「Aion-1.0-Instruct-2.3B vs MiniCPM5 2B」と書かれた生成タイトルカードがあり、サブタイトルは「スコアボードがある方にはすでにライバルがいる」。その下に2枚のカード:MiniCPM5-2Bは「966Kダウンロード」「35件のベンチマークを公開」「GGUF, MLX, GPTQ」、Aion-1.0-Instruct-2.3Bは「0ダウンロード、3いいね」「11件のベンチマークを公開」「Safetensorsのみ」。
Guides & Insights

Aion-1.0-Instruct-2.3B vs MiniCPM5 2B:スコアボードに既に載っている方には、すでにライバルがいる

著者

Elias Hawthorne

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

MiniCPM5-2Bのモデルカードには、8つのベースラインを載せた比較表が付属しており、Aion-1.0-Instruct-2.3Bはそこに含まれていません。それは軽視ではなく、タイムスタンプです。OpenBMBの表は、2026年9月6日に重みが公開された時点で存在していたモデルを中心に作られました。Microsoftのチェックポイントは73日後の2026年11月18日にHugging Faceに現れ、告知もなく、いいねは3件でした。誰もこの2つを並べて比較していません。なぜなら、それが誕生して最初の日は、誰にもできなかったからです。MiniCPM5-2Bは一方で、このクラスでダウンロード数が大差で最多のモデルです——約966,000ダウンロードに対し、Aionはゼロです。

つまり、これは測定済みの2つのモデルの比較ではない。スコアボードとファンベースを携えて登場したモデルと、設定ファイルと2027年1月に関する約束を携えて登場したモデルとの比較である。以下では、MiniCPM5-2BについてOpenBMBが公開している数値がある場合はそれを使い、Aion-1.0-Instruct-2.3BについてはMicrosoftのカードを使い、セルに何も入っていない場合はそのことを明記する。

見た目が似ていない、25億パラメータの2つのモデル

見出しのサイズはスペックシートでの比較をしたくなるほど近いのに、そのスペックシートはどうしても噛み合わない。

• パラメータ — MiniCPM5-2B は合計 2.52B で、そのうち 1.98B は非埋め込みです。Aion-1.0-Instruct-2.3B は 2.29B で、入力埋め込みと出力埋め込みが共有されています。

• 深さ — MiniCPM5-2B は標準的な LlamaForCausalLM アーキテクチャで 42 層、Aion は trust_remote_code を必要とするカスタムモデリングコードで 28 層です。

• アテンション — MiniCPM5-2Bでは16個のクエリヘッドと2個のキー/バリューヘッド、Aionではヘッド次元128で24個のクエリヘッドと8個のキー/バリューヘッド、2,048トークンのスライディングウィンドウ層21層とフルアテンション層7層というハイブリッドパターンにわたる。

• コンテキスト — 32,768 に対して 131,072 トークン

• 言語 — MiniCPM5-2B は英語と中国語、Aion は8言語で、多言語データはトレーニングの約6%を占めます。

• ライセンス — Apache 2.0 対 MIT。どちらも許容的で、どちらも商用利用に安全です。

• エコシステム — GGUF、MLX、GPTQ、base、SFT、midtrain、draft の各チェックポイントに加えて学習データセット。それに対して safetensors と、追って提供される量子化ビルドという約束があります。

その最後の行で、この差はもはやモデル品質の問題ではなくなる。MiniCPM5-2B は、今日の午後には4つの異なるランタイムでデプロイできるリリースだ。Aion-1.0-Instruct-2.3B は、デプロイできるランタイムが1つだけで、同じ夜に ONNX-WebGPU の兄弟リポジトリがアップロードされ、カードには GGUF 形式が記載されているもののファイル一覧には存在しないリリースだ。

