
Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base: Ukurannya Hampir Sama, Hasil yang Sepenuhnya Berbeda
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 184 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 223 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 87 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 96 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Di atas kertas, ini adalah pertarungan paling ketat di ranah model kecil saat ini. Aion-1.0-Instruct-2.3B memiliki 2,29 miliar parameter; LFM2.5 2.6B Base memiliki 2,69 miliar parameter. Keduanya adalah model dense, keduanya khusus teks, keduanya berbobot terbuka, keduanya menargetkan penerapan di perangkat, dan keduanya hadir tanpa acara peluncuran — milik Microsoft pada 18 November 2026, checkpoint dasar Liquid AI pada 4 Agustus 2026. Jika Anda membandingkannya berdasarkan spesifikasi, Anda akan menyimpulkan bahwa keduanya adalah pesaing.
Tidak. Salah satunya sudah selesai. Yang lain adalah titik awal yang sengaja belum diselesaikan, dan Liquid AI menyatakannya di kartu: checkpoint Base "hanya direkomendasikan untuk tugas yang memerlukan fine-tuning berat." Satu kalimat itu menata ulang semua hal lain dalam perbandingan ini, karena base yang telah dipralatih dan asisten yang disesuaikan dengan instruksi bukanlah dua produk dalam kategori yang sama — keduanya adalah dua tahap dari pipeline yang sama, yang dijual terpisah.
Angka-angka Aion-1.0-Instruct-2.3B di bawah ini berasal dari model card dan konfigurasi repositori Microsoft, yang dibaca secara langsung. Angka-angka LFM2.5 2.6B Base berasal dari model card Liquid AI dan posting blog yang menyertainya. Kedua model tidak memiliki evaluasi independen; jika suatu angka dilaporkan oleh vendor, angka tersebut diberi label, dan jika suatu angka sama sekali tidak ada, hal itu dinyatakan, bukan diisi.
Apa yang "Base" hilangkan dari perbandingan
LFM2.5 2.6B Base adalah checkpoint terlatih yang menjadi asal setiap varian LFM2.5 2.6B dibuat. Model ini dilatih pada sekitar 34 triliun token dalam 16 bahasa, dan ia akan melanjutkan teks alih-alih mengikuti instruksi, karena penyempurnaan instruksi berada di checkpoint saudaranya. Muat model ini dan ajukan pertanyaan kepadanya, maka ia akan melakukan apa yang dilakukan model bahasa tanpa pasca-pelatihan: memperluas prompt Anda ke arah yang masuk akal.
Itu membuat sekitar setengah dari perbandingan biasa menjadi tidak valid. Tidak ada gunanya menanyakan model mana yang lebih baik dalam mengikuti instruksi, karena salah satunya belum diajari untuk melakukannya. Tidak ada gunanya membandingkan perilaku penolakan atau format chat. Yang tersisa adalah pertanyaan yang lebih sempit dan lebih berguna: jika Anda membangun asisten, bukan membelinya, apakah model 2.29B yang sudah jadi dari Microsoft merupakan titik awal yang lebih baik daripada model 2.69B mentah dari Liquid AI — atau justru lebih buruk, karena penyetelannya telah mengikatnya pada bentuk yang mungkin tidak Anda inginkan?
• Parameter — 2,29B dengan embedding terikat untuk Aion; 2,69B untuk LFM2.5 2.6B Base.
• Arsitektur — Aion adalah transformer konvensional dengan grouped-query attention dan pola attention hibrida 21-sliding-plus-7-full; LFM2.5 adalah hibrida dari 22 blok konvolusi pendek dengan gerbang ganda dan 8 lapisan GQA dalam total 30 lapisan.
• Volume pelatihan — Microsoft tidak mempublikasikan jumlah token untuk Aion; Liquid AI mempublikasikan sekitar 34 triliun untuk LFM2.5.
• Konteks — 32.768 token untuk Aion, 131.072 untuk LFM2.5 2.6B Base, dengan fase ekstensi konteks panjang 128K khusus pada pelatihan tahap menengah.
• Kosakata — 200,029 untuk Aion; 128,000 untuk LFM2.5, digandakan di tempat dari tokenizer generasi sebelumnya, bukan dilatih ulang.
