
Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base: bijna dezelfde grootte, totaal andere deliverables
- OrcaNIEUWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 mln tokens · 184 tok/s
- tencentNIEUWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 mln tokens · 223 tok/s
- GoogleNIEUWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 mln tokens · 87 tok/s
- AnthropicNIEUWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 mln tokens · 96 tok/s
- orcaNIEUWOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 mln tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 mln tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 mln tokens · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 mln tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 mln tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 mln tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligentie
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 mln tokens · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligentie
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 mln tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligentie
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 mln tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligentie
Op papier is dit op dit moment de meest nipte confrontatie in het domein van kleine modellen. Aion-1.0-Instruct-2.3B heeft 2,29 miljard parameters; LFM2.5 2.6B Base heeft 2,69 miljard parameters. Beide zijn dense, beide zijn alleen voor tekst, beide hebben open gewichten, beide richten zich op implementatie op het apparaat zelf, en beide verschenen zonder lanceringsevenement — die van Microsoft op 18 november 2026, het basis-checkpoint van Liquid AI op 4 augustus 2026. Als je ze op specificatie naast elkaar zou leggen, zou je concluderen dat ze concurrenten zijn.
Dat zijn ze niet. Een van de twee is af. De andere is een startpunt dat bewust niet is afgemaakt, en Liquid AI zegt dat ook op de modelkaart: het Base-checkpoint "wordt alleen aanbevolen voor taken waarvoor zware fine-tuning nodig is." Die ene zin herordent alles wat verder in deze vergelijking staat, want een voorgetraind basismodel en een op instructies afgestemde assistent zijn geen twee producten in dezelfde categorie — het zijn twee fasen van dezelfde pijplijn, apart verkocht.
De onderstaande cijfers voor Aion-1.0-Instruct-2.3B komen rechtstreeks uit Microsofts modelkaart en repositoryconfiguratie. De cijfers voor LFM2.5 2.6B Base komen uit de modelkaart van Liquid AI en de bijbehorende blogpost. Geen van beide modellen heeft een onafhankelijke evaluatie; waar een cijfer door de leverancier is gerapporteerd, wordt dat vermeld, en waar een cijfer helemaal niet bestaat, wordt dat gezegd in plaats van ingevuld.
Wat "Base" uit de vergelijking verwijdert
LFM2.5 2.6B Base is het voorgetrainde checkpoint waaruit elke LFM2.5 2.6B-variant is gemaakt. Het is getraind op ongeveer 34 biljoen tokens in 16 talen, en het zal tekst voortzetten in plaats van een instructie op te volgen, omdat instructietuning in het zustercheckpoint zit. Laad het en stel er een vraag aan, en het doet wat een taalmodel zonder post-training doet: je prompt in een plausibele richting voortzetten.
Daarmee is ongeveer de helft van de gebruikelijke vergelijking ongeldig. Het heeft geen zin om te vragen welk model beter instructies volgt, omdat een van de twee dat niet is aangeleerd. Het heeft geen zin om weigeringsgedrag of chatopmaak te vergelijken. Wat overblijft is een smallere en nuttigere vraag: als je een assistent bouwt in plaats van er een koopt, is het afgewerkte 2.29B-model van Microsoft dan een beter startpunt dan het ruwe 2.69B-model van Liquid AI — of juist een slechter, omdat de afstemming ervan het al heeft vastgelegd in een vorm die je misschien niet wilt?
• Parameters — 2,29B met getiedde embeddings voor Aion; 2,69B voor LFM2.5 2.6B Base.
• Architectuur — Aion is een conventionele transformer met grouped-query attention en een hybride attentionpatroon van 21 sliding- plus 7 full-attention; LFM2.5 is een hybride van 22 korte convolutieblokken met dubbele gate en 8 GQA-lagen over in totaal 30 lagen.
• Trainingsvolume — Microsoft publiceert geen tokenaantal voor Aion; Liquid AI publiceert ongeveer 34 biljoen voor LFM2.5.
• Context — 32.768 tokens voor Aion, 131.072 voor LFM2.5 2.6B Base, met een speciale uitbreidingsfase voor lange context van 128K tijdens de mid-training.
• Woordenschat — 200.029 voor Aion; 128.000 voor LFM2.5, ter plaatse verdubbeld vanuit de tokenizer van de vorige generatie in plaats van opnieuw getraind.
• Licentie — MIT voor Aion; de LFM Open License v1.0 voor LFM2.5 2.6B Base, die geen OSI-licentie is en gelezen moet worden voordat je het uitbrengt.
• Post-training — een op instructies afgestemd model met een chatsjabloon en een tool-calling-formaat, tegenover een vooraf getraind checkpoint dat geen van beide heeft.
De architectuurkeuze die de contextkloof verklaart
Het viervoudige verschil in contextvenster is geen toeval van het trainingsbudget. Het ontwerp van LFM2.5 vervangt de meeste aandachtsslgen door blokken met korte convolutie, wat een gok is dat sequence mixing niet op elke laag volledige aandacht nodig heeft om te werken — en die gok is wat een venster van 131K betaalbaar maakt op een telefoon. De blog van Liquid AI is expliciet dat mid-training een speciale fase voor contextuitbreiding naar 128K omvatte, dus het lange venster is ervoor getraind, niet achteraf geconfigureerd.
