Wygenerowana karta tytułowa z napisem „Aion-1.0-Instruct-2.3B vs MiniCPM5 2B” i podtytułem „Ten z tablicą wyników ma już na niej rywala”, nad dwiema kartami: MiniCPM5-2B z „966 tys. pobrań”, „opublikowano 35 benchmarków” i „GGUF, MLX, GPTQ” oraz Aion-1.0-Instruct-2.3B z „0 pobrań, 3 polubienia”, „opublikowano 11 benchmarków” i „tylko Safetensors”.
Guides & Insights

Aion-1.0-Instruct-2.3B kontra MiniCPM5 2B: Ten z tablicą wyników ma już na niej rywala

Autor

Elias Hawthorne

Data publikacji

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

Karta modelu MiniCPM5-2B zawiera tabelę porównawczą z ośmioma modelami bazowymi, a Aion-1.0-Instruct-2.3B nie jest jednym z nich. To nie jest przytyk; to znacznik czasu. Tabela OpenBMB została zbudowana wokół modeli, które istniały, gdy wagi opublikowano 6 września 2026 r. Checkpoint Microsoftu pojawił się na Hugging Face 18 listopada 2026 r., siedemdziesiąt trzy dni później, bez zapowiedzi i z trzema polubieniami. Nikt nie postawił tych dwóch obok siebie, ponieważ przez pierwszy dzień jego życia nikt nie mógł. MiniCPM5-2B, tymczasem jest najczęściej pobieranym modelem w tej klasie z dużą przewagą — około 966 000 pobrań wobec zera w przypadku Aiona.

Zatem nie jest to porównanie dwóch zmierzonych modeli. To porównanie między modelem, który pojawił się z tabelą wyników i rzeszą fanów, a modelem, który pojawił się z plikiem konfiguracyjnym i obietnicą dotyczącą stycznia 2027 r. W dalszej części wykorzystano opublikowane przez OpenBMB liczby dla MiniCPM5-2B tam, gdzie są dostępne, kartę Microsoftu dla Aion-1.0-Instruct-2.3B i wyraźnie wskazano, gdy dana komórka jest pusta.

Dwa modele o 2,5 miliarda parametrów, które nie są do siebie podobne

Rozmiary z nagłówków są wystarczająco bliskie, by zachęcać do porównania kart specyfikacji, a same karty specyfikacji potem nie chcą się zgadzać.

• Parametry — MiniCPM5-2B ma łącznie 2,52 mld parametrów, z czego 1,98 mld to parametry niebędące osadzeniami; Aion-1.0-Instruct-2.3B ma 2,29 mld, przy czym osadzenia wejściowe i wyjściowe są powiązane.

• Głębokość — 42 warstwy w przypadku MiniCPM5-2B, w standardowej architekturze LlamaForCausalLM; 28 warstw w przypadku Aion, na niestandardowym kodzie modelowania wymagającym trust_remote_code.

• Uwaga — 16 głów zapytań i 2 głowy klucza/wartości dla MiniCPM5-2B; 24 głowy zapytań i 8 głów klucza/wartości przy wymiarze głowy 128 dla Aion, w hybrydowym wzorcu 21 warstw z oknem przesuwnym przy 2 048 tokenach i 7 warstw pełnej uwagi.

• Kontekst — 131,072 tokeny w porównaniu z 32,768.

• Języki — angielski i chiński dla MiniCPM5-2B; osiem języków dla Aion, z danymi wielojęzycznymi stanowiącymi około 6% treningu.

• Licencja — Apache 2.0 kontra MIT. Obie są permisywne, obie bezpieczne pod kątem komercyjnym.

• Ekosystem — GGUF, MLX, GPTQ, base, SFT, midtrain i draft checkpointy oraz zbiory danych treningowych, w zestawieniu z safetensors i obietnicą późniejszych skwantyzowanych buildów.

Ta ostatnia linia to miejsce, w którym różnica przestaje dotyczyć jakości modelu. MiniCPM5-2B to wydanie, które możesz wdrożyć na czterech różnych środowiskach uruchomieniowych jeszcze dziś po południu. Aion-1.0-Instruct-2.3B to wydanie, które możesz wdrożyć na tylko jednym, z siostrzanym repozytorium ONNX-WebGPU przesłanym tego samego wieczoru oraz formatem GGUF wymienionym na karcie modelu, ale nieobecnym na liście plików.

