Plansza tytułowa porównania Aion-1.0-Instruct-2.3B z Qwen 3.8, przedstawiająca kontrast między modelem Windows 2,3B działającym na urządzeniu a modelem wizyjno-językowym 27B o otwartych wagach.
Guides & Insights

Aion-1.0-Instruct-2.3B vs Qwen 3.8: komponent Windows spotyka 27B konia roboczego

Autor

jinhao.song

Data publikacji

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

18 listopada 2026 r. w organizacji Microsoftu na Hugging Face pojawiło się repozytorium o nazwie Aion-1.0-Instruct-2.3B z pojedynczym commitem o treści „Duplicate from asgmodels/Aion-Instruct-v1”. Bez wpisu na blogu, bez ogłoszenia w karcie modelu, bez komunikatu prasowego, bez relacji. Karta modelu opisuje go jako podstawowy mały model językowy do pracy na urządzeniu z Windows i dodaje, że jego dalej zoptymalizowana wersja, dołączona do modelu moderacji treści Microsoftu, stanie się SLM systemu Windows do końca stycznia 2027 r. Zestawmy to z Q​wen3.8-27B, wizyjno-językowym modelem 27B o otwartych wagach, który A​libaba opublikowała w sierpniu 2026 r., oraz hostowanymi poziomami Q​wen3.8-Flash i Q​wen3.8-Max powyżej niego, a porównanie bardzo szybko przestaje dotyczyć jakości. Jeden to komponent o rozmiarze odpowiednim do laptopa. Drugi to model ogólnego przeznaczenia, który wynajmujesz za miliony tokenów. Niemal wszystko, co powiedziałaby ci tabela benchmarków, jest nieistotne. Q​wen3.8-27B jest udostępniany jako qwen/qwen3.8-27b w katalogu OrcaRouter, na tym samym kluczu i punkcie końcowym co poziomy Q​wen3.8-Flash i Q​wen3.8-Max.

Co tak naprawdę zawiera repozytorium Aion

Zacznij od tego, co można zweryfikować, ponieważ lista jest krótka. Repozytorium utworzono o 17:05 UTC 18 listopada 2026 r. i nie zostało od tego czasu zmodyfikowane. Ma trzy polubienia i w chwili pisania zero pobrań. Wagi to pojedynczy plik safetensors BF16 o rozmiarze 4,58 GB, co jest spójne z nazwą 2.3B przy dwóch bajtach na parametr. Słownik liczy 200 029 tokenów. Licencja to MIT.

Architektura jest bardziej nietypowa, niż sugeruje rozmiar. Dwadzieścia osiem warstw występuje naprzemiennie w hybrydowym wzorcu — dwadzieścia jeden używa uwagi z przesuwanym oknem o rozmiarze 2048 tokenów, a siedem używa pełnej uwagi — a warstwy pełnej uwagi mają rozszerzenie YaRN 16×. Uwaga z grupowanymi zapytaniami to 24 głowy zapytań na 8 głów kluczy-wartości, osadzenia są powiązane, a karta zaleca uruchomienie jej z niestandardowym kodem modelowania przez trust_remote_code. Repozytorium dostarcza własną implementację transformers zamiast odwzorowywać standardową architekturę.

Pochodzenie to ta część, która nie została potwierdzona. W commitcie napisano, że repozytorium jest duplikatem asgmodels/Aion-Instruct-v1, a link do licencji wskazuje na plik LICENSE w tym repozytorium. Zarówno asgmodels/Aion-Instruct-v1, jak i siostrzane repozytorium Microsoftu o nazwie Aion-Instruct-Preview-Sample zwracają błąd uwierzytelniania na anonimowe żądania API, więc są prywatne lub z ograniczonym dostępem. Widzimy, że Microsoft skopiował checkpoint do publicznego repozytorium. Nie widzimy, co zawierał oryginał, kto go trenował, na jakich danych, ani dlaczego organizacja nazywa się asgmodels. Każdy, kto opisuje trening tego modelu, zgaduje.