Aion gaat de andere kant op. Eenentwintig van zijn 28 lagen gebruiken een sliding window van 2.048 tokens en slechts zeven gebruiken volledige attention, waarbij YaRN-schaling met factor 16 op die zeven wordt toegepast. De gepubliceerde context is 32.768, en de original_max_position_embeddings van 2.048 in de configuratie is de aanwijzing: het venster wordt bereikt door positionele interpolatie vanuit een kort native bereik. Dit is een normale techniek. Die is hier ook niet gemeten — Microsoft heeft geen long-context-evaluatie gepubliceerd, en het model is een dag oud, dus niemand anders heeft er ook een uitgevoerd.
Praktische vertaling: LFM2.5 2.6B Base heeft een lange context die je kunt verifiëren aan de hand van een gedocumenteerde trainingsfase. Aion heeft een kortere context, die je moet testen in plaats van zomaar aan te nemen.
Wat Aion je geeft wat een basis-checkpoint niet kan
De voordelen van het afgewerkte model zijn concreet en saai, en juist daarom de moeite waard om op te sommen. Aion-1.0-Instruct-2.3B levert een chatsjabloon met een standaard systeeminleiding, een optioneel door de gebruiker aangeleverd systeembericht dat daaraan wordt toegevoegd, en sjabloonvariabelen voor modelidentiteit, kennisafsluitdatum en huidige datum. Het levert een gedocumenteerd formaat voor tool-aanroepen. Het is veiligheidsafgestemd op Microsofts standaard, en de modelkaart rapporteert XPIA, DIC en ECI als de veiligheidsmetrics die het beoogt te verbeteren — de lacunes worden benoemd in plaats van beweerd dat ze zijn gedicht.
Het levert ook elf benchmarkscores op een met naam genoemde harness, meer dan LFM2.5 2.6B Base biedt. De base-kaart vermeldt architectuur en trainingsfeiten en helemaal geen evaluatie, wat de juiste keuze is voor een checkpoint dat niet bedoeld is om te worden gescoord op taken waarvoor het niet is afgestemd. Als je een cijfer nodig hebt om in een ontwerpdocument te zetten, heeft Aion er een: IFEval 83.90, MMLU 55.15, GSM8K 74.91, MMLU-Pro 33.35, GPQA 28.18, onder andere, allemaal door de leverancier uitgevoerd op lm-evaluation-harness of de eigen implementatie van de benchmark.
Maar lees de voorbehouden op Aions eigen modelkaart voordat je dat als een plafond voor de capaciteiten beschouwt. Er staat dat het model "niet is getraind om uit te blinken in wereldkennis", dat een model van deze omvang "fijne details kan missen, onjuistheden kan verkondigen of niet in staat kan blijken complexe meerstapsredeneringen te volgen", en dat meertalige data ongeveer 6% van de training uitmaakten, verdeeld over acht talen, waarbij de kwaliteit per taal verschilt. Dat is een ongewoon openhartige sectie over beperkingen, en die beschrijft een model dat is afgestemd op samenvatten, herschrijven, chatten en taken op het gebied van besturingssystemen, in plaats van op open-eindredeneringen.
Wat een basis-checkpoint je biedt wat een afgestemd model niet kan
Controle, en een schoon uitgangspunt voor het verliesoppervlak. Als je product een model nodig heeft dat in een huisstijl schrijft, antwoordt met een domeinvocabulaire of een strikt gestructureerd formaat produceert, brengt post-training op een basis-checkpoint je daar zonder te worstelen met de alignmentronde van iemand anders. De kaart van Liquid AI is duidelijk over de beoogde toepassingen: zwaar fine-tunen, taalspecifieke assistenten, domeinspecifieke assistenten, trainen op propriëtaire data en experimenteren met nieuwe post-trainingbenaderingen.
Het geeft je ook een licentiebeslissing om te nemen in plaats van te erven. LFM2.5 2.6B Base is uitgebracht onder de LFM Open License v1.0 — een aangepaste licentie, niet Apache 2.0 en niet MIT. De modelkaart vermeldt de licentie als "other" met de naam "lfm1.0". Of dat een probleem is, hangt volledig af van je distributiemodel, en het is het soort ding dat laat in een juridische beoordeling opduikt als niemand het vroeg leest. MIT daarentegen is ongeveer zo kort als licenties maar kunnen zijn.
En er is een argument op het gebied van tooling. LFM2.5 verscheen op de eerste dag met ondersteuning in Transformers, vLLM, SGLang, llama.cpp, MLX en LM Studio, plus gepubliceerde fine-tuning-notebooks voor Unsloth en TRL die continued pre-training, SFT, DPO en GRPO omvatten. Aion Instruct vereist trust_remote_code=True en transformers 5.x, heeft geen GGUF-bestand in zijn repository hoewel de modelcard GGUF als formaat vermeldt, en de gekwantiseerde builds worden beloofd in plaats van gepubliceerd. Voor een model dat je wilt fine-tunen, is het ecosysteem eromheen geen detail.
