
Aion-1.0-Instruct-2.3B 対 Qwen 3.8:Windows コンポーネントが 27B の働き者と出会う
- OrcaNEWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 100万トークンあたり · 184 tok/s
- tencentNEWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 100万トークンあたり · 215 tok/s
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 87 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 97 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100万トークンあたり · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 100万トークンあたり · 109 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 100万トークンあたり · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740知能
2026年11月18日、Aion-1.0-Instruct-2.3BというリポジトリがMicrosoftのHugging Face組織に現れ、コミットは「Duplicate from asgmodels/Aion-Instruct-v1」という1件だけだった。ブログ記事も、モデルカードの告知も、プレスリリースも、報道もない。そのカードは、これをオンデバイスのWindows作業向けの基盤となる小規模言語モデルと説明し、さらに、Microsoftのコンテンツモデレーションモデルと同梱された、さらに最適化されたバージョンが2027年1月末までにWindows OS SLMになると付け加えている。それと比べてみよう。Qwen3.8-27B、アリババが2026年8月に公開したオープンウェイトの27B視覚言語モデル、そしてその上に位置するホスト型のQwen3.8-FlashとQwen3.8-Maxの各ティアを並べると、比較はすぐに品質の話ではなくなる。一方はラップトップ向けにサイズ調整されたコンポーネントだ。もう一方は100万トークン単位で借りる汎用モデルだ。ベンチマーク表が教えてくれることのほとんどすべては的外れだ。Qwen3.8-27Bはqwen/qwen3.8-27bとしてOrcaRouterのカタログで提供されており、Qwen3.8-FlashおよびQwen3.8-Maxティアと同じキーとエンドポイントで利用できる。
Aionリポジトリには実際何が含まれているのか
確認できることから始めよう。リストは短いからだ。このリポジトリは2026年11月18日17:05 UTCに作成され、それ以降変更されていない。いいねは3件付いており、執筆時点でダウンロード数は0だ。重みは単一の4.58 GB BF16 safetensorsファイルで、パラメータあたり2バイトという点で2.3Bという名称と整合する。語彙は200,029トークンだ。ライセンスはMITだ。
アーキテクチャはサイズから連想されるよりも異例です。28層がハイブリッドパターンで交互に並び、21層は2,048トークンのウィンドウを使うスライディングウィンドウ・アテンション、7層はフルアテンションを使用しています。さらにフルアテンション層には16×のYaRN拡張が施されています。グループ化クエリ・アテンションはクエリヘッド24個対キー・バリューヘッド8個で、埋め込みは共有されており、モデルカードではtrust_remote_code を介してカスタムモデリングコードで実行するよう指示されています。リポジトリは既製のアーキテクチャにマッピングするのではなく、独自のtransformers実装を同梱しています。
確認されていないのは来歴の部分です。コミットには、このリポジトリが次の複製であると書かれています。asgmodels/Aion-Instruct-v1、ライセンスリンクはそのリポジトリの LICENSE ファイルを指しています。asgmodels/Aion-Instruct-v1 も、Microsoft の兄弟リポジトリである Aion-Instruct-Preview-Sample も匿名の API リクエストに対して認証エラーを返すため、これらは非公開または制限付きです。Microsoft がチェックポイントを公開リポジトリにコピーしたことはわかります。元の内容が何だったのか、誰が学習したのか、どのデータで学習したのか、なぜ組織が asgmodels という名前なのかはわかりません。このモデルの学習について説明する人は、推測しているにすぎません。

カードに記載された数字と、それぞれの価値
モデルカードは11個のベンチマークを公開しています。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、chrF++ 43.18です。手法の説明には、タスクの実装が存在する場合はEleutherAIのlm-evaluation-harnessを、それ以外の場合はベンチマーク自体のリポジトリを実行に使用し、判定スコア付きと示されたタスクではGPT-4oを判定者として用いたと記載されています。スコアは百分率です。
