Um cartão de título gerado com o texto "Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base" e o subtítulo "Quase do mesmo tamanho, entregáveis completamente diferentes", acima de dois cartões de pipeline: LFM2.5 2.6B Base com "pré-treinado e depois seu ajuste fino" e "2,69B, contexto de 131K, LFM Open License", e Aion-1.0-Instruct-2.3B com "já ajustado para instruções" e "2,29B, contexto de 32K, MIT".
Guides & Insights

Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base: Quase o Mesmo Tamanho, Entregáveis Completamente Diferentes

Autor

Elias Hawthorne

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

No papel, este é o confronto mais acirrado do segmento de modelos pequenos neste momento. Aion-1.0-Instruct-2.3B tem 2,29 bilhões de parâmetros; LFM2.5 2.6B Base tem 2,69 bilhões. Ambos são densos, ambos são somente texto, ambos têm pesos abertos, ambos visam a implantação no dispositivo e ambos chegaram sem um evento de lançamento — o da Microsoft em 18 de novembro de 2026, o checkpoint base da Liquid AI em 4 de agosto de 2026. Se você os comparasse por especificação, concluiria que são concorrentes.

Eles não são. Um deles está finalizado. O outro é um ponto de partida que deliberadamente não foi finalizado, e a Liquid AI diz isso no cartão: o checkpoint Base "só é recomendado para tarefas que exigem ajuste fino intenso". Essa única frase reorganiza todo o resto desta comparação, porque uma base pré-treinada e um assistente ajustado para instruções não são dois produtos da mesma categoria — são duas etapas do mesmo pipeline, vendidas separadamente.

Os números do Aion-1.0-Instruct-2.3B abaixo vêm da ficha do modelo e da configuração do repositório da Microsoft, lidos diretamente. Os números do LFM2.5 2.6B Base vêm da ficha do modelo da Liquid AI e do post de blog que a acompanha. Nenhum dos modelos tem avaliação independente; quando um número é relatado pelo fornecedor, isso é indicado, e quando um número não existe de forma alguma, isso é dito em vez de preenchido.

O que "Base" remove da comparação

O LFM2.5 2.6B Base é o checkpoint pré-treinado a partir do qual todas as variantes do LFM2.5 2.6B foram criadas. Ele foi treinado com cerca de 34 trilhões de tokens em 16 idiomas e continuará o texto em vez de seguir uma instrução, porque o ajuste de instruções está no checkpoint irmão. Carregue-o e faça uma pergunta, e ele fará o que um modelo de linguagem faz sem pós-treinamento: estender seu prompt em uma direção plausível.

Isso invalida cerca de metade da comparação habitual. Não faz sentido perguntar qual modelo segue melhor as instruções, porque um deles não foi ensinado a fazê-lo. Não faz sentido comparar comportamento de recusa ou formatação do chat. O que resta é uma pergunta mais estreita e mais útil: se você está construindo um assistente em vez de comprá-lo, o 2.29B finalizado da Microsoft é um ponto de partida melhor do que o 2.69B bruto da Liquid AI — ou é pior, porque seu ajuste fino já o comprometeu com um formato que você pode não querer?

• Parâmetros — 2,29B com embeddings atrelados para Aion; 2,69B para LFM2.5 2.6B Base.

• Arquitetura — Aion é um transformer convencional com atenção de consulta agrupada e um padrão de atenção híbrido de 21 deslizantes mais 7 completas; LFM2.5 é um híbrido de 22 blocos de convolução curta com duplo gate e 8 camadas GQA distribuídas em 30 camadas no total.

• Volume de treinamento — a Microsoft não publica uma contagem de tokens para o Aion; a Liquid AI publica cerca de 34 trilhões para o LFM2.5.

• Contexto — 32.768 tokens para o Aion, 131.072 para o LFM2.5 2.6B Base, com uma fase dedicada de extensão de contexto longo de 128K durante o treinamento intermediário.

• Vocabulário — 200.029 para o Aion; 128.000 para o LFM2.5, ampliado para o dobro no próprio tokenizador da geração anterior, em vez de retreinado.

• Licença — MIT para o Aion; a LFM Open License v1.0 para o LFM2.5 2.6B Base, que não é uma licença OSI e precisa ser lida antes de você lançar.

• {{1}}Pós-treinamento — um modelo ajustado por instruções com um template de chat e formato de chamada de ferramentas, em comparação com um checkpoint pré-treinado que não possui nenhum dos dois.{{/1}}

A escolha de arquitetura que explica a lacuna de contexto

A diferença de quatro vezes na janela de contexto não é um acidente do orçamento de treinamento. O design do LFM2.5 substitui a maioria das camadas de atenção por blocos de convolução curta, o que é uma aposta de que a mistura de sequências não precisa de atenção completa em todas as camadas para funcionar — e é essa aposta que torna uma janela de 131K acessível em um celular. O blog da Liquid AI é explícito ao afirmar que o treinamento intermediário incluiu uma fase dedicada de extensão de contexto de 128K, então a janela longa foi treinada, e não configurada depois.

