Сгенерированная титульная карточка с надписью «Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base» и подзаголовком «Почти одинаковый размер, совершенно разные результаты», над двумя карточками пайплайна: LFM2.5 2.6B Base — «предварительно обучена, затем ваше дообучение» и «2,69 млрд, контекст 131K, LFM Open License», и Aion-1.0-Instruct-2.3B — «уже дообучена на инструкциях» и «2,29 млрд, контекст 32K, MIT».
Guides & Insights

Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base: почти одинаковый размер, совершенно разные результаты

Автор

Elias Hawthorne

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

На бумаге это сейчас самое близкое противостояние в сфере малых моделей. Aion-1.0-Instruct-2.3B — 2,29 млрд параметров; LFM2.5 2.6B Base — 2,69 млрд. Обе модели плотные, обе работают только с текстом, обе имеют открытые веса, обе ориентированы на развёртывание на устройстве и обе появились без презентации: у Microsoft — 18 ноября 2026 года, у Liquid AI базовый чекпойнт — 4 августа 2026 года. Если сопоставить их по характеристикам, вы придёте к выводу, что они конкуренты.

Это не так. Один из них завершён. Другой — отправная точка, которую намеренно не завершили, и Liquid AI прямо говорит об этом на карточке: чекпоинт Base «рекомендуется только для задач, требующих интенсивного дообучения». Это единственное предложение перестраивает всё остальное в этом сравнении, потому что предобученная базовая модель и ассистент, дообученный на инструкциях, — это не два продукта из одной категории, а две стадии одного конвейера, которые продаются отдельно.

Приведённые ниже показатели Aion-1.0-Instruct-2.3B взяты напрямую из карточки модели Microsoft и конфигурации репозитория. Показатели LFM2.5 2.6B Base взяты из карточки модели Liquid AI и сопроводительной публикации в блоге. Ни одна из моделей не проходила независимую оценку; если показатель сообщён поставщиком, это указано, а если показателя вообще не существует, об этом сказано прямо, а не подставлено значение.

Что «Base» удаляет из сравнения

LFM2.5 2.6B Base — это предобученный чекпоинт, из которого был создан каждый вариант LFM2.5 2.6B. Он обучен примерно на 34 трлн токенов на 16 языках и будет продолжать текст, а не следовать инструкции, поскольку настройка на инструкции находится в соседнем чекпоинте. Загрузите его и задайте вопрос — и он сделает то, что делает языковая модель без постобучения: продолжит ваш промпт в правдоподобном направлении.

Это делает недействительной примерно половину обычного сравнения. Нет смысла спрашивать, какая модель лучше следует инструкциям, потому что одну из них этому не учили. Нет смысла сравнивать поведение при отказах или форматирование чата. Остаётся более узкий и более полезный вопрос: если вы создаёте ассистента, а не покупаете его, является ли готовая 2.29B от Microsoft лучшей отправной точкой, чем сырая 2.69B от Liquid AI, — или худшей, потому что её тонкая настройка уже привязала её к форме, которая вам, возможно, не нужна?

• Параметры — 2,29 млрд со связанными эмбеддингами для Aion; 2,69 млрд для LFM2.5 2.6B Base.

• Архитектура — Aion представляет собой обычный трансформер с групповым вниманием к запросам и гибридной схемой внимания «21 скользящий + 7 полных»; LFM2.5 — это гибрид из 22 блоков короткой свёртки с двойным стробированием и 8 слоёв GQA при общей глубине 30 слоёв.

• Объём обучения — Microsoft не публикует количество токенов для Aion; Liquid AI публикует примерно 34 триллиона для LFM2.5.

• Контекст — 32 768 токенов для Aion, 131 072 для LFM2.5 2.6B Base, с отдельной фазой расширения длинного контекста до 128K на промежуточном этапе обучения.

• Словарь — 200 029 для Aion; 128 000 для LFM2.5, удвоен на месте из токенизатора предыдущего поколения, а не переобучен.

• Лицензия — MIT для Aion; LFM Open License v1.0 для LFM2.5 2.6B Base — не является лицензией OSI, и её необходимо прочитать перед выпуском.

• Постобучение — модель, дообученная на инструкциях, с шаблоном чата и форматом вызова инструментов, против предобученного чекпоинта, не имеющего ни того, ни другого.

Архитектурный выбор, который объясняет пробел в контексте

Четырёхкратная разница в контекстном окне — не случайность, вызванная бюджетом на обучение. В архитектуре LFM2.5 большинство слоёв внимания заменено блоками короткой свёртки; это ставка на то, что для перемешивания последовательности не нужно полное внимание на каждом слое, — и именно эта ставка делает окно в 131K доступным на телефоне. В блоге Liquid AI прямо указано, что mid-training включал отдельную фазу расширения контекста до 128K, то есть длинное окно было отработано при обучении, а не настроено afterward.

