Wygenerowana karta tytułowa z napisem „Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base” i podtytułem „Prawie ten sam rozmiar, całkowicie różne rezultaty”, nad dwiema kartami pipeline’ów: LFM2.5 2.6B Base z „najpierw pretraining, potem Twoje dostrajanie” i „2.69B, kontekst 131K, LFM Open License” oraz Aion-1.0-Instruct-2.3B z „już dostrojony do instrukcji” i „2.29B, kontekst 32K, MIT”.
Guides & Insights

Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base: Prawie ten sam rozmiar, całkowicie różne rezultaty

Autor

Elias Hawthorne

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Na papierze to obecnie najciaśniejsze starcie w dziedzinie małych modeli. Aion-1.0-Instruct-2.3B ma 2,29 miliarda parametrów; LFM2.5 2.6B Base ma 2,69 miliarda. Oba są gęste, oba obsługują wyłącznie tekst, oba mają otwarte wagi, oba są przeznaczone do wdrożeń na urządzeniach i oba pojawiły się bez wydarzenia premierowego — model Microsoftu 18 listopada 2026 r., bazowy checkpoint Liquid AI 4 sierpnia 2026 r. Gdyby zestawić je według specyfikacji, można by dojść do wniosku, że są konkurentami.

Nie są. Jeden z nich jest ukończony. Drugi to punkt wyjścia, który celowo nie został ukończony, i Liquid AI mówi o tym na karcie: Base checkpoint „jest zalecany wyłącznie do zadań wymagających intensywnego dostrajania”. To jedno zdanie porządkuje na nowo wszystko inne w tym porównaniu, ponieważ wstępnie wytrenowana baza i asystent dostrojony do instrukcji nie są dwoma produktami w tej samej kategorii — to dwa etapy tego samego potoku, sprzedawane osobno.

Poniższe dane Aion-1.0-Instruct-2.3B pochodzą z karty modelu i konfiguracji repozytorium Microsoftu, odczytanych bezpośrednio. Dane LFM2.5 2.6B Base pochodzą z karty modelu Liquid AI i towarzyszącego jej wpisu na blogu. Żaden z modeli nie ma niezależnej ewaluacji; jeśli liczba jest podana przez dostawcę, jest oznaczona, a jeśli liczba w ogóle nie istnieje, mówi się o tym, zamiast ją uzupełniać.

Co „Base” usuwa z porównania

LFM2.5 2.6B Base to wstępnie wytrenowany checkpoint, z którego powstał każdy wariant LFM2.5 2.6B. Został wytrenowany na około 34 bilionach tokenów w 16 językach i będzie kontynuować tekst, a nie wykonywać instrukcje, ponieważ dostrajanie do instrukcji znajduje się w bliźniaczym checkpoincie. Załaduj go i zadaj mu pytanie, a zrobi to, co robi model językowy bez treningu końcowego: rozszerzy Twój prompt w prawdopodobnym kierunku.

To sprawia, że około połowa zwykłego porównania jest nieistotna. Nie ma sensu pytać, który model lepiej wykonuje instrukcje, ponieważ jednego z nich nie uczono tego. Nie ma sensu porównywać zachowań odmownych ani formatowania czatu. Pozostaje węższe i bardziej użyteczne pytanie: jeśli budujesz asystenta, a nie kupujesz go, czy gotowy model Microsoftu o 2,29B jest lepszym punktem wyjścia niż surowy model Liquid AI o 2,69B — czy gorszym, ponieważ jego dostrojenie już narzuciło mu kształt, którego możesz nie chcieć?

• Parametry — 2,29 mld ze współdzielonymi osadzeniami dla Aion; 2,69 mld dla LFM2.5 2.6B Base.

Architektura — Aion to konwencjonalny transformer z uwagą z grupowanymi zapytaniami i hybrydowym wzorcem uwagi: 21 przesuwnych plus 7 pełnych; LFM2.5 to hybryda 22 podwójnie bramkowanych bloków krótkiej konwolucji i 8 warstw GQA w łącznie 30 warstwach.

• Wielkość treningu — Microsoft nie publikuje liczby tokenów dla Aion; Liquid AI podaje około 34 bilionów dla LFM2.5.

• Kontekst — 32 768 tokenów w przypadku Aion, 131 072 w przypadku LFM2.5 2.6B Base, z dedykowaną fazą rozszerzania długiego kontekstu do 128K na etapie treningu pośredniego.