OpenBMBが公表した数字、そして公表しなかった数字

MiniCPM5-2Bのモデルカードは、2Bクラスのオープンソース最高水準だと主張し、さらに異例なことに、9カテゴリ・35ベンチマークにわたる裏付けを明示している。主要な数値は次のとおり:AIME 2025は86.5、AIME 2026は86.5、MMLU-Proは70.8、GPQA-Diamondは70.2、IFEvalは86.7、LiveCodeBench v6は69.1、SWE-bench Verifiedは46.4、BFCL v4は66.6、τ²-Bench Telecomは97.1、AA-LCRは59.0、NoLiMaは68.1。

カードはさらに、それら全体の要約平均も公開している——MiniCPM5-2Bが53.9、Qwen3.5-4Bが51.1、Granite 4.2 3Bが42.7、LFM2.5-2.6Bが33.2。これらはベンダー自身が、自社で選んだベンチマーク上で自社のハーネスを実行した結果であり、その選定はまさにこのモデルが訓練された対象に有利だ。エージェント的なツール利用、コーディング、長いコンテキストである。テストを選ぶベンダーはランキングも選べる。この表は、独立した判定としてではなく(それはできない)、トレーニングの優先事項についての表明として読むべきだ(それについては正直である)。

MiniCPM5-2Bのモデルカードに含まれていないのは、Aion-1.0-Instruct-2.3Bが登場するベンチマークであり、Aionのモデルカードに含まれていないのは、MiniCPM5-2Bの9つのカテゴリのいずれかです。重なりは実際にありますが狭いものです。MMLU-Pro、GPQA、IFEval、およびAIMEの変種だけが、公開された2つの表が同じ言葉を話す唯一の場所であり、そこでもハーネス構成は異なります。それらの共通行では差は大きく、MMLU-Proでは70.8対33.35、GPQAでは70.2対28.18ですが、これは推論とエージェント作業のために訓練されたモデルと、文書理解と書き換えのために訓練されたモデルとの比較であり、数値はまさにそのことを示しています。

Aionの誠実さがすべてを物語る場所

マイクロソフトのカードの興味深い特徴は、そのスコアではない。スコアが芳しくなくても、カードがそれをそのまま掲載していることだ。表には、判定モデル、ハーネス、そして見出しから連想されるよりも良く見えるスコア設定の2つのベンチマークも明記されている。何かを売り込むために書かれたカードなら、MMLU-Pro 33.35 と書かれた行は含まない。

MMLU-Proでの33.35は、ローンチチームが選ぶような数字ではない。GPQAでの28.18も同様だ。これらの値が載っていること自体が、この表がマーケティング用ではなく評価パイプラインから出力された証拠であり、それは周囲の主張——32,768トークンのウィンドウ、8言語、2025-12の知識カットオフ、埋め込み共有構成から導かれた2.29Bパラメータ数——を信頼する正当な理由になっている。

同じ率直さが限界の記述にも貫かれている。カードは、この規模のモデルは「細部を見落とし、誤った記述をし、複雑な多段階推論に従えないことを示すことがある」と明言し、「世界知識に秀でるよう訓練されていない」こと、出力品質は8言語間で異なることを述べている。それを、最先端を主張する35のベンチマークの表と比べると、モデルカードが何のためのものかについて二つの異なる理論を見ていることになる。どちらも不誠実ではない。一方は能力の主張であり、一方は開示である。

オンデバイスという訴求点と、長文コンテキストの罠

Microsoft の位置づけは明確だ。Aion Instruct は「Windows エコシステムにおける基盤となる小規模言語モデル(SLM)」であり、デバイス上でのテキストおよびオペレーティングシステムのタスク向けに構築されており、より強力なバージョンとコンテンツモデレーションモデルが 2027 年 1 月末までに Windows OS の SLM となる。このアップロードは「今後登場するものの紹介」と説明されている。

MiniCPM5-2Bの位置づけはより広範です。スマートフォン、PC、スマートコックピット上でのローカルアシスタント、コーディングエージェント、ツール利用ワークフローと推論を対象とし、50万サンプルのエージェント学習用データセットと8万件超のRLサンプルが重みと同時に公開されています。これは、単に答えるだけでなく、行動するために作られたモデルです。