• Lisensi — MIT untuk Aion; LFM Open License v1.0 untuk LFM2.5 2.6B Base, yang bukan lisensi OSI dan perlu dibaca sebelum Anda merilisnya.
• Pasca-pelatihan — model yang disetel dengan instruksi dengan templat obrolan dan format pemanggilan alat, dibandingkan dengan checkpoint terlatih awal yang tidak memiliki keduanya.
Pilihan arsitektur yang menjelaskan kesenjangan konteks
Perbedaan empat kali lipat dalam jendela konteks bukanlah kebetulan anggaran pelatihan. Desain LFM2.5 menggantikan sebagian besar lapisan atensi dengan blok konvolusi pendek, yang merupakan taruhan bahwa pencampuran sekuens tidak memerlukan atensi penuh di setiap lapisan agar berfungsi — dan taruhan itulah yang membuat jendela 131K terjangkau di ponsel. Blog Liquid AI menyatakan secara eksplisit bahwa pelatihan tahap menengah mencakup fase perluasan konteks 128K khusus, jadi jendela panjang itu dilatih untuk itu, bukan dikonfigurasi setelahnya.
Aion berjalan sebaliknya. Dua puluh satu dari 28 lapisannya menggunakan jendela geser 2.048 token dan hanya tujuh yang menggunakan atensi penuh, dengan penskalaan YaRN faktor 16 diterapkan pada ketujuh lapisan tersebut. Konteks yang dipublikasikan adalah 32.768, dan original_max_position_embeddings sebesar 2.048 pada konfigurasi itulah petunjuknya: jendela tersebut dicapai melalui interpolasi posisional dari rentang asli yang pendek. Ini teknik yang normal. Ini juga belum diukur di sini — Microsoft tidak memublikasikan evaluasi konteks panjang, dan model ini baru berumur sehari, jadi belum ada pihak lain yang menjalankannya juga.
LFM2.5 2.6B Base hadir dengan konteks panjang yang dapat Anda verifikasi terhadap fase pelatihan yang terdokumentasi. Aion hadir dengan konteks yang lebih pendek yang sebaiknya Anda uji daripada Anda asumsikan.
Apa yang Aion berikan yang tidak bisa diberikan checkpoint dasar
Keunggulan model final ini bersifat konkret dan membosankan, dan itulah yang membuatnya layak didaftar. Aion-1.0-Instruct-2.3B menyertakan templat percakapan dengan pembuka sistem bawaan, pesan sistem opsional yang diberikan pengguna yang ditambahkan ke dalamnya, serta variabel templat untuk identitas model, batas waktu pengetahuan, dan tanggal saat ini. Model ini menyertakan format pemanggilan alat yang terdokumentasi. Model ini telah diselaraskan untuk keselamatan dengan standar Microsoft, dan kartunya melaporkan XPIA, DIC, dan ECI sebagai metrik keselamatan yang ingin ditingkatkan — menyebutkan celahnya alih-alih mengklaim bahwa celah tersebut sudah ditutup.
Ini juga menyertakan sebelas skor benchmark pada harness bernama, yang lebih banyak daripada yang ditawarkan LFM2.5 2.6B Base. Kartu base mencantumkan fakta arsitektur dan pelatihan serta sama sekali tidak ada evaluasi, yang merupakan pilihan tepat untuk checkpoint yang tidak dimaksudkan untuk dinilai pada tugas yang tidak disetel untuknya. Jika Anda memerlukan angka untuk dimasukkan ke dokumen desain, Aion punya angkanya: IFEval 83.90, MMLU 55.15, GSM8K 74.91, MMLU-Pro 33.35, GPQA 28.18, antara lain, semuanya dijalankan oleh vendor pada lm-evaluation-harness atau implementasi benchmark itu sendiri.
