
Aion-1.0-Instruct-2.3B vs Qwen 3.8: Komponen Windows Bertemu Workhorse 27B
- 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 · 215 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 · 97 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 · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 109 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 · 68 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 · 209 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
Pada 18 November 2026, sebuah repositori bernama Aion-1.0-Instruct-2.3B muncul di organisasi Hugging Face milik Microsoft dengan satu commit yang berbunyi "Duplicate from asgmodels/Aion-Instruct-v1". Tidak ada posting blog, tidak ada pengumuman kartu model, tidak ada siaran pers, tidak ada liputan. Kartunya mendeskripsikannya sebagai model bahasa kecil fondasional untuk pekerjaan Windows di perangkat dan menambahkan bahwa versi yang lebih dioptimalkan darinya, yang dibundel dengan model moderasi konten Microsoft, akan menjadi SLM OS Windows pada akhir Januari 2027. Bandingkan itu dengan Qwen3.8-27B, model bahasa-visi 27B berbobot terbuka yang diterbitkan Alibaba pada Agustus 2026, serta yang dihosting Qwen3.8-Flash dan Qwen3.8-Max pada tingkat di atasnya, dan perbandingannya sangat cepat tidak lagi menjadi soal kualitas. Yang satu adalah komponen yang berukuran untuk laptop. Yang lain adalah model serbaguna yang Anda sewa per juta token. Hampir semua yang bisa diberitahukan tabel benchmark kepada Anda tidak relevan. Qwen3.8-27B tersedia sebagai qwen/qwen3.8-27b di katalog OrcaRouter, dengan kunci dan endpoint yang sama seperti tingkat Qwen3.8-Flash dan Qwen3.8-Max.
Apa isi sebenarnya dari repositori Aion
Mulailah dari hal yang dapat diperiksa, karena daftarnya pendek. Repositori dibuat pada 17:05 UTC tanggal 18 November 2026 dan belum dimodifikasi sejak saat itu. Repositori ini memiliki tiga like dan, pada saat penulisan, nol unduhan. Bobotnya berupa satu file safetensors BF16 berukuran 4.58 GB, konsisten dengan nama 2.3B pada dua byte per parameter. Kosakatanya 200,029 token. Lisensinya MIT.
Arsitekturnya lebih tidak biasa daripada yang disarankan oleh ukurannya. Dua puluh delapan lapisan bergantian dalam pola hibrida — dua puluh satu menggunakan sliding-window attention dengan jendela 2.048 token dan tujuh menggunakan full attention — dan lapisan full-attention membawa ekstensi YaRN 16×. Grouped-query attention-nya adalah 24 query head untuk 8 key-value head, embedding-nya diikat, dan kartu tersebut menginstruksikan Anda untuk menjalankannya dengan kode pemodelan kustom melalui trust_remote_code. Repositori ini menyertakan implementasi transformers-nya sendiri alih-alih memetakannya ke arsitektur standar.
Asal-usulnya adalah bagian yang tidak terkonfirmasi. Commit menyebutkan bahwa repositori tersebut adalah duplikat dari asgmodels/Aion-Instruct-v1, dan tautan lisensinya mengarah ke berkas LICENSE repositori tersebut. Baik asgmodels/Aion-Instruct-v1 maupun repositori saudara Microsoft bernama Aion-Instruct-Preview-Sample mengembalikan galat autentikasi terhadap permintaan API anonim, sehingga keduanya bersifat privat atau dibatasi. Kita dapat melihat bahwa Microsoft menyalin checkpoint tersebut ke repositori publik. Kita tidak dapat melihat apa isi aslinya, siapa yang melatihnya, dengan data apa, atau mengapa organisasinya dinamai asgmodels. Siapa pun yang mendeskripsikan pelatihan model ini hanya menduga-duga.

Angka-angka pada kartu, dan berapa nilainya
Kartu model mempublikasikan sebelas benchmark. 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, dan chrF++ 43,18. Baris metodologi menyatakan bahwa proses evaluasi menggunakan lm-evaluation-harness milik EleutherAI di mana pun implementasi tugas tersedia dan repositori benchmark itu sendiri jika tidak, dengan GPT-4o sebagai juri pada tugas yang ditandai sebagai dinilai juri. Skor dinyatakan dalam persentase.
Semua itu dilaporkan oleh vendor dan belum ada yang direproduksi. Namun, untuk model sekecil ini, pola dalam tabel lebih informatif daripada angka tunggal mana pun. MMLU pada 55,15 cukup terhormat untuk 2,3B parameter. MMLU-Pro pada 33,35 dan GPQA pada 28,18 tidak demikian: itu adalah tes pengetahuan yang lebih sulit dan lebih berat penalaran, dan keduanya menunjukkan batas atas kemampuan secara jelas. GSM8K pada 74,91 dengan pencocokan longgar adalah hasil yang jauh lebih lemah daripada angka yang sama jika menggunakan pencocokan ketat. IFEval 83,90 adalah hasil relatif terkuat di kartu model — model mengikuti instruksi berformat dengan baik untuk ukurannya, yang persis seperti yang perlu dilakukan asisten sistem operasi.
