
Aion-1.0-Instruct-2.3B vs MiniCPM5 2B: Yang Punya Papan Skor Sudah Punya Pesaing di Dalamnya
- 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
Kartu model MiniCPM5-2B menyertakan tabel perbandingan dengan delapan baseline di dalamnya, dan Aion-1.0-Instruct-2.3B bukan salah satunya. Itu bukan bentuk meremehkan; itu stempel waktu. Tabel OpenBMB disusun berdasarkan model yang sudah ada saat bobotnya diunggah pada 6 September 2026. Checkpoint Microsoft muncul di Hugging Face pada 18 November 2026, tujuh puluh tiga hari kemudian, tanpa pengumuman dan dengan tiga suka. Tidak ada yang menempatkan keduanya berdampingan, karena pada hari pertama kehidupannya tidak ada yang bisa. MiniCPM5-2B, sementara itu, adalah model yang paling banyak diunduh di kelas ini dengan selisih yang jauh — sekitar 966.000 unduhan dibandingkan nol milik Aion.
Jadi ini {{1}}bukan perbandingan antara dua model yang telah diukur{{/1}}. Ini adalah perbandingan antara {{2}}model yang hadir dengan papan skor dan basis penggemar{{/2}} dan {{3}}model yang hadir dengan file konfigurasi dan janji tentang Januari 2027{{/3}}. Uraian berikut menggunakan angka terbitan OpenBMB untuk MiniCPM5-2B jika tersedia, kartu Microsoft untuk Aion-1.0-Instruct-2.3B, dan menyatakan secara gamblang ketika suatu sel tidak berisi apa pun.
Dua model berparameter dua setengah miliar yang tidak mirip satu sama lain
Ukuran headline cukup berdekatan sehingga mengundang perbandingan lembar spesifikasi, dan lembar spesifikasinya kemudian menolak untuk sejajar.
• Parameter — MiniCPM5-2B memiliki total 2.52B, dengan 1.98B di antaranya non-embedding; Aion-1.0-Instruct-2.3B berjumlah 2.29B dengan embedding input dan output yang ditautkan.
• Kedalaman — 42 lapisan untuk MiniCPM5-2B, pada arsitektur LlamaForCausalLM standar; 28 lapisan untuk Aion, pada kode pemodelan khusus yang memerlukan trust_remote_code.
• Atensi — 16 kepala query dan 2 kepala key/value untuk MiniCPM5-2B; 24 kepala query dan 8 kepala key/value pada dimensi kepala 128 untuk Aion, melintasi pola hibrida 21 lapisan jendela geser pada 2.048 token dan 7 lapisan atensi penuh.
• Konteks — 131.072 token dibandingkan 32.768.
• Bahasa — Inggris dan Tionghoa untuk MiniCPM5-2B; delapan bahasa untuk Aion, dengan data multibahasa sekitar 6% dari pelatihan.
• Lisensi — Apache 2.0 versus MIT. Keduanya permisif, keduanya aman untuk komersial.
• Ekosistem — GGUF, MLX, GPTQ, checkpoint base, SFT, midtrain, dan draft, plus dataset pelatihan, dibandingkan dengan safetensors, serta janji build terkuantisasi yang akan menyusul.
Baris terakhir itulah titik ketika kesenjangan berhenti menjadi soal kualitas model. MiniCPM5-2B adalah rilis yang bisa Anda deploy pada empat runtime berbeda sore ini. Aion-1.0-Instruct-2.3B adalah rilis yang bisa Anda deploy pada satu runtime, dengan repo pendamping ONNX-WebGPU yang diunggah pada malam yang sama, dan format GGUF yang tercantum di kartu model tetapi tidak ada dalam daftar berkas.
Angka-angka yang diterbitkan OpenBMB, dan yang tidak diterbitkannya
Kartu MiniCPM5-2B mengklaim sebagai yang paling canggih di kelas 2B sumber terbuka dan kemudian, secara tidak biasa, membeberkan bukti-buktinya di 35 benchmark dalam sembilan kategori. Angka-angka utamanya: AIME 2025 sebesar 86.5, AIME 2026 sebesar 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, dan NoLiMa 68.1.