Screenshot of the microsoft/Aion-1.0-Instruct-2.3B model card on Hugging Face, showing the Microsoft Windows Applied Sciences Group attribution, the on-device SLM description, the January 2027 Windows OS SLM target, and the note that only the unquantised model is published first.

Liczby na karcie i ile są warte

Karta modelu publikuje jedenaście benchmarków. 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 i chrF++ 43,18. W wierszu metodologii podano, że przebiegi korzystały z lm-evaluation-harness od EleutherAI wszędzie tam, gdzie istniała implementacja zadania, a w pozostałych przypadkach z własnego repozytorium benchmarku, przy czym GPT-4o pełnił rolę sędziego w zadaniach oznaczonych jako oceniane przez sędziego. Wyniki są podane w procentach.

Wszystko to jest raportowane przez dostawcę i żadna z tych wartości nie została odtworzona. Jednak w przypadku modelu tak małego wzorzec w tabeli mówi więcej niż jakakolwiek pojedyncza liczba. MMLU na poziomie 55,15 jest przyzwoitym wynikiem jak na 2,3 mld parametrów. MMLU-Pro na poziomie 33,35 i GPQA na poziomie 28,18 już nie: to trudniejsze, bardziej wymagające rozumowania testy wiedzy i wyraźnie pokazują górną granicę możliwości. GSM8K na poziomie 74,91 przy luźnym dopasowaniu to istotnie słabszy wynik niż ta sama liczba przy dopasowaniu ścisłym. IFEval 83,90 to najsilniejszy względny wynik na karcie modelu — model dobrze wykonuje sformatowane instrukcje jak na swój rozmiar, co jest dokładnie tym, co musi robić asystent systemu operacyjnego.

Jest jeszcze drugie zastrzeżenie, które karta modelu podaje wprost i które łatwo przeoczyć. Opublikowany checkpoint to model niekwantyzowany, a karta mówi, że wersje skwantyzowane pojawią się później. Kompilacja ONNX już istnieje osobno — Microsoft opublikował Aion-1.0-Instruct-2.3B-ONNX-WebGPU około trzy minuty po repozytorium BF16, o rozmiarze około 1,3 GB, z wykorzystaniem treningu świadomego kwantyzacji blokowej INT4 przy rozmiarze bloku 32 dla warstw liniowych i rozmiarze bloku 64 dla embeddingów, z aktywacjami i pamięcią podręczną KV w FP16, ukierunkowanego na WebGPU przez ONNX Runtime GenAI. To jest istotny artefakt wdrożeniowy i jest to inny plik niż ten, który większość ludzi pobierze najpierw.

Dlaczego Q​wen3.8-27B jest obiektem innego rodzaju

Q​wen3.8-27B to 27,8 miliarda parametrów rozmieszczonych w osiemnastu shardach BF16 o łącznej wielkości 55,6 GB, z wieżą wizyjną do wprowadzania obrazów i wideo. Jego sześćdziesiąt cztery warstwy są ułożone jako szesnaście powtarzających się bloków, w których na trzy warstwy liniowej uwagi Gated DeltaNet przypada jedna pełna warstwa Gated Attention; rozmiar ukryty wynosi 5120, a w ścieżce liniowej uwagi znajduje się 48 głowic wartości wobec 16 głowic zapytań i kluczy. Kontekst wynosi natywnie 262 144 tokeny, a z YaRN 1 000 000. Myślenie jest domyślnie włączone, z maksymalnie 262 144 tokenami rozumowania i 131 072 tokenami odpowiedzi, a zalecane próbkowanie różni się między trybem myślenia i trybem bez myślenia. Licencja to Apache 2.0.