Aion идёт другим путём. Двадцать один из его 28 слоёв использует скользящее окно в 2 048 токенов, и только семь используют полное внимание, причём к этим семи применяется масштабирование YaRN с коэффициентом 16. Заявленный контекст — 32 768, а значение original_max_position_embeddings, равное 2 048, в конфигурации служит подсказкой: окно достигается позиционной интерполяцией из короткого нативного диапазона. Это обычная техника. Но здесь она не измерена — Microsoft не опубликовала оценку на длинном контексте, а модели всего день, так что никто другой её тоже не прогонял.

Практичный перевод: LFM2.5 2.6B Base поставляется с длинным контекстом, который можно сверить с задокументированным этапом обучения. Aion поставляется с более коротким — его стоит проверить, а не принимать на веру.

Что Aion даёт вам такого, чего не может дать базовый чекпоинт

Преимущества готовой модели конкретны и скучны — именно поэтому их стоит перечислить. Aion-1.0-Instruct-2.3B поставляется с шаблоном чата, в котором есть системная преамбула по умолчанию, необязательное системное сообщение от пользователя, добавляемое к ней, и переменные шаблона для идентичности модели, даты отсечения знаний и текущей даты. Она поставляется с документированным форматом вызова инструментов. Она прошла выравнивание по безопасности в соответствии со стандартом Microsoft, а карточка указывает XPIA, DIC и ECI как метрики безопасности, которые она намерена улучшить, — обозначая пробелы, а не заявляя, что они устранены.

Он также содержит одиннадцать результатов бенчмарков на указанном харнессе — больше, чем предлагает LFM2.5 2.6B Base. Карточка базовой модели содержит сведения об архитектуре и обучении и вообще не содержит оценки, и это правильный выбор для чекпоинта, который не предназначен для оценки на задачах, для которых его не настраивали. Если вам нужно число для проектного документа, у Aion оно есть: IFEval 83.90, MMLU 55.15, GSM8K 74.91, MMLU-Pro 33.35, GPQA 28.18, среди прочих — все получены вендором на lm-evaluation-harness или собственной реализации соответствующего бенчмарка.

Но прежде чем считать это потолком возможностей, прочитайте оговорки в карточке самой Aion. В ней говорится, что модель «не обучалась так, чтобы преуспевать в знаниях о мире», что модель такого размера «может упускать мелкие детали, приводить неверные сведения или демонстрировать неспособность следовать сложным многошаговым рассуждениям», а также что многоязычные данные составляли около 6% обучения по восьми языкам, причём качество зависело от языка. Это на удивление откровенный раздел ограничений, и он описывает модель, настроенную на суммирование, переписывание, чат и задачи в операционной системе, а не на рассуждения открытого типа.

Что базовый чекпоинт даёт вам такого, чего не может дать дообученная модель

Контроль и чистая стартовая поверхность потерь. Если вашему продукту нужна модель, которая пишет в корпоративном стиле, отвечает с использованием терминологии предметной области или выдаёт строгий структурированный формат, постобучение на базовом чекпойнте позволит этого добиться, не сражаясь с чужой настройкой выравнивания. Карточка Liquid AI прямо говорит о предполагаемых вариантах использования: интенсивное дообучение, ассистенты для конкретных языков, ассистенты для конкретных предметных областей, обучение на проприетарных данных и эксперименты с новыми подходами к постобучению.

Она также требует принять решение о лицензировании, а не унаследовать его. LFM2.5 2.6B Base выпущена под LFM Open License v1.0 — это собственная лицензия, не Apache 2.0 и не MIT. В её карточке лицензия указана как «other» с названием «lfm1.0». Является ли это проблемой, полностью зависит от вашей модели распространения, и это как раз то, что всплывает на позднем этапе юридической проверки, если никто не прочитал это заранее. MIT, напротив, примерно настолько короткая, насколько вообще бывают лицензии.

И есть аргумент, связанный с инструментарием. LFM2.5 вышел с поддержкой с первого дня в Transformers, vLLM, SGLang, llama.cpp, MLX и LM Studio, а также с опубликованными ноутбуками для дообучения для Unsloth и TRL, охватывающими продолженное предобучение, SFT, DPO и GRPO. Aion Instruct требует trust_remote_code=True и transformers 5.x, в его репозитории нет файла GGUF, хотя в карточке GGUF указан как формат, а его квантованные сборки обещаны, но не опубликованы. Для модели, которую вы собираетесь дообучать, экосистема вокруг неё — не деталь.

