
Aion-1.0-Instruct-2.3B vs Qwen 3.8: un componente Windows incontra un cavallo da tiro da 27B
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 184 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 215 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 87 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 97 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 109 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
Il 18 novembre 2026, un repository chiamato Aion-1.0-Instruct-2.3B è apparso nell'organizzazione Hugging Face di Microsoft con un unico commit che recita "Duplicate from asgmodels/Aion-Instruct-v1". Nessun post sul blog, nessun annuncio della model card, nessun comunicato stampa, nessuna copertura. La sua card lo descrive come il modello linguistico piccolo di base per le attività su dispositivo Windows e aggiunge che una sua ulteriore versione ottimizzata, fornita insieme al modello di moderazione dei contenuti di Microsoft, diventerà il Windows OS SLM entro la fine di gennaio 2027. Confrontate questo con Qwen3.8-27B, il modello visione-linguaggio open-weight da 27B che Alibaba ha pubblicato ad agosto 2026, e con i livelli ospitati Qwen3.8-Flash e Qwen3.8-Max sopra di esso, e il confronto smette molto in fretta di riguardare la qualità. Uno è un componente dimensionato per un laptop. L'altro è un modello di uso generale che si noleggia al milione di token. Quasi tutto ciò che una tabella di benchmark ti direbbe è irrilevante. Qwen3.8-27B viene servito come qwen/qwen3.8-27b nel catalogo di OrcaRouter, sulla stessa chiave e sullo stesso endpoint dei livelli Qwen3.8-Flash e Qwen3.8-Max.
Cosa contiene effettivamente il repository Aion
Parti da ciò che è verificabile, perché la lista è breve. Il repository è stato creato alle 17:05 UTC del 18 novembre 2026 e non è stato modificato da allora. Ha tre like e, al momento della scrittura, zero download. I pesi sono un singolo file safetensors BF16 da 4,58 GB, coerente con il nome 2.3B a due byte per parametro. Il vocabolario conta 200.029 token. La licenza è MIT.
L'architettura è più insolita di quanto suggerisca la dimensione. Ventotto livelli si alternano in uno schema ibrido — ventuno usano l'attenzione a finestra scorrevole con una finestra di 2.048 token e sette usano l'attenzione completa — e i livelli ad attenzione completa portano un'estensione YaRN 16×. L'attenzione grouped-query prevede 24 teste di query per 8 teste chiave-valore, gli embedding sono legati, e la scheda indica di eseguirlo con codice di modellazione personalizzato tramite trust_remote_code. Il repository include la propria implementazione di transformers invece di mapparsi su un'architettura standard.
La provenienza è la parte che non è confermata. Il commit afferma che il repository è un duplicato di asgmodels/Aion-Instruct-v1, e il link alla licenza rimanda al file LICENSE di quel repository. Sia asgmodels/Aion-Instruct-v1 sia un repository Microsoft fratello denominato Aion-Instruct-Preview-Sample restituiscono un errore di autenticazione alle richieste API anonime, quindi sono privati o ad accesso limitato. Possiamo vedere che Microsoft ha copiato il checkpoint in un repository pubblico. Non possiamo vedere cosa contenesse l'originale, chi lo abbia addestrato, su quali dati, né perché l'organizzazione si chiami asgmodels. Chiunque descriva l'addestramento di questo modello sta tirando a indovinare.

I numeri sulla carta, e quanto valgono
La scheda del modello pubblica undici 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 e chrF++ 43,18. La riga della metodologia indica che le esecuzioni hanno utilizzato lm-evaluation-harness di EleutherAI ovunque esistesse un'implementazione del task e, in caso contrario, il repository proprio del benchmark, con GPT-4o come giudice sui task contrassegnati come valutati da giudice. I punteggi sono percentuali.
Tutto è riportato dal fornitore e nulla è stato riprodotto. Per un modello così piccolo, però, lo schema nella tabella è più informativo di qualsiasi singolo valore. MMLU a 55,15 è rispettabile per 2,3 miliardi di parametri. MMLU-Pro a 33,35 e GPQA a 28,18 non lo sono: questi sono i test di conoscenza più difficili e intensivi dal punto di vista del ragionamento, e mostrano chiaramente il limite massimo. GSM8K a 74,91 con corrispondenza approssimativa è un risultato materialmente più debole rispetto a quanto lo stesso numero sarebbe con corrispondenza rigorosa. IFEval 83,90 è il risultato relativo più forte sulla scheda — il modello segue bene le istruzioni formattate per le sue dimensioni, che è esattamente ciò che deve fare un assistente di sistema operativo.