Aion segue o caminho oposto. Vinte e uma de suas 28 camadas usam uma janela deslizante de 2.048 tokens e apenas sete usam atenção completa, com escalonamento YaRN de fator 16 aplicado a essas sete. O contexto publicado é 32.768, e o original_max_position_embeddings de 2.048 da configuração é a pista: a janela é alcançada por interpolação posicional a partir de um intervalo nativo curto. Esta é uma técnica normal. Ela também não foi medida aqui — a Microsoft não publicou nenhuma avaliação de contexto longo, e o modelo tem um dia de idade, então ninguém mais executou uma também.

Tradução prática: o LFM2.5 2.6B Base vem com um contexto longo que você pode verificar com base em uma fase de treinamento documentada. O Aion vem com um contexto mais curto que você deve testar em vez de presumir.

O que o Aion te oferece que um checkpoint básico não pode

As vantagens do modelo final são concretas e sem graça, e é justamente isso que faz valer a pena listá-las. O Aion-1.0-Instruct-2.3B traz um template de chat com um preâmbulo de sistema padrão, uma mensagem de sistema opcional fornecida pelo usuário anexada a ele e variáveis de template para identidade do modelo, data de corte de conhecimento e data atual. Ele traz um formato documentado de chamada de ferramentas. Foi alinhado em segurança ao padrão da Microsoft, e o card relata XPIA, DIC e ECI como as métricas de segurança que pretende melhorar — nomeando as lacunas em vez de alegar que estão fechadas.

Ele também traz onze pontuações de benchmark em um harness nomeado, o que é mais do que o LFM2.5 2.6B Base oferece. O card base exibe informações de arquitetura e treinamento e nenhuma avaliação, o que é a escolha correta para um checkpoint que não se destina a ser avaliado em tarefas para as quais não foi ajustado. Se você precisa de um número para colocar em um documento de projeto, o Aion tem: IFEval 83,90, MMLU 55,15, GSM8K 74,91, MMLU-Pro 33,35, GPQA 28,18, entre outros, todos executados pelo fornecedor no lm-evaluation-harness ou na implementação própria do benchmark.

Mas leia as ressalvas na ficha do próprio Aion antes de tratar isso como um teto de capacidade. Ela diz que o modelo "não foi treinado para se destacar em conhecimento de mundo", que um modelo desse tamanho "pode perder detalhes específicos, fornecer afirmações incorretas ou mostrar incapacidade de seguir raciocínios complexos de várias etapas", e que os dados multilíngues representaram cerca de 6% do treinamento em oito idiomas, com qualidade variando conforme o idioma. Essa é uma seção de limitações incomumente franca, e ela descreve um modelo ajustado para sumarização, reescrita, chat e tarefas de sistema operacional, e não para raciocínio aberto.

O que o checkpoint base oferece que um modelo ajustado não consegue

Controle e uma superfície de perda inicial limpa. Se o seu produto precisa de um modelo que escreva em um estilo próprio da empresa, responda com um vocabulário de domínio ou emita um formato estruturado rígido, o pós-treinamento em um checkpoint base leva você até lá sem precisar brigar com a etapa de alinhamento de outra pessoa. A ficha da Liquid AI é direta sobre os usos pretendidos: ajuste fino pesado, assistentes específicos de idioma, assistentes específicos de domínio, treinamento com dados proprietários e experimentação com abordagens novas de pós-treinamento.

Também lhe dá uma decisão de licenciamento a tomar, em vez de herdá-la. O LFM2.5 2.6B Base é distribuído sob a LFM Open License v1.0 — uma licença personalizada, não Apache 2.0 e não MIT. A ficha dele lista a licença como "other" com o nome "lfm1.0". Se isso é um problema depende inteiramente do seu modelo de distribuição, e é o tipo de coisa que vem à tona tarde numa revisão jurídica se ninguém a ler cedo. O MIT, em contrapartida, é praticamente tão curto quanto as licenças conseguem ser.

E há um argumento de ferramentas. O LFM2.5 foi lançado com suporte desde o primeiro dia em Transformers, vLLM, SGLang, llama.cpp, MLX e LM Studio, além de notebooks de ajuste fino publicados para Unsloth e TRL, cobrindo pré-treinamento contínuo, SFT, DPO e GRPO. O Aion Instruct precisa de trust_remote_code=True e transformers 5.x, não tem arquivo GGUF em seu repositório, apesar de o card listar GGUF como formato, e suas versões quantizadas são prometidas, não publicadas. Para um modelo que você pretende ajustar, o ecossistema ao seu redor não é um detalhe.