Kartu tersebut juga menerbitkan rata-rata ringkasan dari semuanya — 53,9 untuk MiniCPM5-2B, 51,1 untuk Qwen3.5-4B, 42,7 untuk Granite 4.2 3B, 33,2 untuk LFM2.5-2.6B. Itu adalah hasil uji harness milik vendor sendiri pada pemilihan benchmark-nya sendiri, dan pemilihan tersebut mengutamakan persis apa yang menjadi tujuan pelatihan model: penggunaan alat agentik, coding, konteks panjang. Vendor yang memilih pengujian dapat memilih peringkatnya. Bacalah tabel itu sebagai pernyataan tentang prioritas pelatihan, yang memang diakui secara jujur, bukan sebagai putusan independen, karena memang bukan itu.
Kartu MiniCPM5-2B tidak memuat satu pun tolok ukur yang mencantumkan Aion-1.0-Instruct-2.3B, dan kartu Aion tidak memuat satu pun dari sembilan kategori MiniCPM5-2B. Irisannya nyata tetapi sempit: MMLU-Pro, GPQA, IFEval, dan varian AIME adalah satu-satunya tempat kedua tabel yang dipublikasikan itu berbicara dalam bahasa yang sama, dan bahkan di sana konfigurasi harness-nya berbeda. Pada baris-baris yang sama itu, selisihnya lebar — 70,8 berbanding 33,35 pada MMLU-Pro, 70,2 berbanding 28,18 pada GPQA — tetapi itu adalah perbandingan antara model yang dilatih untuk penalaran dan kerja agentik dengan model yang dilatih untuk pemahaman dan penulisan ulang dokumen, dan angka-angka itu mengatakan persis hal tersebut.
Di mana kejujuran Aion adalah segalanya
Fitur menarik dari kartu Microsoft bukanlah skornya. Yang menarik adalah skornya kurang menggembirakan dan kartu itu tetap mencetaknya, dalam tabel yang juga menyebutkan model penilainya, harness-nya, dan dua benchmark yang pengaturan penilaiannya membuatnya tampak lebih baik daripada yang tersirat dari angka utamanya. Kartu yang ditulis untuk menjual sesuatu tidak akan menyertakan baris bertuliskan MMLU-Pro 33.35.
Angka 33.35 pada MMLU-Pro bukanlah angka yang dipilih tim peluncuran. Begitu pula angka 28.18 pada GPQA. Kehadiran angka-angka itu menjadi bukti bahwa tabel ini berasal dari pipeline evaluasi, bukan pipeline pemasaran, dan itu adalah alasan kuat untuk memercayai klaim-klaim di sekitarnya — jendela 32,768 token, delapan bahasa, batas pengetahuan 2025-12, serta jumlah parameter 2.29B yang diturunkan dari konfigurasi tied-embedding.
Keterbukaan yang sama juga meresap ke bagian keterbatasan. Kartu tersebut menyatakan secara terang-terangan bahwa model sebesar ini "dapat melewatkan detail-detail halus, memberikan pernyataan yang keliru, atau menunjukkan ketidakmampuan mengikuti penalaran bertahap yang kompleks", bahwa model ini "tidak dilatih untuk unggul dalam pengetahuan dunia", dan bahwa kualitas keluarannya bervariasi di antara delapan bahasa. Bandingkan itu dengan tabel berisi 35 tolok ukur yang mengklaim state of the art, dan Anda sedang melihat dua teori berbeda tentang untuk apa sebuah kartu model dibuat. Keduanya bukanlah hal yang tidak jujur. Yang satu adalah klaim kemampuan dan yang lain adalah pengungkapan.