すべてベンダー報告によるもので、そのいずれも再現されていない。とはいえ、これほど小さいモデルでは、表に表れているパターンのほうが個々の数値よりも情報量が多い。MMLUの55.15は2.3Bパラメータとしてはまずまずだ。MMLU-Proの33.35とGPQAの28.18はそうではない。これらはより難しく、推論を要する知識テストであり、限界を明確に示している。緩いマッチングでのGSM8K 74.91は、厳密マッチングで同じ数値が出た場合よりも実質的に弱い結果だ。IFEval 83.90はこのカード上で相対的に最も強い結果である。このモデルはサイズにしては整形された指示によく従っており、それはまさにOSアシスタントに必要なことだ。
2つ目の注意点があり、モデルカードに明記されているものの見落としやすい。公開されているチェックポイントは非量子化モデルであり、量子化版は後日提供されるとカードには書かれている。ONNXビルドはすでに別途存在する — Microsoftは次を公開した:Aion-1.0-Instruct-2.3B-ONNX-WebGPU。これはBF16リポジトリの約3分後、約1.3GBで、線形層ではブロックサイズ32、埋め込みではブロックサイズ64のINT4ブロック単位の量子化対応トレーニングを用い、FP16のアクティベーションとKVキャッシュを備え、ONNX Runtime GenAI経由でWebGPUを対象としている。これが重要なデプロイ成果物であり、ほとんどの人が最初にダウンロードするファイルとは別のファイルだ。
なぜQwen3.8-27Bは別種の存在なのか
Qwen3.8-27Bは278億パラメータのモデルで、18個のBF16シャードにまたがり合計55.6 GB、画像・動画入力用のビジョンタワーを備えています。その64層は、3つのGated DeltaNet線形アテンション層に対して1つのフルGated Attention層という構成の16個の繰り返しブロックとして配置されており、隠れ層サイズは5,120、線形アテンションパスには48個のバリューヘッドがあり、クエリキーヘッドは16個です。コンテキストはネイティブで262,144トークン、YaRN使用時は1,000,000トークンです。Thinkingはデフォルトで有効で、最大262,144の推論トークンと131,072の回答トークンを扱い、推奨されるサンプリング設定はThinkingモードと非Thinkingモードで異なります。ライセンスはApache 2.0です。
問題となる差はパラメータ数ではない。55.6 GBのチェックポイントが、Aionモデルが想定して作られたデバイスでは動作しないことだ。Aionモデルの設計全体——2,048トークンのスライディングウィンドウ、INT4量子化対応トレーニング、1.3 GBのONNX WebGPUビルド——は、誰かがすでに所有しているマシンのメモリに何が収まるかについての主張だ。Qwen3.8-27Bの設計はサービングクラスタを前提としている。両者はスコアボードで選ぶものではない。選ぶ理由は、一方が他方の仕事の候補にならないからだ。
数字を横に並べられる場合と並べられない場合
ここには本当に役立つ相互参照が1つあるが、それはどちらのベンダーのカードにも載っていない。Artificial AnalysisはQwen3.8-27BをIntelligence Index v5.0.1で測定しており、この指数は9つの評価を組み合わせている。AA-Briefcase v1.1、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience v1.1、GDP.pdf、HLE-Diamond、CritPt v2、Terminal-Bench-Sciである。この指数でQwen3.8-27Bは20を記録し、比較可能なモデルの中央値10に対してこの値となっている。同じ測定では、入力100万トークンあたり0.50ドル、出力100万トークンあたり3.00ドル、タスクあたり3.53ドル、指数タスクあたり38.7分(中央値11.5分)、指数全体で消費されるトークン数1億2800万(中央値7780万)となっている。これは同分野の他のモデルより遅く冗長であり、トークン単価が控えめでもタスクあたりコストでその代償を払っている。

Aion に相当するものは存在しない。2026年11月19日時点で、Artificial Analysis には Aion のどのモデルについても項目がなく、独立したハーネスによる実行結果も公開されていない。したがって、公正なスコアボードには穴が空いており、その穴はより新しいモデル側にある。
• パラメータ — Aion-1.0-Instruct-2.3B:約2.3B、4.58 GBのBF16ファイル1個。Qwen3.8-27B:27.8B、18個のシャード、55.6 GBのBF16。
• コンテキスト — Aion-1.0-Instruct-2.3B: ONNX ビルドのカードによると 32,768 トークン。BF16 のカードには数値の記載なし。Qwen3.8-27B: ネイティブ 262,144、YaRN 使用時 1,000,000。