Ada peringatan kedua yang dinyatakan secara gamblang di kartu dan mudah terlewat. Checkpoint yang diterbitkan adalah model tanpa kuantisasi, dan kartu tersebut menyatakan bahwa versi terkuantisasi akan menyusul. Build ONNX sudah ada secara terpisah — Microsoft menerbitkan Aion-1.0-Instruct-2.3B-ONNX-WebGPU sekitar tiga menit setelah repositori BF16, dengan ukuran sekitar 1,3 GB, menggunakan pelatihan sadar kuantisasi block-wise INT4 pada ukuran blok 32 untuk lapisan linear dan ukuran blok 64 untuk embedding, dengan aktivasi dan cache KV FP16, menargetkan WebGPU melalui ONNX Runtime GenAI. Itulah artefak deployment yang penting, dan ini adalah file yang berbeda dari file yang akan lebih dulu diunduh oleh kebanyakan orang.
Mengapa Qwen3.8-27B adalah jenis objek yang berbeda
Qwen3.8-27B memiliki 27,8 miliar parameter yang tersebar di delapan belas shard BF16 dengan total 55,6 GB, dengan menara visi untuk input gambar dan video. Keenam puluh empat lapisannya disusun dalam enam belas blok berulang, masing-masing terdiri dari tiga lapisan attention linear Gated DeltaNet dan satu lapisan Gated Attention penuh, dengan ukuran tersembunyi 5.120, serta 48 value head pada jalur attention linear dibandingkan 16 query-key head. Konteksnya 262.144 token secara bawaan dan 1.000.000 dengan YaRN. Mode berpikir aktif secara default, dengan hingga 262.144 token penalaran dan 131.072 token jawaban, dan sampling yang direkomendasikan berbeda antara mode berpikir dan non-berpikir. Lisensinya Apache 2.0.
Kesenjangan yang penting bukanlah parameter. Yang penting adalah bahwa checkpoint 55,6 GB tidak berjalan pada perangkat yang menjadi target pembuatan model Aion. Seluruh desain model Aion — jendela geser 2.048 token, pelatihan yang sadar kuantisasi INT4, build ONNX WebGPU sebesar 1,3 GB — adalah argumen tentang apa yang muat di memori pada mesin yang sudah dimiliki seseorang. Desain Qwen3.8-27B mengasumsikan klaster penyajian. Anda tidak memilih di antara keduanya berdasarkan papan skor. Anda memilih karena salah satunya bukan kandidat untuk pekerjaan yang lain.
Di mana angka-angka itu dapat dan tidak dapat disandingkan
Ada satu referensi silang yang benar-benar berguna di sini, dan itu tidak ada di kartu kedua vendor. Artificial Analysis mengukur Qwen3.8-27B pada Intelligence Index v5.0.1, yang menggabungkan sembilan evaluasi: AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2, dan Terminal-Bench-Sci. Pada indeks tersebut, Qwen3.8-27B memperoleh skor 20, dibandingkan median 10 untuk model-model sebanding. Pengukuran yang sama menempatkannya pada $0,50 per juta token masukan dan $3,00 per juta token keluaran, $3,53 per tugas, 38,7 menit per tugas indeks dibandingkan median 11,5, serta 128 juta token yang dikonsumsi di seluruh indeks dibandingkan median 77,8 juta. Model ini lebih lambat dan lebih bertele-tele daripada rata-rata di bidangnya, dan ia menanggung konsekuensinya dalam biaya per tugas bahkan pada harga per token yang moderat.

Tidak ada padanan untuk Aion. Per 19 November 2026, Artificial Analysis tidak memiliki entri untuk model Aion mana pun, dan belum ada harness independen yang memublikasikan satu pun hasil pengujian. Jadi papan skor yang jujur memiliki lubang di dalamnya, dan lubang itu ada di sisi model yang lebih baru.
• Parameter — Aion-1.0-Instruct-2.3B: sekitar 2,3B, satu file BF16 4,58 GB. Qwen3.8-27B: 27,8B, delapan belas shard, BF16 55,6 GB.
• Konteks — Aion-1.0-Instruct-2.3B: 32.768 token, menurut kartu build ONNX; kartu BF16 tidak mencantumkan angka. Qwen3.8-27B: 262.144 native, 1.000.000 dengan YaRN.
• Modalitas — Aion-1.0-Instruct-2.3B: hanya teks. Qwen3.8-27B: teks, gambar, dan video masuk, teks keluar.
Lisensi — {{1}}Aion-1.0-Instruct-2.3B: MIT. Qwen3.8-27B: Apache 2.0.{{/1}} Keduanya mengizinkan penggunaan komersial; MIT adalah yang lebih bebas hambatan di antara keduanya.