Liczby, które OpenBMB opublikowało, i te, których nie opublikowało.

Karta MiniCPM5-2B twierdzi, że to najnowocześniejsze rozwiązanie open source w klasie 2B, a następnie — co nietypowe — publikuje dowody na przestrzeni 35 benchmarków w dziewięciu kategoriach. Najważniejsze liczby: AIME 2025 — 86,5; AIME 2026 — 86,5; MMLU-Pro — 70,8; GPQA-Diamond — 70,2; IFEval — 86,7; LiveCodeBench v6 — 69,1; SWE-bench Verified — 46,4; BFCL v4 — 66,6; τ²-Bench Telecom — 97,1; AA-LCR — 59,0; NoLiMa — 68,1.

Karta publikuje również średnią zbiorczą dla nich wszystkich — 53,9 dla MiniCPM5-2B, 51,1 dla Qwen3.5-4B, 42,7 dla Granite 4.2 3B, 33,2 dla LFM2.5-2.6B. To własne uruchomienia harnessu dostawcy na jego własnym doborze benchmarków, a dobór ten sprzyja dokładnie temu, do czego model był trenowany: agentowemu użyciu narzędzi, kodowaniu, długiemu kontekstowi. Dostawca, który wybiera testy, może wybrać ranking. Czytaj tę tabelę jako oświadczenie o priorytetach treningowych, co jest szczere, a nie jako niezależny werdykt, którym nie jest.

To, czego karta MiniCPM5-2B nie zawiera, to jakikolwiek benchmark, w którym występuje Aion-1.0-Instruct-2.3B, a to, czego nie zawiera karta Aiona, to jakakolwiek z dziewięciu kategorii MiniCPM5-2B. Nakładanie się jest rzeczywiste, ale wąskie: MMLU-Pro, GPQA, IFEval i warianty AIME to jedyne miejsca, w których dwie opublikowane tabele mówią tym samym językiem, i nawet tam konfiguracje harnessu się różnią. W tych wspólnych wierszach różnica jest duża — 70,8 wobec 33,35 na MMLU-Pro, 70,2 wobec 28,18 na GPQA — ale to porównanie między modelem wytrenowanym do rozumowania i pracy agentowej a modelem wytrenowanym do rozumienia i przepisywania dokumentów, i liczby mówią dokładnie to.

Gdzie szczerość Aiona to cała historia

Ciekawą cechą karty Microsoftu nie są jej wyniki. Jest nią to, że wyniki są niepochlebne, a karta i tak je publikuje, w tabeli, która wymienia również model sędziowski, wykorzystany harness oraz dwa benchmarki, których ustawienia punktacji sprawiają, że wyglądają lepiej, niż sugeruje nagłówek. Karta napisana po to, by coś sprzedać, nie zawiera wiersza o treści MMLU-Pro 33.35.

Wynik 33,35 na MMLU-Pro nie jest liczbą, którą wybiera zespół ds. premiery. Wynik 28,18 na GPQA również nie. Ich obecność jest dowodem, że ta tabela powstała w ramach pipeline'u ewaluacyjnego, a nie marketingowego, i to jest prawdziwy powód, by ufać otaczającym twierdzeniom — oknu kontekstu 32 768 tokenów, ośmiu językom, punktowi odcięcia wiedzy w grudniu 2025 r., liczbie 2,29B parametrów wynikającej z konfiguracji z powiązanymi embeddingami.

Ta sama szczerość przewija się przez ograniczenia. Karta stwierdza wprost, że model tej wielkości „może przeoczać drobne szczegóły, podawać błędne stwierdzenia lub wykazywać nieumiejętność prowadzenia złożonego wieloetapowego rozumowania”, że „nie był trenowany, by wyróżniać się w wiedzy o świecie”, oraz że jakość wyników różni się między ośmioma językami. Porównaj to z tabelą 35 benchmarków pretendujących do miana stanu sztuki, a masz przed sobą dwie różne teorie dotyczące tego, do czego służy karta modelu. Żadna nie jest nieuczciwa. Jedna to deklaracja możliwości, a druga to ujawnienie informacji.