• モダリティ — Aion-1.0-Instruct-2.3B:テキストのみ。Qwen3.8-27B:テキスト、画像、動画を入力とし、テキストを出力。
• ライセンス — Aion-1.0-Instruct-2.3B: MIT。Qwen3.8-27B: Apache 2.0。どちらも商用利用を許可しています。MIT の方が両者の中で制約が少ないです。
• 実行可能フットプリント — Aion-1.0-Instruct-2.3B: WebGPU 向け INT4 ONNX で 1.3 GB、または BF16 で 4.58 GB。Qwen3.8-27B: BF16 で 55.6 GB、加えてサービング用メモリ。
• 独立評価 — Aion-1.0-Instruct-2.3B:なし。Qwen3.8-27B:v5.0.1 の Intelligence Index は 20。さらにベンダーカードでは、LiveCodeBench v6 90.3、GPQA Diamond 89.2、Terminal-Bench 2.1 は 73.0、SWE-bench Pro 61.7、HLE 30.8 を報告しています。
• 公開日 — Aion-1.0-Instruct-2.3B:2026年11月18日、公開からわずか1日で未告知。Qwen3.8-27B:2026年8月3日に発表、2026年8月14日に重みを公開。
その比較が実際に何を決めているのか
デスクトップアプリケーションを構築していて、ネットワーク越しの往復なしにテキストの分類、構造化フォーマットへの準拠、文書の要約、OSリクエストのルーティングを行う必要があるなら、選択肢に挙がるのはAionモデルであり、Qwen3.8-27Bではない。32Kのウィンドウは文書要約には十分だが、リポジトリ全体にわたるコーディング作業にはまったく足りない。MITライセンスなら法務レビューは不要だ。ONNX WebGPUビルドは、55.6 GBのチェックポイントを置けない環境でも動作する。
長いコンテキスト全体で動作し、スクリーンショットを読み、大規模なコードベースに対してコードを書き、多段階のツールループを実行するエージェントが必要なら、逆もまた然りだ。Qwen3.8-27B にはコンテキスト、モダリティ、独立した測定があり、その弱点——レイテンシーとトークンの冗長性——は価格付けできる既知の量だ。Aion モデルには独立した実行がまったくない。つまり実際には、それが重要な何かに触れる前に、あなた自身のタスクで評価を行うのはあなた自身ということになる。
ほとんどのチームにとっておそらく正解となる第三の立場がある。それは「選ばない」ということだ。2.3Bのオンデバイスモデルと27Bのホスト型モデルは補完関係にあり、両方を使うアーキテクチャ——頻繁で安価、レイテンシに敏感な呼び出しには小さなローカルモデルを、稀で高価、困難な呼び出しには大きなホスト型モデルを使う構成——こそが、請求書という現実に耐えるものだ。Qwen3.8-27BはOrcaRouter経由でqwen/qwen3.8-27bとして利用可能で、入力トークン100万あたり0.33ドル、出力100万あたり2.40ドル、Qwen3.8-FlashおよびQwen3.8-Maxティアと同じキーとエンドポイントを使い、プロバイダー間の自動フェイルオーバーを備え、プロバイダーの定価に対するトークンごとの上乗せはない。当社はそれらのウェイトを自ら運用しているため、ベンダーの価格変更は再価格設定サイクルを経た後ではなく当日にここへ反映される。Aion-1.0-Instruct-2.3BはOrcaRouterにはない——自分で実行するダウンロード版であり、両者は互いを意識することなく同じアプリケーション内に共存できる。

注目すべき点、そしてこの作品を変えるもの
状況を大きく変える可能性がある3つのことがあるが、まだどれも起きていない。Microsoftが発表を出すこと、学習の詳細を記載したモデルカードを公開すること、あるいは同社独自のハーネスの外でベンチマークを実行することだ。Artificial AnalysisがAionの項目を追加すること。それによって、新しいモデルはQwenがすでに持っている独立した対抗軸を得られる。あるいは、量子化されたBF16対INT4の話が、公開された精度差として決着すること。それは、このアーキテクチャ上でオンデバイス量子化が実際に持ちこたえるかどうかを決める数値だ。
それまでは、Aion-1.0-Instruct-2.3B をリポジトリが示すとおりのものとして扱ってください。つまり、小規模で、許諾条件の寛容なライセンスの、テキスト専用かつ Windows 向けのモデルであり、大げさな発表もなく公開され、公開からまだ1日で、ベンダーのベンチマーク表はあるものの、それを独立に検証したものはありません。Qwen3.8-27B は、第三者による測定結果が公開されており、コンテキストウィンドウが8倍大きく、それに見合うサービング費用もかかる、既知の存在として扱ってください。間違った問いは、どちらが勝つかです。正しい問いは、その2つのうちどちらがあなたのアプリケーションに欠けているかです。
