף אחד מהמודלים לפני שהרצתם את הנתונים שלכם דרך שניהם.

ברגע שיש לך שני צ'קפוינטים במוצר, המשטח התפעולי מתחיל להתפשט — קונפיגורציות הגשה נפרדות, מצבי כשל נפרדים, קצבי שדרוג נפרדים. תרומתה של OrcaRouter בשכבה הזו היא נקודת קצה אחת מעל 200+ דגמים ב-0% תוספת מחיר כאשר מחיר המחירון של הספק מועבר כמו שהוא, מעבר אוטומטי בין ספקים בעת כשל, ו-DSL לניתוב שיכול לבטא שרשרת גיבוי במקום יעד מקודד קשיח. לא Aion-1.0-Instruct-2.3B ולא LFM2.5 2.6B Base נמצאים בקטלוג הזה — שניהם משקלים באירוח עצמי, ול-Aion אין API באירוח בשום מקום — אז מה שהנתב קונה לך הוא השכבה שמעליהם: מקום לשלוח אליו את הבקשות שמודל המכשיר שלך לא אמור לטפל בהן.

ההחלטה, דחוסה

אם אתם רוצים משהו שיפעל השבוע ושיענה על שאלות, קחו את Aion-1.0-Instruct-2.3B. הוא מוגמר, הוא MIT, הוא 4.6 GB ב-bfloat16, והמגבלות שלו מתועדות במילותיו שלו, במקום שתיאלצו לגלות אותן בעצמכם.

אם ברצונכם לבנות מודל במקום לאמץ אחד, קחו את LFM2.5 2.6B Base. הוא בגודל 5.4 GB ב-bfloat16, יש לו חלון של 131K שאומן ולא הורחב, יש לו שרשרת כלים אמיתית לכוונון עדין, ואין לו דעות לגבי האופן שבו העוזר שלכם אמור להישמע, משום שלא ניתנו לו כאלה.

מה שאסור לך לעשות הוא להתייחס אליהם כאל ניתנים להחלפה משום שמספרי הפרמטרים קרובים. מודל בסיס של 2.69B ומודל instruct של 2.29B נבדלים בפחות משגיאת העיגול ברוב דפי המפרט, ובפועל בצינור פוסט-אימון שלם, והבחירה ביניהם היא החלטה לגבי מי עושה את העבודה.

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.

הכרטיס של Liquid AI מפרט את המספרים החשובים ליעד כוונון עדין — 2.69B פרמטרים, 30 שכבות, 34 טריליון אסימוני אימון, חלון של 131,072 אסימונים — ואין בו טבלת הערכה, משום שצ'קפוינט בסיס אינו מיועד לקבל ציון במשימות שלא כוונן עבורן.

השאלות הפתוחות

עבור Aion: האם גרסאות מקוונטות ש-Microsoft הבטיחה יגיעו, האם חלון ההקשר הארוך יחזיק מעמד במבחן מחט אמיתי, ומה יקרה לצ'ק-פוינט הזה כשגרסת Windows המותאמת-אופטימיזציה נוספת תגיע עד סוף ינואר 2027. הכרטיס מציג את ההעלאה הזו כתצוגה מקדימה של אותו מודל, מה שאומר שהיורש שלו כבר מתוזמן.

עבור LFM2.5 2.6B Base: האם הקהילה בונה עליו מספיק כדי להפוך את מתכוני הכוונון העדין שלו למסלול הייחוס, וכיצד צוותים משפטיים מחוץ לאזור הנוחות הרגיל של רישיונות מתירניים קוראים את LFM Open License. על שניהם אפשר לענות עם הזמן, ואף אחד מהם לא נענה באמצעות טבלת בנצ'מרק.

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.

כרטיס Aion מציין את השימוש המיועד בשורה אחת: מודל השפה הקטן (SLM) הבסיסי עבור משימות Windows במכשיר, כאשר שילוב מערכת ההפעלה מתוכנן לעת עתה לינואר 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.

ספירות פרמטרים כמעט זהות, אבל תוצרים שונים: מכוון להוראות ו-MIT לעומת מאומן מראש וברישיון מותאם, כשאורך חלון ההקשר הולך דווקא בכיוון ההפוך.