• Słownictwo — 200 029 dla Aion; 128 000 dla LFM2.5, podwojone na miejscu względem tokenizera poprzedniej generacji, a nie wytrenowane od nowa.

• Licencja — MIT dla Aion; LFM Open License v1.0 dla LFM2.5 2.6B Base, która nie jest licencją OSI i wymaga przeczytania przed wdrożeniem.

• Po treningu — model dostrojony do instrukcji z szablonem czatu i formatem wywoływania narzędzi, w porównaniu z wstępnie wytrenowanym checkpointem, który nie ma żadnego z tych elementów.

Wybór architektury, który wyjaśnia lukę kontekstową

Czterokrotna różnica w oknie kontekstu nie jest przypadkiem budżetu treningowego. Projekt LFM2.5 zastępuje większość warstw uwagi blokami krótkich konwolucji, co jest założeniem, że mieszanie sekwencji nie wymaga pełnej uwagi na każdej warstwie — i to założenie sprawia, że okno 131K jest osiągalne na telefonie. Blog Liquid AI wyraźnie podaje, że etap treningu pośredniego obejmował dedykowaną fazę rozszerzania kontekstu do 128K, więc długie okno zostało wyuczone, a nie skonfigurowane po fakcie.

Aion działa w drugą stronę. Dwadzieścia jeden z jego 28 warstw wykorzystuje okno przesuwne o rozmiarze 2,048 tokenów, a tylko siedem korzysta z pełnej uwagi, przy czym do tych siedmiu zastosowano skalowanie YaRN o współczynniku 16. Opublikowany kontekst wynosi 32,768, a original_max_position_embeddings równe 2,048 w konfiguracji jest wskazówką: okno osiąga się poprzez interpolację pozycyjną z krótkiego natywnego zakresu. To normalna technika. Tutaj pozostaje jednak niezmierzona — Microsoft nie opublikował żadnej ewaluacji długiego kontekstu, a model ma dopiero jeden dzień, więc nikt inny również takiej nie przeprowadził.

Praktyczne tłumaczenie: LFM2.5 2.6B Base oferuje długi kontekst, który można zweryfikować w oparciu o udokumentowaną fazę treningu. Aion oferuje krótszy, który należy przetestować, a nie zakładać z góry.

Co daje Ci Aion, czego nie może dać bazowy checkpoint

Zalety gotowego modelu są konkretne i nudne — i właśnie dlatego warto je wymienić. Aion-1.0-Instruct-2.3B dostarcza szablon czatu z domyślną preambułą systemową, opcjonalnym komunikatem systemowym dostarczanym przez użytkownika i dołączanym do niej oraz zmiennymi szablonu dla tożsamości modelu, daty odcięcia wiedzy i bieżącej daty. Dostarcza udokumentowany format wywoływania narzędzi. Został dostrojony pod kątem bezpieczeństwa do standardu Microsoftu, a karta podaje XPIA, DIC i ECI jako metryki bezpieczeństwa, które zamierza poprawić — wskazując luki, zamiast twierdzić, że zostały zamknięte.

Dostarcza również jedenaście wyników benchmarków na nazwanym harnessie, co jest więcej niż oferuje LFM2.5 2.6B Base. Karta modelu bazowego podaje fakty dotyczące architektury i treningu, a w ogóle nie zawiera ewaluacji, co jest właściwym wyborem dla checkpointu, którego nie ma się oceniać na zadaniach, do których nie był dostrajany. Jeśli potrzebujesz liczby do umieszczenia w dokumencie projektowym, Aion ją ma: IFEval 83.90, MMLU 55.15, GSM8K 74.91, MMLU-Pro 33.35, GPQA 28.18, między innymi, wszystkie uruchomione przez dostawcę na lm-evaluation-harness lub własnej implementacji danego benchmarku.

Ale zanim uznasz to za górną granicę możliwości, przeczytaj zastrzeżenia na karcie samego Aiona. Mówi ona, że model „nie był trenowany, by wyróżniać się w wiedzy o świecie”, że model tej wielkości „może pomijać drobne szczegóły, podawać błędne stwierdzenia lub wykazywać nieumiejętność prowadzenia złożonego wieloetapowego rozumowania”, a dane wielojęzyczne stanowiły około 6% treningu w ośmiu językach, przy czym ich jakość różniła się w zależności od języka. To wyjątkowo szczera sekcja ograniczeń i opisuje model dostrojony do streszczania, przepisywania, czatu i zadań w systemie operacyjnym, a nie do otwartego rozumowania.