131K対32Kのコンテキスト差が最も如実に現れるのはそこであり、MiniCPM5-2Bにはその証拠がある。AA-LCR 59.0とNoLiMa 68.1は長文コンテキストのベンチマークで、どちらもベンダーが実行し、どちらも同モデルのカードが審査員採点結果に用いる視覚マーカー付きで公開されている。Aionには32,768トークンのウィンドウがあるが、自身の設定は、それが2,048トークンのネイティブ範囲からYaRNスケーリングによって到達されたことを示唆しており、長文コンテキスト評価は一切ない。ワークロードに長い文書が含まれるなら、選択はすでにあなたのために下されている。そしてそれを決めたのはパラメータ数ではなく証拠だ。

エージェントスタックは、比較の様相が変わる領域です

MiniCPM5-2Bはツールループ向けに訓練されており、50万件のエージェントSFTサンプル、検証可能なタスクでのGRPO形式のRL、さらにSWE-bench Verified、Terminal-Bench、BFCL、および銀行ドメインでのτ³実行のベンチマーク行を備えています。Aion-1.0-Instruct-2.3Bはツール呼び出し形式を文書化していますが、エージェント型ベンチマークは公開していません。これは、オペレーティングシステム上での要約、書き換え、チャット向けに構築されたためです。

その非対称性は、スコアとしてではなくアーキテクチャの観点から考える価値がある。エージェントループは1回のモデル呼び出しではない。計画、ツール呼び出し、結果、再計画、そしてしばしばセカンドオピニオンであり、各ステップは独自のレイテンシと失敗確率を持つ個別のリクエストだ。ここが、ルーティングがインフラの脚注ではなく設計の一部になる層だ。OrcaRouterのモデル融合は、同じリクエストに対してモデルのパネルを実行し、それらの回答を組み合わせる。またそのルーティングDSLは、複数のモデルを単一の呼び出しに合成する——「小さなモデル1つ、回答1つ」がそのタスクに適した形でないときに重要になる2つのプリミティブだ。Aion-1.0-Instruct-2.3BもMiniCPM5-2Bも、現在私たちのカタログにはない。どちらもホスト済みエンドポイントではなく自己ホスト型の重みだからだ。議論の対象は、あなたのローカルエージェントが単独では完了できないリクエストであり、これら2つのチェックポイントではない。

実用的なやり方は、安価なステップには小さいモデルを使い、2Bモデルが4回目の再試行でうまくいくことを願うのではなく、エスカレーション経路を明示することだ。MiniCPM5-2BのようなモデルがSWE-bench Verifiedで46.4というのはサイズの割に印象的だが、それでも半分以上は間違える。そして、プロンプトエンジニアリングをどれだけ工夫しても、5ステップのループの算術は変わらない。

今日、実際に確認できること

この一文が、こうした比較のほとんどを決定づけます。MiniCPM5-2B なら、GGUF をダウンロードし、llama.cpp で読み込み、モデルカード自身のベンチマークコマンドを実行して、AIME で 86.5 を再現できるか確認できます。Aion-1.0-Instruct-2.3B なら、bfloat16 の safetensors をダウンロードし、transformers 5.x をインストールし、trust_remote_code=True を受け入れ、同じハーネスをその 11 個のベンチマークで実行できます。これはより手間がかかりますが、完全に可能であり、しかも公開の場では誰もやっていません。

Aion でできないのは、ターゲットにしているマシンに最もありそうなランタイム上でそれを実行することだ。カードには GGUF がライブラリ名として記載されているが、リポジトリには safetensors、トークナイザーファイル、2つのカスタムモデリングモジュール、チャットテンプレートが含まれている。ONNX-WebGPU の兄弟リポジトリは存在するため、ブラウザや DirectML でのデプロイは現実的だが、GGUF ビルドは約束されているだけで提供されていない。デプロイ先が llama.cpp か LM Studio なら、その1つの欠けているファイルが、それが現れるまでの判断のすべてだ。

