
Aion-1.0-Instruct-2.3B vs Qwen 3.8: een Windows-component ontmoet een 27B-werkpaard
- 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 · 215 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 · 97 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 · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 mln tokens · 109 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 · 68 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 · 209 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 18 november 2026 verscheen een repository met de naam Aion-1.0-Instruct-2.3B in de Hugging Face-organisatie van Microsoft, via één commit met de tekst "Duplicate from asgmodels/Aion-Instruct-v1". Geen blogpost, geen aankondiging op de modelkaart, geen persbericht, geen berichtgeving. De modelkaart beschrijft het als het fundamentele kleine taalmodel voor werk op Windows-apparaten en voegt toe dat een verder geoptimaliseerde versie ervan, gebundeld met Microsofts contentmoderatiemodel, eind januari 2027 de Windows OS SLM zal worden. Zet dat tegenover Qwen3.8-27B, het open-weight 27B vision-language model dat Alibaba in augustus 2026 publiceerde, en de gehoste Qwen3.8-Flash en Qwen3.8-Max-niveaus daarboven, en de vergelijking gaat al snel niet meer over kwaliteit. Het ene is een component die is toegesneden op een laptop. Het andere is een algemeen inzetbaar model dat je per miljoen tokens huurt. Bijna alles wat een benchmarktabel je zou vertellen, is irrelevant. Qwen3.8-27B wordt aangeboden als qwen/qwen3.8-27b in de catalogus van OrcaRouter, met dezelfde sleutel en hetzelfde endpoint als de Qwen3.8-Flash- en Qwen3.8-Max-niveaus.
Wat de Aion-repository eigenlijk bevat
Begin met wat controleerbaar is, want de lijst is kort. De repository is aangemaakt op 17:05 UTC op 18 november 2026 en is sindsdien niet gewijzigd. Hij heeft drie likes en op het moment van schrijven nul downloads. De gewichten zijn één enkel BF16-safetensorsbestand van 4,58 GB, consistent met de naam 2.3B bij twee bytes per parameter. De vocabulaire is 200.029 tokens. De licentie is MIT.
De architectuur is ongebruikelijker dan de omvang doet vermoeden. Achtentwintig lagen wisselen elkaar af in een hybride patroon — eenentwintig gebruiken sliding-window-attention met een venster van 2.048 tokens en zeven gebruiken volledige attention — en de lagen met volledige attention hebben een YaRN-extensie van 16×. Grouped-query-attention heeft 24 query-heads tegenover 8 key-value-heads, de embeddings zijn gekoppeld, en de kaart draagt je op om het uit te voeren met aangepaste modelleercode via trust_remote_code. De repository levert een eigen transformers-implementatie mee in plaats van aan te sluiten op een standaardarchitectuur.
De herkomst is het deel dat niet is bevestigd. De commit zegt dat de repository een duplicaat is van asgmodels/Aion-Instruct-v1, en de licentielink verwijst naar het LICENSE-bestand van die repository. Zowel asgmodels/Aion-Instruct-v1 als een zusterrepository van Microsoft met de naam Aion-Instruct-Preview-Sample geven een authenticatiefout bij anonieme API-verzoeken, dus ze zijn privé of afgeschermd. We kunnen zien dat Microsoft het checkpoint naar een openbare repository heeft gekopieerd. We kunnen niet zien wat het origineel bevatte, wie het heeft getraind, op welke data, of waarom de organisatie asgmodels heet. Iedereen die de training van dit model beschrijft, gokt.

De cijfers op de kaart, en wat ze waard zijn
De modelkaart publiceert elf benchmarks. 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 en chrF++ 43,18. In de methodologierij staat dat de runs EleutherAI's lm-evaluation-harness gebruikten waar een taakimplementatie bestond en anders de eigen repository van de benchmark, met GPT-4o als beoordelaar voor de taken die als door een beoordelaar gescoord zijn gemarkeerd. Scores zijn percentages.
Alles ervan is door de leverancier opgegeven en niets ervan is gereproduceerd. Voor een model dit klein is het patroon in de tabel echter informatiever dan welk afzonderlijk cijfer dan ook. MMLU op 55,15 is respectabel voor 2,3B parameters. MMLU-Pro op 33,35 en GPQA op 28,18 niet: dat zijn de moeilijkere, meer redeneergerichte kennistests, en ze laten de bovengrens duidelijk zien. GSM8K op 74,91 met losse matching is een aanzienlijk zwakker resultaat dan hetzelfde getal onder strikte matching zou zijn. IFEval 83,90 is het sterkste relatieve resultaat op de modelkaart — het model volgt geformatteerde instructies goed voor zijn grootte, precies wat een besturingssysteemassistent moet doen.