C'è un secondo avvertimento che la scheda indica chiaramente e che è facile trascurare. Il checkpoint pubblicato è il modello non quantizzato, e la scheda afferma che seguiranno versioni quantizzate. La build ONNX esiste già separatamente — Microsoft ha pubblicato Aion-1.0-Instruct-2.3B-ONNX-WebGPU circa tre minuti dopo il repository BF16, a circa 1,3 GB, utilizzando l'addestramento consapevole della quantizzazione a blocchi INT4 con dimensione di blocco 32 sui layer lineari e dimensione di blocco 64 sugli embedding, con attivazioni e cache KV in FP16, mirando a WebGPU tramite ONNX Runtime GenAI. Questo è l'artefatto di distribuzione che conta, ed è un file diverso da quello che la maggior parte delle persone scaricherà per primo.
Perché Qwen3.8-27B è un tipo diverso di oggetto
Qwen3.8-27B ha 27,8 miliardi di parametri distribuiti su diciotto shard BF16 per un totale di 55,6 GB, con una torre di visione per input di immagini e video. I suoi sessantaquattro strati sono disposti come sedici blocchi ripetuti di tre strati di attenzione lineare Gated DeltaNet per ogni strato completo di Gated Attention, dimensione nascosta 5.120, con 48 teste del valore nel percorso di attenzione lineare rispetto a 16 teste query-key. Il contesto è di 262.144 token nativamente e di 1.000.000 con YaRN. Il thinking è attivo per impostazione predefinita, con fino a 262.144 token di ragionamento e 131.072 token di risposta, e il campionamento consigliato differisce tra la modalità thinking e quella non-thinking. La licenza è Apache 2.0.
Il divario che conta non sono i parametri. È che un checkpoint da 55,6 GB non gira sul dispositivo per cui è costruito il modello Aion. L'intera progettazione del modello Aion — finestre scorrevoli da 2.048 token, addestramento consapevole della quantizzazione INT4, una build ONNX WebGPU da 1,3 GB — è un'argomentazione su cosa entra nella memoria di una macchina che qualcuno possiede già. Il design di Qwen3.8-27B presuppone un cluster di serving. Non si sceglie tra i due in base a una classifica. Si sceglie perché uno dei due non è candidato al lavoro dell'altro.
Dove i numeri possono essere affiancati e dove no
C'è un riferimento incrociato davvero utile qui, e non è presente sulla scheda di nessuno dei due fornitori. Artificial Analysis misura Qwen3.8-27B su Intelligence Index v5.0.1, che combina nove valutazioni: AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 e Terminal-Bench-Sci. Su quell'indice Qwen3.8-27B ottiene 20, contro una mediana di 10 per modelli comparabili. La stessa misurazione lo colloca a 0,50 $ per milione di token di input e 3,00 $ per milione di output, 3,53 $ per attività, 38,7 minuti per attività dell'indice rispetto a una mediana di 11,5, e 128 milioni di token consumati nell'indice rispetto a una mediana di 77,8 milioni. È più lento e più verboso rispetto agli altri, e lo paga in costo per attività anche a un prezzo contenuto per token.

Non esiste un equivalente per Aion. Al 19 novembre 2026, Artificial Analysis non ha alcuna voce per nessun modello Aion, e nessun harness indipendente ha pubblicato un'esecuzione. Quindi il tabellone onesto ha un buco, e il buco è dalla parte del modello più recente.
• Parametri — Aion-1.0-Instruct-2.3B: circa 2,3B, un unico file BF16 da 4,58 GB. Qwen3.8-27B: 27,8B, diciotto shard, 55,6 GB in BF16.
• Contesto — Aion-1.0-Instruct-2.3B: 32.768 token, secondo la scheda della build ONNX; la scheda BF16 non indica una cifra. Qwen3.8-27B: 262.144 nativi, 1.000.000 con YaRN.
• Modalità — Aion-1.0-Instruct-2.3B: solo testo. Qwen3.8-27B: input di testo, immagini e video, output di testo.
• Licenza — Aion-1.0-Instruct-2.3B: MIT. Qwen3.8-27B: Apache 2.0. Entrambe consentono l'uso commerciale; MIT è la meno vincolante delle due.