Twee manieren om op dezelfde plek te belanden
Overweeg de twee realistische paden voor een team dat een kleine on-device assistent wil en een corpus met eigen data heeft.
Pad één: neem Aion-1.0-Instruct-2.3B, evalueer het op je taak zoals het geleverd is, en fine-tune het alleen als het tekortschiet. Je begint met een werkende assistent, een chattemplate en een formaat voor tool-aanroepen, en je eerste experiment is goedkoop omdat het model het werk al slecht doet in plaats van helemaal niet. Het risico is dat je de alignment van iemand anders corrigeert in plaats van vanaf nul te onderwijzen, en bij 2,29B is er niet veel capaciteit om mee te corrigeren.
Pad twee: neem LFM2.5 2.6B Base, voer voortgezette pretraining uit op je domein en daarna SFT. Je krijgt een model dat door jouw data is gevormd in plaats van er alleen naar toe bijgestuurd, met vanaf het begin een contextvenster van 131K en een goed gedocumenteerde trainings-toolchain. De keerzijde is dat je de volledige post-training zelf moet uitvoeren, inclusief het veiligheidsgedrag dat Microsoft al had afgehandeld.
De derde route is degene die de meeste teams daadwerkelijk volgen: begin met route één om een basislijn te krijgen, en schakel pas over op route twee als de basislijn afvlakt. Dat is een rationele volgorde, en het is ook een argument om geen lang contract te tekenen voor een van beide modellen voordat je je eigen data door beide hebt gehaald.
Zodra je twee checkpoints in een product hebt, begint het operationele oppervlak uit te dijken — aparte serve-configuraties, aparte faalmodi, aparte upgrade-ritmes. De bijdrage van OrcaRouter op die laag is één endpoint 200+ modellen tegen 0% markup, waarbij de lijstprijs van de provider wordt doorgegeven, automatische failover tussen providers, en een routing-DSL die een fallback-keten kan uitdrukken in plaats van een hardgecodeerd doel. Noch Aion-1.0-Instruct-2.3B noch LFM2.5 2.6B Base staat in die catalogus — beide zijn zelfgehoste gewichten, en Aion heeft nergens een gehoste API — dus wat de router je oplevert, is de laag boven hen: een plek om de verzoeken naartoe te sturen die je on-device model niet zou moeten afhandelen.
De beslissing, gecomprimeerd
Als je deze week iets aan de praat wilt krijgen dat vragen beantwoordt, neem dan Aion-1.0-Instruct-2.3B. Het is af, het is MIT, het is 4,6 GB in bfloat16, en de beperkingen ervan zijn in zijn eigen woorden gedocumenteerd in plaats van dat jij ze zelf moet ontdekken.
Als je een model wilt bouwen in plaats van er een over te nemen, neem dan LFM2.5 2.6B Base. Het is 5,4 GB in bfloat16, het heeft een venster van 131K dat is getraind in plaats van geschaald, het heeft een echte fine-tuning-toolchain, en het heeft geen opvattingen over hoe je assistent zou moeten klinken, omdat het die niet heeft meegekregen.
Wat je niet moet doen, is ze als uitwisselbaar behandelen omdat de parameteraantallen dicht bij elkaar liggen. Het verschil tussen een base model van 2,69B en een instructmodel van 2,29B is op de meeste specsheets kleiner dan de afrondingsfout, maar in de praktijk een volledige post-trainingpipeline, en kiezen tussen beide is een beslissing over wie het werk doet.

De kaart van Liquid AI somt de cijfers op die ertoe doen voor een fine-tuningdoel — 2,69 miljard parameters, 30 lagen, 34 biljoen trainingstokens, een contextvenster van 131.072 tokens — en bevat geen evaluatietabel, omdat een basischeckpoint niet bedoeld is om te worden beoordeeld op taken waarvoor het niet is getuned.
De openstaande vragen
Voor Aion: of de door Microsoft beloofde gequantiseerde builds arriveren, of het langecontextvenster standhoudt onder een echte naaldtest, en wat er met dit checkpoint gebeurt wanneer de verder geoptimaliseerde Windows-versie eind januari 2027 verschijnt. De kaart presenteert deze upload als een preview van dat model, wat betekent dat de opvolger al gepland staat.
Voor LFM2.5 2.6B Base: of de community er genoeg op voortbouwt om de fine-tuningrecepten ervan het referentiepad te maken, en hoe de LFM Open License wordt gelezen door juridische teams buiten de gebruikelijke comfortzone van permissieve licenties. Beide zijn met tijd te beantwoorden, en geen van beide is te beantwoorden met een benchmarktabel.

De Aion-kaart vermeldt het beoogde gebruik in één regel: de fundamentele SLM voor on-device Windows-taken, waarbij de OS-integratie voorlopig is gepland voor januari 2027.

Vrijwel identieke parameteraantallen, maar andere deliverables: instruction-tuned en MIT tegenover pretrained en custom-licensed, waarbij het contextvenster de andere kant op gaat.