Co daje Ci bazowy checkpoint, czego nie może dać Ci model dostrojony

Kontrola i czysta początkowa powierzchnia straty. Jeśli Twój produkt potrzebuje modelu, który pisze w firmowym stylu, odpowiada przy użyciu słownictwa danej dziedziny lub generuje ściśle ustrukturyzowany format, post-training na bazowym checkpointcie pozwala to osiągnąć bez zmagania się z cudzym przebiegiem alignmentu. Karta Liquid AI jasno określa zamierzone zastosowania: intensywne dostrajanie, asystenci dla konkretnych języków, asystenci dla konkretnych dziedzin, trenowanie na danych własnościowych oraz eksperymentowanie z nowatorskimi podejściami do post-trainingu.

To również stawia cię przed decyzją licencyjną, którą trzeba podjąć, a nie odziedziczyć. LFM2.5 2.6B Base jest udostępniony na licencji LFM Open License v1.0 — to licencja niestandardowa, nie Apache 2.0 i nie MIT. Jej karta modelu wymienia licencję jako "other" o nazwie "lfm1.0". To, czy jest to problem, zależy wyłącznie od twojego modelu dystrybucji, i jest to coś, co wychodzi na jaw późno podczas przeglądu prawnego, jeśli nikt nie przeczyta tego wcześnie. MIT z kolei jest niemal tak krótka, jak tylko licencje bywają.

A oto argument dotyczący narzędzi. LFM2.5 został wydany ze wsparciem od pierwszego dnia w Transformers, vLLM, SGLang, llama.cpp, MLX i LM Studio, a także z opublikowanymi notatnikami do dostrajania dla Unsloth i TRL obejmującymi kontynuowane wstępne trenowanie, SFT, DPO i GRPO. Aion Instruct wymaga trust_remote_code=True i transformers 5.x, nie ma pliku GGUF w swoim repozytorium, mimo że karta modelu wymienia GGUF jako format, a jego skwantyzowane wersje są obiecywane, a nie publikowane. Dla modelu, który zamierzasz dostrajać, ekosystem wokół niego nie jest szczegółem.

Dwie drogi prowadzące do tego samego miejsca

Rozważ dwie realistyczne ścieżki dla zespołu, który chce mieć małego asystenta działającego na urządzeniu i dysponuje korpusem własnych danych.

Ścieżka pierwsza: weź Aion-1.0-Instruct-2.3B, oceń go na swoim zadaniu w postaci dostarczonej i dostrój go tylko wtedy, gdy nie spełni oczekiwań. Zaczynasz z działającym asystentem, szablonem czatu i formatem wywoływania narzędzi, a twój pierwszy eksperyment jest tani, ponieważ model już wykonuje to zadanie źle, a nie wcale. Ryzyko polega na tym, że korygujesz czyjeś wyrównanie, zamiast uczyć od zera, a przy 2,29B nie ma zbyt wiele pojemności, by to korygować.

Druga ścieżka: weź LFM2.5 2.6B Base, przeprowadź kontynuowane trenowanie wstępne na swoich danych dziedzinowych, a następnie SFT. Otrzymujesz model ukształtowany przez Twoje dane, a nie dostosowany do nich, z oknem 131K dostępnym od początku i dobrze udokumentowanym zestawem narzędzi do trenowania. Kosztem jest to, że bierzesz na siebie cały wysiłek związany z trenowaniem po wstępnym, w tym zachowania w zakresie bezpieczeństwa, którymi Microsoft już się zajął.

Trzecia ścieżka to ta, którą w praktyce obiera większość zespołów: zacząć od ścieżki pierwszej, aby uzyskać punkt odniesienia, i przejść na ścieżkę drugą tylko wtedy, gdy punkt odniesienia osiągnie plateau. To racjonalna kolejność, a zarazem argument przeciw podpisywaniu długoterminowej umowy na którykolwiek z modeli, zanim przepuścisz przez oba własne dane.