Obietnica przetwarzania na urządzeniu i pułapka długiego kontekstu

Stanowisko Microsoftu jest jednoznaczne: Aion Instruct to „fundamentalny mały model językowy (SLM) w ekosystemie Windows”, stworzony do zadań tekstowych i związanych z systemem operacyjnym na urządzeniu, a silniejsza wersja oraz model moderacji treści mają stać się SLM systemu operacyjnego Windows do końca stycznia 2027 r. Przesłany materiał opisano jako „wprowadzenie do tego, co nadchodzi”.

Ujęcie MiniCPM5-2B jest szersze: lokalni asystenci, agenci kodujący, przepływy pracy wykorzystujące narzędzia i rozumowanie, na telefonach, komputerach PC i inteligentnych kokpitach, wraz z zestawem treningowym dla agentów liczącym 500 000 próbek i ponad 80 000 próbek RL udostępnionych razem z wagami. To model stworzony do działania, a nie tylko do odpowiadania.

Przepaść w kontekście 131K kontra 32K jest miejscem, w którym ta różnica ujawnia się najdotkliwiej, a MiniCPM5-2B ma na to twarde dowody: AA-LCR 59,0 i NoLiMa 68,1 to benchmarki długiego kontekstu, oba uruchomione przez dostawcę, oba opublikowane ze znacznikiem wizualnym, którego jego karta używa dla wyników ocenianych przez sędziego. Aion ma okno 32 768 tokenów, które — jak sugeruje jego własna konfiguracja — osiągnięto przez skalowanie YaRN z natywnego zakresu 2048 tokenów, i nie ma żadnej oceny długiego kontekstu. Jeśli obciążenie obejmuje długie dokumenty, wybór został już za Ciebie dokonany — i dokonały go dowody, a nie liczba parametrów.

Stosy agentów to miejsce, w którym porównanie zmienia kształt

MiniCPM5-2B był trenowany pod pętle narzędziowe: 500K próbek agentowego SFT, RL w stylu GRPO na zadaniach weryfikowalnych oraz wiersze benchmarków dla SWE-bench Verified, Terminal-Bench, BFCL i uruchomienia τ³ w domenie bankowej. Aion-1.0-Instruct-2.3B dokumentuje format wywoływania narzędzi i nie publikuje żadnego benchmarku agentowego, ponieważ został zbudowany do streszczania, przepisywania i czatu w systemie operacyjnym.

Ta asymetria zasługuje na rozważenie architektoniczne, a nie jako wynik punktowy. Pętla agenta to nie jedno wywołanie modelu; to plan, wywołanie narzędzia, wynik, ponowne planowanie, a często też druga opinia — a każdy krok to osobne żądanie z własnym opóźnieniem i prawdopodobieństwem awarii. To właśnie na tej warstwie routing przestaje być infrastrukturalnym przypisem, a staje się częścią projektu. W OrcaRouterze fuzja modeli uruchamia panel modeli dla tego samego żądania i łączy ich odpowiedzi, a jej DSL routingu składa kilka modeli w jedno wywołanie — to dwa prymitywy, które mają znaczenie, gdy „jeden mały model, jedna odpowiedź” to niewłaściwy kształt dla zadania. Ani Aion-1.0-Instruct-2.3B, ani MiniCPM5-2B nie znajdują się dziś w naszym katalogu, ponieważ oba są wagami hostowanymi samodzielnie, a nie hostowanymi punktami końcowymi; argument dotyczy żądań, których Twój lokalny agent nie jest w stanie ukończyć samodzielnie, a nie tych dwóch checkpointów.

Wersja praktyczna: do tanich kroków używaj małego modelu, a ścieżkę eskalacji definiuj jawnie, zamiast liczyć, że model 2B za czwartą próbą zrobi to dobrze. Model taki jak MiniCPM5-2B z wynikiem 46,4 w SWE-bench Verified jest imponujący jak na swój rozmiar, a mimo to myli się ponad połowę czasu, i żadna ilość inżynierii promptów nie zmienia arytmetyki pięciokrokowej pętli.