Er is een tweede voorbehoud dat de modelkaart ronduit vermeldt en dat gemakkelijk over het hoofd wordt gezien. Het gepubliceerde checkpoint is het niet-gekwantiseerde model, en de modelkaart zegt dat er gekwantiseerde versies zullen volgen. De ONNX-build bestaat al afzonderlijk — Microsoft publiceerde Aion-1.0-Instruct-2.3B-ONNX-WebGPU ongeveer drie minuten na de BF16-repository, op ongeveer 1,3 GB, met INT4 block-wise kwantisatiebewuste training op blokgrootte 32 voor lineaire lagen en blokgrootte 64 voor embeddings, met FP16-activaties en KV-cache, gericht op WebGPU via ONNX Runtime GenAI. Dat is het deployment-artefact dat ertoe doet, en het is een ander bestand dan het bestand dat de meeste mensen als eerste zullen downloaden.
Waarom Qwen3.8-27B een ander soort object is
Qwen3.8-27B heeft 27,8 miljard parameters verdeeld over achttien BF16-shards die samen 55,6 GB beslaan, met een vision tower voor beeld- en video-invoer. De vierenzestig lagen zijn opgebouwd als zestien zich herhalende blokken van drie Gated DeltaNet linear-attention-lagen op één volledige Gated Attention-laag, met een verborgen grootte van 5.120 en 48 value-heads in het linear-attention-pad tegenover 16 query-key-heads. De context bedraagt native 262.144 tokens en 1.000.000 met YaRN. Thinking staat standaard aan, met maximaal 262.144 reasoning-tokens en 131.072 antwoordtokens, en de aanbevolen sampling verschilt tussen thinking- en non-thinking-modi. De licentie is Apache 2.0.
Het verschil dat ertoe doet zit niet in de parameters. Het is dat een checkpoint van 55,6 GB niet draait op het apparaat waarvoor het Aion-model is gebouwd. Het hele ontwerp van het Aion-model — sliding windows van 2.048 tokens, INT4-quantisatiebewuste training, een ONNX WebGPU-build van 1,3 GB — is een pleidooi voor wat er in het geheugen past op een machine die iemand al bezit. Het ontwerp van Qwen3.8-27B gaat uit van een serving-cluster. Je kiest niet tussen beide op basis van een scorebord. Je kiest omdat een van de twee geen kandidaat is voor de taak van de ander.
Waar de getallen wel en niet naast elkaar kunnen worden gelegd
Er is hier één werkelijk nuttige kruisverwijzing, en die staat op de kaart van geen van beide leveranciers. Artificial Analysis meet Qwen3.8-27B op Intelligence Index v5.0.1, dat negen evaluaties combineert: AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 en Terminal-Bench-Sci. Op die index scoort Qwen3.8-27B 20, tegen een mediaan van 10 voor vergelijkbare modellen. Dezelfde meting zet het op $0,50 per miljoen invoertokens en $3,00 per miljoen uitvoertokens, $3,53 per taak, 38,7 minuten per indextaak tegen een mediaan van 11,5, en 128 miljoen verbruikte tokens over de hele index tegen een mediaan van 77,8 miljoen. Het is langzamer en woordrijker dan het veld, en dat betaalt het terug in kosten per taak, zelfs bij een bescheiden prijs per token.

Er is geen equivalent voor Aion. Met ingang van 19 november 2026 heeft Artificial Analysis geen vermelding voor enig Aion-model, en geen enkele onafhankelijke harness heeft een run gepubliceerd. Dus het eerlijke scorebord heeft een gat, en dat gat zit aan de kant van het nieuwere model.
• Parameters — Aion-1.0-Instruct-2.3B: ongeveer 2,3B, één BF16-bestand van 4,58 GB. Qwen3.8-27B: 27,8B, achttien shards, 55,6 GB BF16.
• Context — Aion-1.0-Instruct-2.3B: 32.768 tokens, volgens de modelkaart van de ONNX-build; de BF16-modelkaart vermeldt geen aantal. Qwen3.8-27B: 262.144 native, 1.000.000 met YaRN.
• Modaliteit — Aion-1.0-Instruct-2.3B: alleen tekst. Qwen3.8-27B: tekst, afbeelding en video als invoer, tekst als uitvoer.
• Licentie — Aion-1.0-Instruct-2.3B: MIT. Qwen3.8-27B: Apache 2.0. Beide staan commercieel gebruik toe; MIT is van de twee de minst beperkende.