Różnica, która ma znaczenie, nie tkwi w parametrach. Polega na tym, że checkpoint o rozmiarze 55,6 GB nie uruchomi się na urządzeniu, dla którego zbudowano model Aion. Cały projekt modelu Aion — okna przesuwne o długości 2048 tokenów, trening uwzględniający kwantyzację INT4, wersja ONNX WebGPU o rozmiarze 1,3 GB — jest argumentem za tym, co mieści się w pamięci na maszynie, którą ktoś już ma. Projekt Qwen3.8-27B zakłada klaster serwerowy. Nie wybiera się między nimi na podstawie tabeli wyników. Wybiera się dlatego, że jeden z nich nie jest kandydatem do pracy drugiego.

Gdzie liczby można, a gdzie nie można zestawiać obok siebie

Jest tu jedno naprawdę przydatne odniesienie krzyżowe i nie ma go na karcie żadnego z dostawców. Artificial Analysis mierzy Qwen3.8-27B na Intelligence Index v5.0.1, który łączy dziewięć ewaluacji: AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 oraz Terminal-Bench-Sci. Na tym indeksie Qwen3.8-27B uzyskuje wynik 20 wobec mediany 10 dla porównywalnych modeli. Ten sam pomiar plasuje go na poziomie 0,50 USD za milion tokenów wejściowych i 3,00 USD za milion tokenów wyjściowych, 3,53 USD na zadanie, 38,7 minuty na zadanie indeksowe wobec mediany 11,5 oraz 128 milionów zużytych tokenów w całym indeksie wobec mediany 77,8 miliona. Jest wolniejszy i bardziej rozwlekły niż konkurencja, a płaci za to kosztem na zadanie nawet przy skromnej cenie za token.

Comparison scoreboard for Aion-1.0-Instruct-2.3B and Qwen3.8-27B, contrasting parameters, context window, modality, licence, footprint and evaluation status.

Dla Aion nie ma odpowiednika. Na dzień 19 listopada 2026 r. Artificial Analysis nie ma wpisu dla żadnego modelu Aion, a żaden niezależny harness nie opublikował przebiegu. Uczciwa tablica wyników ma więc w sobie lukę, a luka ta jest po stronie nowszego modelu.

• Parametry — Aion-1.0-Instruct-2.3B: około 2,3 mld parametrów, jeden plik BF16 o rozmiarze 4,58 GB. Q​wen3.8-27B: 27,8 mld parametrów, osiemnaście fragmentów, 55,6 GB BF16.

• Kontekst — Aion-1.0-Instruct-2.3B: 32,768 tokenów, zgodnie z kartą kompilacji ONNX; karta BF16 nie podaje liczby. Qwen3.8-27B: 262,144 natywnie, 1,000,000 z YaRN.

• Modalność — Aion-1.0-Instruct-2.3B: tylko tekst. Q​wen3.8-27B: tekst, obraz i wideo na wejściu, tekst na wyjściu.

• Licencja — Aion-1.0-Instruct-2.3B: MIT. Qwen3.8-27B: Apache 2.0. Obie zezwalają na użycie komercyjne; MIT jest z tych dwóch mniej obciążona.

• Ślad pamięciowy do uruchomienia — Aion-1.0-Instruct-2.3B: 1,3 GB INT4 ONNX dla WebGPU lub 4,58 GB BF16. Q​wen3.8-27B: 55,6 GB BF16 plus pamięć na serwowanie.

• Niezależna ocena — Aion-1.0-Instruct-2.3B: brak. Qwen3.8-27B: Intelligence Index 20 w wersji v5.0.1, a także karta dostawcy raportująca LiveCodeBench v6 90,3, GPQA Diamond 89,2, Terminal-Bench 2.1 na poziomie 73,0, SWE-bench Pro 61,7 i HLE 30,8.

• Data publikacji — Aion-1.0-Instruct-2.3B: 18 listopada 2026, dzień po premierze i bez zapowiedzi. Q​wen3.8-27B: ogłoszono 3 sierpnia 2026, wagi udostępniono 14 sierpnia 2026.