Gdy w produkcie masz dwa checkpointy, powierzchnia operacyjna zaczyna się rozrastać — osobne konfiguracje serwowania, osobne tryby awarii, osobne harmonogramy aktualizacji. Wkład OrcaRouter na tej warstwie to pojedynczy endpoint obejmujący ponad 200 modeli przy 0% marży z przekazywaną ceną katalogową dostawcy, automatyczne przełączanie awaryjne między dostawcami oraz DSL routingu, który potrafi wyrazić łańcuch fallbacku zamiast zakodowanego na stałe celu. Ani Aion-1.0-Instruct-2.3B, ani LFM2.5 2.6B Base nie znajdują się w tym katalogu — oba to wagi hostowane samodzielnie, a Aion nie ma nigdzie hostowanego API — więc to, co daje ci router, to warstwa ponad nimi: miejsce, do którego możesz wysyłać żądania, którymi twój model na urządzeniu nie powinien się zajmować.

Decyzja, skrócona

Jeśli chcesz coś, co w tym tygodniu będzie działać i odpowiadać na pytania, weź Aion-1.0-Instruct-2.3B. Jest ukończony, ma licencję MIT, zajmuje 4,6 GB w bfloat16, a jego ograniczenia są udokumentowane jego własnymi słowami, a nie odkrywane przez ciebie.

Jeśli chcesz zbudować model, a nie przyjmować gotowy, weź LFM2.5 2.6B Base. Ma 5,4 GB w bfloat16, dysponuje oknem 131K, które zostało wytrenowane, a nie skalowane, ma prawdziwy zestaw narzędzi do dostrajania i nie ma żadnych opinii na temat tego, jak powinien brzmieć twój asystent, ponieważ nie dano mu żadnych.

Nie należy ich traktować jako wymiennych tylko dlatego, że liczba parametrów jest zbliżona. Model bazowy 2,69B i model instruct 2,29B różnią się o mniej niż błąd zaokrąglenia na większości kart specyfikacji, a w praktyce o cały potok przetwarzania po treningu wstępnym, a wybór między nimi to decyzja o tym, kto wykonuje tę pracę.

A screenshot of Liquid AI's LFM2.5 2.6B Base model card, showing the 2.69B parameter count, 30 layers, roughly 34 trillion training tokens, a 131,072-token context with a dedicated 128K extension phase, the LFM Open License v1.0, and a statement that the base checkpoint is only recommended for tasks requiring heavy fine-tuning, with no evaluation table.

Karta Liquid AI wymienia liczby istotne dla celu dostrajania — 2,69 mld parametrów, 30 warstw, 34 biliony tokenów treningowych, okno 131 072 tokenów — i nie zawiera tabeli oceny, ponieważ bazowy checkpoint nie jest przeznaczony do oceniania na zadaniach, do których nie był dostrajany.

Otwarte pytania

Dla Aion: czy obiecane przez Microsoft skwantyzowane kompilacje się pojawią, czy okno długiego kontekstu wytrzyma prawdziwy test igły oraz co stanie się z tym checkpointem, gdy do końca stycznia 2027 r. pojawi się jeszcze bardziej zoptymalizowana wersja dla Windows. Karta przedstawia to wgranie jako zapowiedź tego modelu, co oznacza, że jego następca jest już zaplanowany.

W przypadku LFM2.5 2.6B Base: czy społeczność zbuduje na nim wystarczająco dużo, by jego receptury dostrajania stały się ścieżką referencyjną, oraz jak LFM Open License jest odczytywana przez zespoły prawne spoza typowej strefy komfortu licencji permisywnych. Na oba pytania można odpowiedzieć z czasem, a na żadne z nich nie odpowie tabela benchmarków.

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 for on-device Windows tasks, the 32,768-token context, the eleven published benchmarks, the safety metrics XPIA, DIC and ECI, and the note that a further optimised version becomes the Windows OS SLM by the end of January 2027.

Karta Aion w jednym wierszu określa zamierzone zastosowanie: podstawowy SLM do zadań Windows wykonywanych na urządzeniu, z integracją z systemem operacyjnym wstępnie zaplanowaną na styczeń 2027.

A generated two-column scoreboard comparing Aion-1.0-Instruct-2.3B, with 2.29B parameters, a 32,768-token context, MIT licence, an instruction-tuned checkpoint, no published training token count and 11 published benchmarks, against LFM2.5 2.6B Base, with 2.69B parameters, a 131,072-token context, the LFM Open License v1.0, a pretrained-only checkpoint, roughly 34 trillion training tokens and no published benchmarks. Footnoted that Aion figures come from Microsoft's card and LFM figures from Liquid AI's card, both vendor-reported and independently unreproduced.

Prawie identyczna liczba parametrów, różne elementy oferty: dostrojony do instrukcji i na licencji MIT kontra przedtrenowany i z niestandardową licencją, przy czym okno kontekstu wypada odwrotnie.