• Jejak yang dapat dijalankan — Aion-1.0-Instruct-2.3B: 1,3 GB INT4 ONNX untuk WebGPU, atau 4,58 GB BF16. Qwen3.8-27B: 55,6 GB BF16, ditambah memori untuk serving.
• Evaluasi independen — Aion-1.0-Instruct-2.3B: tidak ada. Qwen3.8-27B: Intelligence Index 20 pada v5.0.1, ditambah kartu vendor yang melaporkan LiveCodeBench v6 90.3, GPQA Diamond 89.2, Terminal-Bench 2.1 sebesar 73.0, SWE-bench Pro 61.7, dan HLE 30.8.
• Tanggal publikasi — Aion-1.0-Instruct-2.3B: 18 November 2026, baru berumur satu hari dan belum diumumkan. Qwen3.8-27B: diumumkan 3 Agustus 2026, bobot dirilis 14 Agustus 2026.
Apa yang sebenarnya sedang ditentukan oleh perbandingan itu
Jika Anda membangun aplikasi desktop yang perlu mengklasifikasikan teks, mengikuti format terstruktur, merangkum dokumen, atau merutekan permintaan sistem operasi tanpa perjalanan bolak-balik jaringan, model Aion ada dalam pembicaraan dan Qwen3.8-27B tidak. Jendela 32K cukup untuk ringkasan dokumen dan jauh dari cukup untuk tugas pengodean seluruh repositori. Lisensi MIT menghilangkan tinjauan hukum. Build ONNX WebGPU berjalan di tempat yang tidak dapat dijangkau checkpoint 55.6 GB.
Jika Anda memerlukan agen yang bekerja lintas konteks panjang, membaca tangkapan layar, menulis kode terhadap basis kode besar, atau menjalankan loop alat multi-langkah, yang berlaku justru sebaliknya. Qwen3.8-27B memiliki konteks, modalitas, dan pengukuran independen, serta kelemahannya — latensi dan verbositas token — merupakan besaran yang sudah diketahui sehingga bisa Anda perhitungkan biayanya. Model Aion sama sekali tidak memiliki uji mandiri, yang dalam praktiknya berarti Andalah yang melakukan evaluasi, pada tugas Anda sendiri, sebelum model itu menyentuh apa pun yang penting.
Ada posisi ketiga yang kemungkinan besar tepat bagi sebagian besar tim: tidak memilih. Model on-device 2.3B dan model hosted 27B saling melengkapi, dan arsitektur yang menggunakan keduanya — model lokal kecil untuk panggilan yang sering, murah, dan sensitif terhadap latensi serta model hosted besar untuk panggilan yang jarang, mahal, dan sulit — adalah arsitektur yang bertahan saat berhadapan dengan tagihan. Qwen3.8-27B tersedia melalui OrcaRouter sebagai qwen/qwen3.8-27b dengan harga $0,33 per juta token input dan $2,40 per juta token output, pada kunci dan endpoint yang sama dengan tier Qwen3.8-Flash dan Qwen3.8-Max, dengan failover otomatis antarpenyedia dan tanpa markup per token di atas harga daftar penyedia. Kami menjalankan bobot tersebut sendiri, sehingga perubahan harga vendor langsung berlaku di sini pada hari yang sama, bukan setelah siklus penetapan harga ulang. Aion-1.0-Instruct-2.3B tidak tersedia di OrcaRouter — ini adalah unduhan yang Anda jalankan sendiri, dan keduanya dapat berada dalam aplikasi yang sama tanpa salah satu mengetahui keberadaan yang lain.

Apa yang perlu diperhatikan, dan apa yang akan mengubah tulisan ini
Tiga hal akan mengubah gambaran secara signifikan, dan belum satu pun terjadi. Microsoft menerbitkan pengumuman, model card berisi detail pelatihan, atau menjalankan benchmark di luar harness milik perusahaan sendiri. Artificial Analysis menambahkan entri Aion, yang akan memberi model yang lebih baru penyeimbang independen yang sudah dimiliki Qwen. Atau kisah kuantisasi BF16-versus-INT4 yang berujung pada delta akurasi yang dipublikasikan, yaitu angka yang menentukan apakah kuantisasi on-device benar-benar bertahan pada arsitektur ini.
Sampai saat itu, anggap Aion-1.0-Instruct-2.3B sebagai apa yang ditunjukkan repositori: model kecil, berlisensi permisif, hanya teks, berorientasi Windows, diterbitkan tanpa seremoni, berumur satu hari, dengan tabel tolok ukur vendor dan tanpa pemeriksaan independen terhadapnya. Anggap Qwen3.8-27B sebagai kuantitas yang sudah dikenal dengan pengukuran pihak ketiga yang diterbitkan, jendela konteks delapan kali lebih besar, dan tagihan penyajian yang sepadan. Pertanyaan yang salah adalah mana yang menang. Yang benar adalah yang mana dari dua objek itu yang tidak dimiliki aplikasi Anda.