他に、鵜呑みにせずご自身で確認したほうがよい点が2つあります。1つ目は32Kウィンドウです。埋めてみて、ドキュメントの末尾がスライディングウィンドウ層を越えて残るかどうかを確かめてください。2つ目はツール呼び出し経路です。Aionの形式はスキーマと呼び出しを独自タグで包みますが、不正な形式の呼び出しからどれだけうまく復帰できるかは、カードからは分かりません。

A screenshot of OpenBMB's MiniCPM5-2B model card, showing the 2.52B total and 1.98B non-embedding parameter counts, 42 layers, a 131,072-token context, the 35-benchmark table with AIME 2025 86.5, MMLU-Pro 70.8, GPQA-Diamond 70.2, SWE-bench Verified 46.4, AA-LCR 59.0 and NoLiMa 68.1, and the GGUF, MLX and GPTQ checkpoints listed alongside.

OpenBMBのカードは、2つのうち長文脈およびエージェントの結果をそもそも公開している唯一のもので——AA-LCR 59.0、NoLiMa 68.1、SWE-bench Verified 46.4——131,072トークンのウィンドウと標準的なLlamaアーキテクチャを併せ持つ。

2つの正直なユースケース

ツール、コード、長文ドキュメント、あるいは中国語が絡む作業なら、MiniCPM5-2Bを選ぼう。そのモデルカードはそうしたタスク向けに書かれており、ベンチマークもそれらをカバーし、量子化版も存在し、ライセンスはApache 2.0だ。リスクは、最先端(SOTA)という主張がベンダー独自の比較セットに過ぎないこと、そしてエージェントのループ内で使われる20億パラメータのモデルは、実際にトークンを無駄に消費する形での失敗をいまだに起こすということだ。

Aion-1.0-Instruct-2.3Bを選ぶべきなのは、8言語のいずれかでローカル文書を要約・書き換え・分類するWindowsアプリケーションを、オフラインで、データを端末の外に一切出さずに動かす場合だ。コンテキストはより小さく、共有ベンチマークではいずれも劣り、そう明記したモデルカードに裏付けられている。その代わりに提供するのは、文書化されたオンデバイス契約と、2027年1月までにオペレーティングシステムへ入り込む現実的な道筋であり、現時点では、それを実際に動かした人がごく少数しかいないということだ。

この比較は1か月後には違った読み方になるだろう。GGUFが登場すれば、ランタイムに関する反論は消える。独立したハーネスによる実行結果が登場すれば、その数値はもはやマイクロソフトだけのものではなくなる。どちらもまだ起きていない。そうでないふりをすることこそ、この記事にできない唯一のことだ。

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 in the Windows ecosystem, the 32,768-token context, the eleven published benchmarks including MMLU-Pro 33.35 and GPQA 28.18, and the note that a further optimised version becomes the Windows OS SLM by the end of January 2027.

Microsoftのカードは、自社の弱いスコアを明記し、緩い採点設定にラベルを付けている——ベンチマークの主張が特筆すべきものではない場合でも、仕様に関する主張を信頼する理由となる。

A generated two-column scoreboard comparing Aion-1.0-Instruct-2.3B, with 2.29B parameters, a 32,768-token context, MMLU-Pro 33.35, GPQA 28.18, safetensors only and 0 downloads, against MiniCPM5-2B, with 2.52B total parameters, a 131,072-token context, MMLU-Pro 70.8, GPQA 70.2, GGUF, MLX and GPTQ formats and about 966K downloads. Footnoted that both columns are vendor-reported and neither model has an independent evaluation.

証拠が示す現状のスコアボードは次のとおりです。一方は35件の公開ベンチマークと4つのランタイム形式、もう一方は11件のベンチマークとsafetensorsです。