• Ingombro eseguibile — Aion-1.0-Instruct-2.3B: 1,3 GB INT4 ONNX per WebGPU, oppure 4,58 GB BF16. {{1}}Qwen3.8-27B{{/1}}: 55,6 GB BF16, più memoria per il serving.
• Valutazione indipendente — Aion-1.0-Instruct-2.3B: nessuna. Qwen3.8-27B: Intelligence Index 20 su v5.0.1, oltre a una scheda del fornitore che riporta LiveCodeBench v6 90.3, GPQA Diamond 89.2, Terminal-Bench 2.1 a 73.0, SWE-bench Pro 61.7 e HLE 30.8.
• Data di pubblicazione — Aion-1.0-Instruct-2.3B: 18 novembre 2026, di un giorno e non annunciato. Qwen3.8-27B: annunciato il 3 agosto 2026, pesi rilasciati il 14 agosto 2026.
Che cosa il confronto sta effettivamente decidendo
Se stai sviluppando un'applicazione desktop che deve classificare testo, seguire un formato strutturato, riepilogare un documento o instradare una richiesta del sistema operativo senza un round trip di rete, il modello Aion è tra i candidati e Qwen3.8-27B no. La finestra da 32K basta per il riepilogo di un documento e non è affatto sufficiente per un'attività di codifica sull'intero repository. La licenza MIT elimina la revisione legale. La build ONNX WebGPU gira dove un checkpoint da 55,6 GB non può arrivare.
Se ti serve un agente che operi su contesti lunghi, legga screenshot, scriva codice su una codebase di grandi dimensioni o esegua cicli di strumenti a più passaggi, vale il contrario. Qwen3.8-27B ha il contesto, la modalità e una misurazione indipendente, e i suoi punti deboli — latenza e verbosità dei token — sono grandezze note che puoi quantificare. Il modello Aion non ha alcuna esecuzione indipendente, il che in pratica significa che sei tu a fare la valutazione, sui tuoi compiti, prima che tocchi qualcosa di importante.
Esiste una terza posizione, probabilmente quella giusta per la maggior parte dei team: non scegliere. Un modello on-device da 2,3B e un modello hosted da 27B sono complementari, e l'architettura che li usa entrambi — un piccolo modello locale per le chiamate frequenti, economiche e sensibili alla latenza, e un grande modello hosted per quelle rare, costose e difficili — è quella che sopravvive al confronto con una bolletta. Qwen3.8-27B è disponibile tramite OrcaRouter come qwen/qwen3.8-27b a 0,33 $ per milione di token in input e 2,40 $ per milione in output, sulla stessa key e lo stesso endpoint dei tier Qwen3.8-Flash e Qwen3.8-Max, con failover automatico tra provider e nessun ricarico per token rispetto al prezzo di listino del provider. Quei pesi li gestiamo noi, quindi una variazione di prezzo del fornitore arriva qui lo stesso giorno, anziché dopo un ciclo di riprezzamento. Aion-1.0-Instruct-2.3B non è su OrcaRouter — è un download che esegui tu, e i due possono convivere nella stessa applicazione senza che nessuno dei due sappia dell'altro.

Cosa tenere d'occhio e cosa cambierebbe questo pezzo
Tre cose cambierebbero materialmente il quadro, e nessuna di esse si è ancora verificata. Microsoft che pubblica un annuncio, una model card con i dettagli di addestramento o un'esecuzione di benchmark al di fuori dell'harness proprietario dell'azienda. Artificial Analysis che aggiunge una voce per Aion, il che darebbe al modello più recente il contrappeso indipendente che Qwen ha già. Oppure la questione della quantizzazione BF16 rispetto a INT4 che si risolve in un delta di accuratezza pubblicato, che è il numero che decide se la quantizzazione on-device regge davvero su questa architettura.
Fino ad allora, considera Aion-1.0-Instruct-2.3B per ciò che il repository mostra: un modello piccolo, con licenza permissiva, solo testo e orientato a Windows, pubblicato senza clamore, vecchio di un giorno, con una tabella di benchmark del fornitore e nessuna verifica indipendente. Considera Qwen3.8-27B un valore noto, con misurazioni di terze parti pubblicate, una finestra di contesto otto volte più grande e un costo di servizio proporzionato. La domanda sbagliata è quale dei due vince. Quella giusta è quale di quei due oggetti manca alla tua applicazione.