Co możesz dziś faktycznie zweryfikować

To zdanie rozstrzyga większość tych porównań. W przypadku {{1}}MiniCPM5-2B{{/1}} możesz pobrać GGUF, załadować go w llama.cpp, uruchomić własne polecenia benchmarkowe karty i sprawdzić, czy odtworzysz 86,5 na AIME. W przypadku {{2}}Aion-1.0-Instruct-2.3B{{/2}} możesz pobrać safetensors bfloat16, zainstalować transformers 5.x, zaakceptować trust_remote_code=True i uruchomić ten sam zestaw testów na jego jedenastu benchmarkach — to więcej pracy, ale całkowicie możliwe, a nikt publicznie tego nie zrobił.

Czego nie możesz zrobić z Aion, to uruchomić go w środowisku uruchomieniowym najbardziej prawdopodobnie obecnym na maszynie, na którą celujesz. Karta wymienia GGUF jako nazwę biblioteki; repozytorium zawiera pliki safetensors, pliki tokenizera, dwa niestandardowe moduły modelowania i szablon czatu. Istnieje siostrzane repozytorium ONNX-WebGPU, co czyni wdrożenie w przeglądarce i na DirectML wiarygodnym, ale kompilacja GGUF jest obiecywana, a nie dostarczana. Jeśli Twoim celem wdrożenia jest llama.cpp lub LM Studio, ten jeden brakujący plik rozstrzyga całą decyzję, dopóki się nie pojawi.

Dwie inne rzeczy warto sprawdzić samemu, zamiast im ufać. Po pierwsze, okno 32K: wypełnij je i sprawdź, czy koniec dokumentu przetrwa warstwy okna przesuwnego. Po drugie, ścieżka wywoływania narzędzi: format Aiona opakowuje schematy i wywołania w niestandardowe znaczniki, a to, jak łagodnie podnosi się po nieprawidłowym wywołaniu, nie jest czymś, co powie ci karta.

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.

Karta modelu OpenBMB jest jedyną z dwóch, która w ogóle publikuje wyniki dla długiego kontekstu i trybu agentowego — AA-LCR 59.0, NoLiMa 68.1, SWE-bench Verified 46.4 — obok okna kontekstu 131 072 tokenów i standardowej architektury Llama.

Dwa uczciwe przypadki użycia

Wybierz MiniCPM5-2B, gdy zadanie obejmuje narzędzia, kod, długie dokumenty lub język chiński. Jego karta modelu została napisana pod te zadania, jego benchmarki je obejmują, istnieją jego kwantyzacje, a licencja to Apache 2.0. Ryzyko polega na tym, że twierdzenie o stanie sztuki opiera się na własnym zestawie porównawczym dostawcy, a modele z 2 miliardami parametrów w pętlach agentowych wciąż zawodzą w sposób, który kosztuje realne tokeny.

Wybierz Aion-1.0-Instruct-2.3B, gdy zadaniem jest aplikacja Windows podsumowująca, przepisująca lub klasyfikująca lokalne dokumenty w jednym z ośmiu języków, offline, przy czym dane nigdy nie opuszczają urządzenia. Ma mniejszy kontekst, jest słabszy w każdym wspólnym benchmarku i ma kartę, która to potwierdza. Oferuje udokumentowany kontrakt dotyczący działania na urządzeniu oraz wiarygodną ścieżkę do systemu operacyjnego do stycznia 2027 r. — a na razie bardzo niewielką liczbę osób, które go uruchomiły.

To porównanie za miesiąc będzie się czytać inaczej. Jeśli pojawi się GGUF, zarzut dotyczący środowiska uruchomieniowego znika. Jeśli pojawi się uruchomienie w niezależnym harnessie, liczby przestaną należeć wyłącznie do Microsoftu. Ani jedno, ani drugie jeszcze nie nastąpiło, a udawanie, że jest inaczej, byłoby jedyną rzeczą, na którą ten tekst nie może sobie pozwolić.

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.

Karta Microsoftu, która podaje własne słabe wyniki i oznacza luźne ustawienia punktacji — powód, by ufać twierdzeniom o specyfikacji nawet tam, gdzie deklaracje dotyczące benchmarków są przeciętne.

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.

Tabela wyników w świetle obecnych dowodów: 35 opublikowanych benchmarków i cztery formaty uruchomieniowe po jednej stronie, 11 benchmarków i safetensors po drugiej.