Duas maneiras de acabar no mesmo lugar

Considere os dois caminhos realistas para uma equipe que deseja um pequeno assistente no dispositivo e tem um corpus de dados próprios.

Caminho um: pegue o Aion-1.0-Instruct-2.3B, avalie-o na sua tarefa como fornecido e faça fine-tune apenas se ele ficar aquém. Você começa com um assistente funcional, um template de chat e um formato de chamada de ferramentas, e seu primeiro experimento é barato porque o modelo já está fazendo o trabalho mal em vez de não fazê-lo de modo algum. O risco é que você está corrigindo o alinhamento de outra pessoa em vez de ensinar do zero, e com 2,29B não há muita capacidade para corrigir.

Caminho dois: pegue o LFM2.5 2.6B Base, execute pré-treinamento continuado no seu domínio e, em seguida, SFT. Você obtém um modelo moldado pelos seus dados, em vez de ajustado a eles, com uma janela de 131K disponível desde o início e uma cadeia de ferramentas de treinamento bem documentada. O custo é que você assume todo o esforço de pós-treinamento, incluindo o comportamento de segurança que a Microsoft já tratou.

O terceiro caminho é o que a maioria das equipes de fato adota: começar pelo caminho um para obter uma linha de base e migrar para o caminho dois apenas se a linha de base estagnar. Essa é uma ordem racional e também é um argumento para não assinar um contrato longo em nenhum dos dois modelos antes de passar seus próprios dados pelos dois.

Quando você tem dois checkpoints em um produto, a superfície operacional começa a se dispersar — configurações de serving separadas, modos de falha separados, cadências de upgrade separadas. A contribuição da OrcaRouter nessa camada é um único endpoint sobre 200+ modelos com 0% de markup e o preço de tabela do provedor repassado, failover automático entre provedores, e uma DSL de roteamento que consegue expressar uma cadeia de fallback em vez de um alvo fixo no código. Nem o Aion-1.0-Instruct-2.3B nem o LFM2.5 2.6B Base estão nesse catálogo — ambos são pesos auto-hospedados, e o Aion não tem API hospedada em lugar nenhum — então o que o roteador oferece é o nível acima deles: um lugar para onde enviar as requisições que o seu modelo no dispositivo não deveria estar tratando.

A decisão, comprimida.

Se você quer algo rodando esta semana que responda a perguntas, use o Aion-1.0-Instruct-2.3B. Ele está pronto, é MIT, tem 4,6 GB em bfloat16, e suas limitações estão documentadas nas próprias palavras dele, em vez de serem descobertas por você.

Se você quiser construir um modelo em vez de adotar um, use o LFM2.5 2.6B Base. Ele tem 5,4 GB em bfloat16, carrega uma janela de 131K que foi treinada em vez de ampliada, tem um conjunto de ferramentas de ajuste fino de verdade e não tem opiniões sobre como seu assistente deve soar porque não recebeu nenhuma.

O que você não deve fazer é tratá-los como intercambiáveis porque as contagens de parâmetros são próximas. Um modelo base de 2,69B e um modelo instruct de 2,29B diferem por menos que o erro de arredondamento na maioria das fichas técnicas e por um pipeline inteiro de pós-treinamento na prática, e escolher entre eles é uma decisão sobre quem faz o trabalho.

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.

O card da Liquid AI lista os números que importam para um alvo de ajuste fino — 2.69B de parâmetros, 30 camadas, 34 trilhões de tokens de treinamento, uma janela de 131,072 tokens — e nenhuma tabela de avaliação, porque um checkpoint base não se destina a ser avaliado em tarefas para as quais não foi ajustado.

As questões em aberto

Para o Aion: se as builds quantizadas prometidas pela Microsoft chegam, se a janela de contexto longo se sustenta em um teste de agulha real e o que acontece com este checkpoint quando a versão do Windows mais otimizada chegar até o final de janeiro de 2027. O card apresenta este upload como uma prévia desse modelo, o que significa que seu sucessor já está agendado.

Para o LFM2.5 2.6B Base: se a comunidade constrói sobre ele o suficiente para fazer de suas receitas de fine-tuning o caminho de referência, e como a LFM Open License é lida por equipes jurídicas fora da zona de conforto das licenças permissivas de sempre. Ambas se respondem com tempo, e nenhuma delas se responde com uma tabela de benchmarks.

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.

O cartão Aion indica o uso pretendido em uma linha: o SLM fundamental para tarefas do Windows no dispositivo, com a integração com o SO prevista para janeiro de 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.

Contagens de parâmetros quase idênticas, entregáveis diferentes: ajustado por instruções e MIT versus pré-treinado e com licença personalizada, com a janela de contexto seguindo na direção oposta.