Co porównanie faktycznie rozstrzyga

Jeśli tworzysz aplikację desktopową, która musi klasyfikować tekst, przestrzegać ustrukturyzowanego formatu, streszczać dokument lub kierować żądania systemu operacyjnego bez rundy sieciowej, model Aion wchodzi w grę, a Qwen3.8-27B nie. Okno 32K wystarcza na streszczenie dokumentu, ale jest zdecydowanie za małe na zadanie kodowania obejmujące całe repozytorium. Licencja MIT eliminuje przegląd prawny. Wersja ONNX WebGPU działa tam, gdzie nie może trafić checkpoint o rozmiarze 55,6 GB.

Jeśli potrzebujesz agenta, który działa w długich kontekstach, odczytuje zrzuty ekranu, pisze kod w oparciu o dużą bazę kodu lub wykonuje wieloetapowe pętle narzędziowe, zachodzi sytuacja odwrotna. Qwen3.8-27B ma kontekst, modalność i niezależne pomiary, a jego słabe strony — opóźnienie i rozwlekłość tokenowa — to znane wielkości, które można wycenić. Model Aion nie ma w ogóle niezależnego przebiegu, co w praktyce oznacza, że to Ty dokonujesz oceny, na własnych zadaniach, zanim dotknie czegokolwiek, co ma znaczenie.

Istnieje trzecia opcja, która prawdopodobnie jest właściwa dla większości zespołów: nie wybierać. Model 2,3B działający na urządzeniu i hostowany model 27B są komplementarne, a architektura wykorzystująca oba — mały model lokalny do częstych, tanich wywołań wrażliwych na opóźnienia oraz duży model hostowany do rzadkich, kosztownych i trudnych — to ta, która przetrwa zderzenie z rachunkiem. Q​wen3.8-27B jest dostępny przez OrcaRouter jako qwen/qwen3.8-27b w cenie 0,33 USD za milion tokenów wejściowych i 2,40 USD za milion tokenów wyjściowych, na tym samym kluczu i punkcie końcowym co poziomy Q​wen3.8-Flash i Q​wen3.8-Max, z automatycznym przełączaniem awaryjnym między dostawcami i bez narzutu na token ponad cenę katalogową dostawcy. Sami utrzymujemy te wagi, więc zmiana ceny przez dostawcę trafia tutaj tego samego dnia, a nie po cyklu aktualizacji cen. Aion-1.0-Instruct-2.3B nie jest dostępny w OrcaRouter — to plik do pobrania, który uruchamiasz samodzielnie, a oba modele mogą funkcjonować w tej samej aplikacji, nie wiedząc o sobie nawzajem.

Screenshot of the OrcaRouter model page for qwen/qwen3.8-27b, showing the Qwen3.8 27B listing with its 262K-token context, text and image and video input, text output, and pricing.

Na co uważać i co zmieniłoby ten tekst

Trzy rzeczy istotnie zmieniłyby obraz sytuacji i żadna z nich jeszcze nie nastąpiła. Publikacja przez Microsoft ogłoszenia, karty modelu ze szczegółami treningu lub uruchomienia benchmarku poza własnym środowiskiem testowym firmy. Dodanie przez Artificial Analysis wpisu Aion, co dałoby nowszemu modelowi niezależną przeciwwagę, jaką Q​wen już ma. Albo przekształcenie historii skwantyzowanego BF16 kontra INT4 w opublikowaną różnicę dokładności — liczby, która decyduje, czy kwantyzacja na urządzeniu faktycznie się sprawdza w tej architekturze.

Do tego czasu traktuj Aion-1.0-Instruct-2.3B jako to, co pokazuje repozytorium: mały, objęty liberalną licencją, wyłącznie tekstowy model przeznaczony dla Windows, opublikowany bez rozgłosu, mający jeden dzień, z tabelą wyników benchmarków od dostawcy i bez niezależnej weryfikacji. Traktuj Q​wen3.8-27B jako znaną wielkość z opublikowanymi pomiarami stron trzecich, oknem kontekstu osiem razy większym i odpowiadającym temu rachunkiem za obsługę. Niewłaściwym pytaniem jest, który z nich wygrywa. Właściwym jest, którego z tych dwóch obiektów brakuje Twojej aplikacji.