Tetapi bacalah catatan penting pada kartu Aion sendiri sebelum Anda menganggapnya sebagai batas kemampuan. Di sana disebutkan bahwa model tersebut "tidak dilatih untuk unggul dalam pengetahuan dunia", bahwa model seukuran ini "dapat melewatkan detail halus, memberikan pernyataan yang keliru, atau menunjukkan ketidakmampuan mengikuti penalaran bertahap yang kompleks", dan bahwa data multibahasa mencakup sekitar 6% dari pelatihan di delapan bahasa dengan kualitas yang berbeda-beda antarbahasa. Itu adalah bagian keterbatasan yang luar biasa terus terang, dan bagian itu menggambarkan model yang disetel untuk peringkasan, penulisan ulang, obrolan, dan tugas sistem operasi, bukan untuk penalaran terbuka.
Apa yang diberikan checkpoint dasar kepada Anda yang tidak dapat diberikan oleh model yang telah disetel
Kendali, dan permukaan loss awal yang bersih. Jika produk Anda membutuhkan model yang menulis dengan gaya khas perusahaan, menjawab dengan kosakata domain, atau menghasilkan format terstruktur yang ketat, post-training pada checkpoint dasar akan membawa Anda ke sana tanpa harus bergulat dengan proses alignment milik orang lain. Kartu Liquid AI terang-terangan tentang penggunaan yang dimaksudkan: fine-tuning berat, asisten khusus bahasa, asisten khusus domain, pelatihan pada data milik sendiri, dan bereksperimen dengan pendekatan post-training baru.
Ini juga memberi Anda keputusan lisensi yang harus diambil, bukan diwarisi. LFM2.5 2.6B Base dirilis di bawah LFM Open License v1.0 — lisensi khusus, bukan Apache 2.0 dan bukan MIT. Kartunya mencantumkan lisensi sebagai "other" dengan nama "lfm1.0". Apakah itu menjadi masalah sepenuhnya bergantung pada model distribusi Anda, dan itulah jenis hal yang baru muncul di akhir tinjauan hukum jika tidak ada yang membacanya lebih awal. Sebaliknya, MIT adalah lisensi yang panjangnya nyaris paling singkat.
Ada pula argumen soal tooling. LFM2.5 hadir dengan dukungan sejak hari pertama di Transformers, vLLM, SGLang, llama.cpp, MLX, dan LM Studio, plus notebook fine-tuning yang dipublikasikan untuk Unsloth dan TRL yang mencakup continued pre-training, SFT, DPO, dan GRPO. Aion Instruct memerlukan trust_remote_code=True dan transformers 5.x, tidak memiliki file GGUF di repositorinya meskipun kartu model mencantumkan GGUF sebagai format, dan build terkuantisasinya baru dijanjikan, bukan dipublikasikan. Bagi model yang hendak Anda fine-tune, ekosistem di sekitarnya bukanlah detail kecil.
Dua cara untuk sampai di tempat yang sama
Pertimbangkan dua jalur realistis bagi tim yang menginginkan asisten kecil di perangkat dan memiliki korpus data mereka sendiri.
Jalur satu: ambil Aion-1.0-Instruct-2.3B, evaluasi pada tugas Anda sebagaimana dirilis, dan lakukan fine-tuning hanya jika hasilnya kurang memadai. Anda mulai dengan asisten yang sudah berfungsi, templat chat, dan format pemanggilan alat, dan eksperimen pertama Anda murah karena model sudah mengerjakan tugas itu dengan buruk, bukan tidak sama sekali. Risikonya adalah Anda mengoreksi alignment orang lain, bukan mengajarkan dari awal, dan pada 2.29B kapasitas untuk mengoreksi tidak banyak.
Jalur kedua: ambil LFM2.5 2.6B Base, jalankan pra-pelatihan berkelanjutan pada domain Anda, lalu SFT. Anda mendapatkan model yang dibentuk oleh data Anda alih-alih disesuaikan ke arah data itu, dengan jendela 131K yang tersedia sejak awal dan toolchain pelatihan yang terdokumentasi dengan baik. Konsekuensinya, Anda bertanggung jawab atas seluruh upaya pasca-pelatihan, termasuk perilaku keamanan yang sudah ditangani Microsoft.