Narasi "di perangkat", dan jebakan konteks panjang
Kerangka Microsoft tidak ambigu: Aion Instruct adalah "Small Language Model (SLM) fundamental dalam ekosistem Windows", yang dibuat untuk tugas teks dan sistem operasi di perangkat, dengan versi yang lebih kuat plus model moderasi konten yang akan menjadi SLM OS Windows pada akhir Januari 2027. Unggahan tersebut digambarkan sebagai "pengantar tentang apa yang akan datang".
Kerangka MiniCPM5-2B lebih luas: asisten lokal, agen pengodean, alur kerja penggunaan alat dan penalaran, di ponsel, PC, dan kokpit pintar, dengan set pelatihan agen sebanyak 500.000 sampel dan 80.000+ sampel RL yang dirilis bersama bobotnya. Ini adalah model yang dibangun untuk bertindak, bukan sekadar menjawab.
Kesenjangan konteks 131K versus 32K adalah tempat perbedaan itu paling terasa, dan MiniCPM5-2B punya buktinya: AA-LCR 59,0 dan NoLiMa 68,1 adalah benchmark konteks panjang, keduanya dijalankan oleh vendor, keduanya dipublikasikan dengan penanda visual yang digunakan kartu modelnya untuk hasil yang dinilai juri. Aion memiliki jendela 32.768 token yang menurut konfigurasinya sendiri dicapai melalui penskalaan YaRN dari rentang asli 2.048 token, dan sama sekali tidak ada evaluasi konteks panjang. Jika beban kerja melibatkan dokumen panjang, pilihan sudah dibuat untuk Anda, dan itu ditentukan oleh bukti, bukan oleh jumlah parameter.
Tumpukan agen adalah titik ketika perbandingan berubah bentuk.
MiniCPM5-2B dilatih untuk loop alat: 500K sampel SFT agen, RL bergaya GRPO pada tugas yang dapat diverifikasi, dan baris benchmark untuk SWE-bench Verified, Terminal-Bench, BFCL serta uji τ³ domain perbankan. Aion-1.0-Instruct-2.3B mendokumentasikan format pemanggilan alat dan tidak menerbitkan benchmark agentik, karena model ini dibuat untuk peringkasan, penulisan ulang, dan obrolan pada sistem operasi.
Asimetri itu layak dipikirkan secara arsitektural, bukan sebagai skor. Sebuah loop agen bukanlah satu panggilan model; ia adalah sebuah rencana, panggilan alat, hasil, perencanaan ulang, dan sering kali pendapat kedua, dan setiap langkah adalah permintaan terpisah dengan latensi dan probabilitas kegagalannya sendiri. Di lapisan inilah perutean berhenti menjadi catatan kaki infrastruktur dan mulai menjadi bagian dari desain. model fusion milik OrcaRouter menjalankan panel model terhadap permintaan yang sama dan menggabungkan jawaban mereka, dan routing DSL miliknya menyusun beberapa model menjadi satu panggilan — dua primitif yang penting ketika "satu model kecil, satu jawaban" adalah bentuk yang salah untuk tugas tersebut. Baik Aion-1.0-Instruct-2.3B maupun MiniCPM5-2B tidak ada dalam katalog kami saat ini, karena keduanya adalah bobot yang di-hosting sendiri, bukan endpoint yang di-hosting; argumennya adalah tentang permintaan yang tidak dapat diselesaikan agen lokal Anda sendirian, bukan tentang kedua checkpoint ini.
Versi praktisnya: gunakan model kecil untuk langkah-langkah murah, dan buat jalur eskalasi menjadi eksplisit daripada berharap model 2B melakukannya dengan benar pada percobaan keempat. Model seperti MiniCPM5-2B dengan skor 46,4 pada SWE-bench Verified mengesankan untuk ukurannya dan tetap salah lebih dari separuh waktu, dan seberapa pun rekayasa prompt tidak mengubah aritmetika dari loop lima langkah.