Два пути к одному и тому же месту

Рассмотрите два реалистичных пути для команды, которая хочет небольшого помощника на устройстве и располагает корпусом собственных данных.

Путь первый: возьмите Aion-1.0-Instruct-2.3B, оцените её на вашей задаче в исходном виде и дообучайте, только если она не справляется. Вы начинаете с работающего ассистента, шаблона чата и формата вызова инструментов, и ваш первый эксперимент обходится дёшево, потому что модель уже выполняет задачу плохо, а не не выполняет её вовсе. Риск в том, что вы корректируете чужое выравнивание, а не обучаете с нуля, а при 2,29B у вас не так много ёмкости для коррекции.

Второй путь: взять LFM2.5 2.6B Base, провести продолженное предобучение на ваших доменных данных, затем SFT. Вы получаете модель, сформированную вашими данными, а не подстроенную под них, с окном 131K, доступным с самого начала, и хорошо документированным инструментарием обучения. Цена в том, что вы берёте на себя все усилия по постобучению, включая поведение в области безопасности, которое Microsoft уже обеспечила.

Третий путь — именно его на практике выбирает большинство команд: начать с первого пути, чтобы получить базовый уровень, и перейти ко второму, только если базовый уровень выйдет на плато. Это рациональный порядок действий, и это также аргумент в пользу того, чтобы не подписывать долгосрочный контракт ни по одной из моделей, пока вы не прогнали через обе собственные данные.

Когда в продукте появляются два чекпоинта, операционная поверхность начинает разрастаться — отдельные конфигурации обслуживания, отдельные режимы отказов, отдельные циклы обновления. Вклад OrcaRouter на этом уровне — единая конечная точка для 200+ моделей с наценкой 0% и передачей прайс-листа провайдера без изменений, автоматическое переключение между провайдерами при сбое, а также DSL маршрутизации, позволяющий выразить цепочку резервных вариантов вместо жёстко заданной цели. Ни Aion-1.0-Instruct-2.3B, ни LFM2.5 2.6B Base не входят в этот каталог — оба представляют собой самостоятельно размещённые веса, а у Aion вообще нет хостингового API — поэтому роутер даёт вам уровень выше них: место, куда можно отправлять запросы, которые не должна обрабатывать ваша модель на устройстве.

Решение, сжатое

Если вы хотите запустить на этой неделе что-то, что отвечает на вопросы, берите Aion-1.0-Instruct-2.3B. Он готов, распространяется под MIT, занимает 4,6 ГБ в bfloat16, а его ограничения задокументированы его собственными словами, а не обнаружены вами.

Если вы хотите создать модель, а не взять готовую, выбирайте LFM2.5 2.6B Base. Она весит 5,4 ГБ в bfloat16, имеет окно в 131K, которое обучали, а не масштабировали, располагает настоящим инструментарием для дообучения и не имеет представлений о том, как должен звучать ваш ассистент, потому что ей их не задавали.

Чего вам делать не следует, так это считать их взаимозаменяемыми из-за близкого числа параметров. Число параметров у base-модели на 2.69B и instruct-модели на 2.29B различается меньше, чем на ошибку округления в большинстве спецификаций, а на практике между ними — целый конвейер постобучения, и выбор между ними — это решение о том, кто выполняет работу.

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.

Карточка Liquid AI перечисляет числа, которые важны для цели дообучения — 2,69 млрд параметров, 30 слоёв, 34 трлн токенов обучения, окно в 131 072 токена — и не содержит таблицы оценки, потому что базовый чекпойнт не предназначен для оценки на задачах, для которых он не настраивался.

Открытые вопросы

Что касается Aion: появятся ли обещанные Microsoft квантованные сборки, выдержит ли окно длинного контекста настоящий тест с иголкой в стоге сена и что произойдёт с этим чекпоинтом, когда дополнительно оптимизированная версия Windows выйдет к концу января 2027 года. Карточка представляет эту загрузку как предварительную версию той модели, а значит, выход её преемника уже запланирован.

Для LFM2.5 2.6B Base: накопит ли сообщество достаточно наработок на её основе, чтобы её рецепты дообучения стали эталонным путём, и как LFM Open License трактуют юридические команды за пределами привычной зоны комфорта разрешительных лицензий. На оба вопроса можно ответить со временем, и ни на один из них не ответит таблица бенчмарков.

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.

В карточке Aion предполагаемое использование указано одной строкой: базовая SLM для задач Windows на устройстве, а интеграция с ОС предварительно намечена на январь 2027 года.

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.

Почти одинаковое число параметров, но разные условия поставки: instruction-tuned и MIT против pretrained и custom-licensed, причём с контекстным окном в обратную сторону.