Jalur ketiga adalah jalur yang sebenarnya paling sering diambil oleh tim: mulai dari jalur satu untuk mendapatkan baseline, dan beralih ke jalur dua hanya jika baseline tersebut mencapai titik jenuh. Itu adalah urutan yang rasional, dan itu juga menjadi alasan untuk tidak menandatangani kontrak jangka panjang pada salah satu model sebelum Anda menjalankan data Anda sendiri melalui keduanya.
Setelah Anda memiliki dua checkpoint dalam satu produk, permukaan operasional mulai meluas — konfigurasi serving terpisah, mode kegagalan terpisah, kadensi upgrade terpisah. Kontribusi OrcaRouter pada lapisan itu adalah satu endpoint untuk 200+ model dengan markup 0% dan harga daftar penyedia diteruskan apa adanya, failover otomatis antarpenyedia, serta DSL perutean yang dapat mengekspresikan rantai fallback alih-alih target yang di-hard-code. Baik Aion-1.0-Instruct-2.3B maupun LFM2.5 2.6B Base tidak ada dalam katalog itu — keduanya adalah bobot yang di-host sendiri, dan Aion tidak memiliki API yang di-host di mana pun — jadi yang diberikan router kepada Anda adalah lapisan di atas keduanya: tempat untuk mengirim permintaan yang seharusnya tidak ditangani model di perangkat Anda.
Keputusan, diringkas
Jika Anda ingin sesuatu yang bisa dijalankan minggu ini untuk menjawab pertanyaan, pilih Aion-1.0-Instruct-2.3B. Model ini sudah selesai, lisensinya MIT, ukurannya 4,6 GB dalam bfloat16, dan keterbatasannya didokumentasikan dengan kata-katanya sendiri, bukan Anda temukan sendiri.
Jika Anda ingin membangun model alih-alih mengadopsi model yang sudah ada, pilihlah LFM2.5 2.6B Base. Ukurannya 5,4 GB dalam bfloat16, ia memiliki jendela 131K yang dilatih, bukan sekadar diskalakan, ia memiliki rantai alat fine-tuning yang nyata, dan ia tidak punya opini tentang seperti apa asisten Anda seharusnya terdengar karena ia belum diberi opini apa pun.
Yang sebaiknya tidak Anda lakukan adalah menganggap keduanya dapat dipertukarkan karena jumlah parameternya berdekatan. Model base 2,69B dan model instruct 2,29B berbeda kurang dari galat pembulatan pada sebagian besar lembar spesifikasi dan berbeda satu pipeline pascapelatihan penuh dalam praktiknya, dan memilih di antara keduanya adalah keputusan tentang siapa yang melakukan pekerjaannya.

Kartu Liquid AI mencantumkan angka-angka yang penting untuk target fine-tuning — 2,69 miliar parameter, 30 lapisan, 34 triliun token pelatihan, jendela 131.072 token — dan tanpa tabel evaluasi, karena checkpoint dasar memang tidak dimaksudkan untuk dinilai pada tugas yang tidak menjadi tujuan pelatihannya.
Pertanyaan yang masih terbuka
Untuk Aion: apakah build terkuantisasi yang dijanjikan Microsoft akan hadir, apakah jendela konteks panjangnya bertahan dalam uji jarum nyata, dan apa yang terjadi pada checkpoint ini ketika versi Windows yang lebih dioptimalkan hadir pada akhir Januari 2027. Kartu ini menyajikan unggahan ini sebagai pratinjau model tersebut, yang berarti penerusnya sudah dijadwalkan.
Untuk LFM2.5 2.6B Base: apakah komunitas membangun cukup banyak di atasnya sehingga resep fine-tuning-nya menjadi jalur referensi, dan bagaimana LFM Open License dibaca oleh tim hukum di luar zona nyaman lisensi permisif yang biasa. Keduanya dapat dijawab seiring waktu, dan tidak satu pun dapat dijawab oleh tabel benchmark.

Kartu Aion menyatakan penggunaan yang dimaksudkan dalam satu baris: SLM dasar untuk tugas Windows di perangkat, dengan integrasi OS direncanakan pada Januari 2027.

Jumlah parameter hampir identik, tetapi hasil yang diberikan berbeda: instruction-tuned dan MIT versus pretrained dan berlisensi khusus, dengan jendela konteks yang bergerak ke arah sebaliknya.