• Geheugengebruik bij uitvoering — Aion-1.0-Instruct-2.3B: 1,3 GB INT4 ONNX voor WebGPU, of 4,58 GB BF16. Qwen3.8-27B: 55,6 GB BF16, plus geheugen voor serving.
• Onafhankelijke evaluatie — Aion-1.0-Instruct-2.3B: geen. Qwen3.8-27B: Intelligentie-index 20 op v5.0.1, plus een leverancierskaart met LiveCodeBench v6 90.3, GPQA Diamond 89.2, Terminal-Bench 2.1 op 73.0, SWE-bench Pro 61.7 en HLE 30.8.
• Publicatiedatum — Aion-1.0-Instruct-2.3B: 18 november 2026, één dag oud en onaangekondigd. Qwen3.8-27B: aangekondigd op 3 augustus 2026, gewichten vrijgegeven op 14 augustus 2026.
Wat de vergelijking eigenlijk beslist
Als je een desktopapplicatie bouwt die tekst moet classificeren, een gestructureerd formaat moet volgen, een document moet samenvatten of een besturingssysteemverzoek moet routeren zonder een netwerkroundtrip, dan is het Aion-model in beeld en Qwen3.8-27B niet. Het 32K-venster is genoeg voor een documentsamenvatting en lang niet genoeg voor een codeertaak over een hele repository. De MIT-licentie maakt juridische beoordeling overbodig. De ONNX WebGPU-build draait waar een checkpoint van 55,6 GB niet terechtkan.
Als je een agent nodig hebt die over lange contexten werkt, screenshots leest, code schrijft tegen een grote codebase of meerstaps tool-loops uitvoert, geldt het omgekeerde. Qwen3.8-27B heeft de context, de modaliteit en onafhankelijke meting, en de zwaktes — latentie en tokenverbositeit — zijn bekende grootheden die je kunt beprijzen. Het Aion-model heeft helemaal geen onafhankelijke run, wat in de praktijk betekent dat jij degene bent die de evaluatie uitvoert, op je eigen taken, voordat het iets aanraakt dat ertoe doet.
Er is een derde positie die waarschijnlijk de juiste is voor de meeste teams: niet kiezen. Een 2,3B-model op het apparaat en een gehost 27B-model zijn complementair, en de architectuur die beide gebruikt — een klein lokaal model voor de frequente, goedkope, latentiegevoelige aanroepen en een groot gehost model voor de zeldzame, dure, moeilijke gevallen — is degene die contact met een factuur overleeft. Qwen3.8-27B is beschikbaar via OrcaRouter als qwen/qwen3.8-27b voor $0,33 per miljoen invoertokens en $2,40 per miljoen uitvoer, op dezelfde sleutel en hetzelfde endpoint als de Qwen3.8-Flash- en Qwen3.8-Max-tiers, met automatische failover tussen providers en zonder markup per token bovenop de lijstprijs van de provider. Wij draaien die gewichten zelf, dus een prijswijziging van een leverancier landt hier dezelfde dag in plaats van na een herprijscyclus. Aion-1.0-Instruct-2.3B staat niet op OrcaRouter — het is een download die je zelf draait, en de twee kunnen in dezelfde applicatie zitten zonder dat de een van de ander weet.

Waar op te letten, en wat dit stuk zou veranderen
Drie dingen zouden het beeld wezenlijk veranderen, en geen ervan is nog gebeurd. Microsoft dat een aankondiging publiceert, een modelkaart met trainingsdetails, of een benchmarkrun buiten de eigen harness van het bedrijf. Artificial Analysis dat een Aion-vermelding toevoegt, waardoor het nieuwere model het onafhankelijke tegenwicht zou krijgen dat Qwen al heeft. Of het verhaal over gekwantiseerde BF16 versus INT4 dat resulteert in een gepubliceerd nauwkeurigheidsverschil, het getal dat bepaalt of kwantisatie op het apparaat op deze architectuur daadwerkelijk standhoudt.
Behandel Aion-1.0-Instruct-2.3B tot die tijd als wat de repository laat zien: een klein, onder een permissieve licentie uitgebracht, alleen-tekstmodel dat op Windows is gericht, zonder poespas gepubliceerd, één dag oud, met een leveranciersbenchmarktabel en geen onafhankelijke controle daarop. Behandel Qwen3.8-27B als een bekende grootheid met gepubliceerde metingen door derden, een contextvenster dat acht keer groter is, en een serveerrekening die daarbij past. De verkeerde vraag is welke van de twee wint. De juiste vraag is welk van die twee objecten je applicatie mist.