Apa yang sebenarnya dapat Anda verifikasi hari ini
Inilah kalimat yang menentukan sebagian besar perbandingan ini. Dengan MiniCPM5-2B, Anda dapat mengunduh GGUF, memuatnya di llama.cpp, menjalankan perintah benchmark milik kartu model itu sendiri, dan memeriksa apakah Anda mereproduksi 86.5 pada AIME. Dengan Aion-1.0-Instruct-2.3B, Anda dapat mengunduh safetensors bfloat16, memasang transformers 5.x, menerima trust_remote_code=True, dan menjalankan harness yang sama pada sebelas benchmark-nya — yang memang lebih merepotkan tetapi sepenuhnya mungkin dilakukan, dan belum ada orang di publik yang melakukannya.
Yang tidak dapat Anda lakukan dengan Aion adalah menjalankannya pada runtime yang paling mungkin ada di mesin target Anda. Kartu tersebut mencantumkan GGUF sebagai nama pustaka; repositorinya berisi safetensors, file tokenizer, dua modul pemodelan kustom, dan templat chat. Repositori saudara ONNX-WebGPU tersedia, sehingga penerapan browser dan DirectML masuk akal, tetapi build GGUF baru dijanjikan, belum disediakan. Jika target penerapan Anda adalah llama.cpp atau LM Studio, satu file yang hilang itu menjadi seluruh pertimbangan sampai file tersebut muncul.
Dua hal lain layak Anda periksa sendiri daripada langsung dipercaya. Pertama, jendela 32K: isi hingga penuh dan lihat apakah bagian akhir dokumen tetap bertahan melewati lapisan jendela geser. Kedua, jalur pemanggilan alat: format Aion membungkus skema dan panggilan dalam tag khusus, dan seberapa mulus ia pulih dari panggilan yang cacat bukanlah sesuatu yang bisa diberitahukan oleh kartu kepada Anda.

Kartu OpenBMB adalah satu-satunya dari keduanya yang sama sekali menerbitkan hasil konteks panjang dan agentik — AA-LCR 59.0, NoLiMa 68.1, SWE-bench Verified 46.4 — bersama dengan jendela 131.072 token dan arsitektur Llama standar.
Dua kasus penggunaan yang jujur
Gunakan MiniCPM5-2B saat pekerjaannya melibatkan alat, kode, dokumen panjang, atau bahasa Mandarin. Kartu modelnya ditulis untuk tugas-tugas itu, benchmark-nya mencakup tugas-tugas tersebut, kuantisasinya tersedia, dan lisensinya Apache 2.0. Risikonya adalah klaim state-of-the-art itu berasal dari set pembanding milik vendor sendiri, dan model 2 miliar parameter dalam loop agen masih gagal dengan cara yang memakan token nyata.
Gunakan Aion-1.0-Instruct-2.3B ketika pekerjaannya adalah aplikasi Windows yang merangkum, menulis ulang, atau mengklasifikasikan dokumen lokal dalam salah satu dari delapan bahasa, secara offline, dengan data tidak pernah meninggalkan perangkat. Konteksnya lebih kecil, lebih lemah pada setiap benchmark bersama, dan didukung oleh kartu yang menyatakan demikian. Yang ditawarkannya adalah kontrak on-device yang terdokumentasi dan jalur yang masuk akal menuju sistem operasi pada Januari 2027 — dan, untuk saat ini, sangat sedikit orang yang pernah menjalankannya.
Perbandingan itu akan terbaca berbeda dalam sebulan. Jika GGUF muncul, keberatan terkait runtime akan hilang. Jika uji harness independen muncul, angka-angka itu tidak lagi menjadi milik Microsoft semata. Keduanya belum terjadi, dan berpura-pura sebaliknya adalah satu hal yang tidak bisa dilakukan tulisan ini.

Kartu Microsoft, {{1}}yang mencetak skor lemahnya sendiri dan memberi label pada pengaturan penilaian yang longgar{{/1}} — {{2}}alasan untuk mempercayai klaim spesifikasi bahkan ketika klaim benchmark-nya biasa saja{{/2}}.

Papan skor berdasarkan bukti yang ada: 35 benchmark yang telah dipublikasikan dan empat format runtime di satu sisi, 11 benchmark dan safetensors di sisi lain.
