Сгенерированная титульная карточка с надписью «Aion-1.0-Instruct-2.3B vs MiniCPM5 2B» и подзаголовком «У того, у кого уже есть табло с очками, уже появился соперник», над двумя карточками: MiniCPM5-2B с «966K загрузок», «35 опубликованных бенчмарков» и «GGUF, MLX, GPTQ», и Aion-1.0-Instruct-2.3B с «0 загрузок, 3 лайка», «11 опубликованных бенчмарков» и «только Safetensors».
Guides & Insights

Aion-1.0-Instruct-2.3B против MiniCPM5 2B: у того, у кого уже есть табло, на нём уже есть соперник

Автор

Elias Hawthorne

Дата публикации

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

В карточке модели MiniCPM5-2B приведена таблица сравнения с восемью базовыми моделями, и Aion-1.0-Instruct-2.3B в неё не входит. Это не пренебрежение; это отметка времени. Таблица OpenBMB была построена вокруг моделей, существовавших на момент публикации весов 6 сентября 2026 года. Чекпойнт Microsoft появился на Hugging Face 18 ноября 2026 года — семьдесят три дня спустя, без анонса и с тремя лайками. Никто не поставил их бок о бок, потому что в первый день его жизни этого не мог сделать никто. MiniCPM5-2B, тем временем, — самая скачиваемая модель в этом классе с большим отрывом: примерно 966 000 загрузок против нуля у Aion.

Итак, это не сравнение двух измеренных моделей. Это сравнение между моделью, которая появилась с табло результатов и фан-базой, и моделью, которая появилась с файлом конфигурации и обещанием насчёт января 2027 года. Далее используются опубликованные OpenBMB показатели для MiniCPM5-2B там, где они есть, карточка Microsoft для Aion-1.0-Instruct-2.3B, и прямо указывается, когда ячейка пуста.

Две модели с 2,5 млрд параметров, не похожие друг на друга

Заявленные размеры достаточно близки, чтобы напрашивалось сравнение спецификаций, но сами спецификации упорно не совпадают.

• Параметры — общее число параметров MiniCPM5-2B составляет 2,52 млрд, из которых 1,98 млрд — неэмбеддинговые; Aion-1.0-Instruct-2.3B — 2,29 млрд при связанных входных и выходных эмбеддингах.

• Глубина — 42 слоя для MiniCPM5-2B на стандартной архитектуре LlamaForCausalLM; 28 слоёв для Aion на кастомном коде моделирования, который требует trust_remote_code.

• Внимание — 16 голов запросов и 2 головы ключей/значений для MiniCPM5-2B; 24 головы запросов и 8 голов ключей/значений при размерности головы 128 для Aion, в рамках гибридной схемы из 21 слоя со скользящим окном на 2,048 токенов и 7 слоёв полного внимания.

• Контекст — 131 072 токена против 32 768.

• Языки — английский и китайский для MiniCPM5-2B; восемь языков для Aion, при этом многоязычные данные составляют около 6% от объёма обучения.

• Лицензия — Apache 2.0 против MIT. Обе разрешительные, обе безопасны для коммерческого использования.

• Экосистема — GGUF, MLX, GPTQ, чекпоинты base, SFT, midtrain и draft, а также обучающие датасеты, в сравнении с safetensors и обещанием, что квантованные сборки появятся позже.

Именно на этой последней строке разрыв перестаёт быть вопросом качества модели. MiniCPM5-2B — это релиз, который уже сегодня днём можно развернуть на четырёх разных рантаймах. Aion-1.0-Instruct-2.3B — это релиз, который можно развернуть только на одном, причём парный репозиторий ONNX-WebGPU был загружен в тот же вечер, а формат GGUF указан в карточке, но отсутствует в списке файлов.

Цифры, которые опубликовала OpenBMB, и те, которые она не опубликовала

Карточка MiniCPM5-2B заявляет о передовом уровне среди открытых моделей класса 2B и затем, что необычно, приводит подтверждения по 35 бенчмаркам в девяти категориях. Ключевые показатели: 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 и NoLiMa — 68,1.

В карточке также публикуется сводное среднее по всем этим моделям — 53,9 для MiniCPM5-2B, 51,1 для Qwen3.5-4B, 42,7 для Granite 4.2 3B, 33,2 для LFM2.5-2.6B. Это собственные прогоны вендора на его собственном наборе бенчмарков, и этот набор благоприятствует именно тому, для чего обучали модель: агентному использованию инструментов, программированию, длинному контексту. Вендор, который выбирает тесты, может выбирать и рейтинг. Воспринимайте таблицу как заявление о приоритетах обучения — и в этом она честна — а не как независимый вердикт, которым она не является.

В карточке MiniCPM5-2B нет ни одного бенчмарка, где фигурирует Aion-1.0-Instruct-2.3B, а в карточке Aion нет ни одной из девяти категорий MiniCPM5-2B. Пересечение реально, но узко: MMLU-Pro, GPQA, IFEval и варианты AIME — единственные места, где две опубликованные таблицы говорят на одном языке, и даже там конфигурации harness различаются. На этих общих строках разрыв велик — 70,8 против 33,35 на MMLU-Pro, 70,2 против 28,18 на GPQA — но это сравнение модели, обученной для рассуждений и агентных задач, с моделью, обученной для понимания и переписывания документов, и цифры говорят именно об этом.

Где честность Aion — это вся история

Примечательная особенность карточки Microsoft — не её оценки. А то, что оценки нелестны, и карточка всё равно их публикует — в таблице, где также указаны модель-судья, её тестовый стенд и два бенчмарка, настройки подсчёта баллов для которых выставляют их в более выгодном свете, чем подразумевает заголовочный показатель. Карточка, написанная для продажи, не включает строку со значением MMLU-Pro 33.35.

33,35 на MMLU-Pro — не та цифра, которую выбирает команда запуска. 28,18 на GPQA — тоже. Их наличие — свидетельство того, что эта таблица вышла из конвейера оценки, а не из маркетингового, и это реальное основание доверять сопутствующим заявлениям — окну в 32 768 токенов, восьми языкам, дате отсечения знаний 2025-12, количеству параметров 2,29 млрд, полученному из конфигурации со связанными эмбеддингами.

Та же прямота пронизывает и раздел ограничений. В карточке прямо говорится, что модель такого размера «может упускать мелкие детали, допускать неточности или демонстрировать неспособность следовать сложным многошаговым рассуждениям», что она «не обучалась с целью превосходно разбираться в мировых знаниях», а также что качество вывода различается между восемью языками. Сравните это с таблицей из 35 бенчмарков, заявляющих о передовом уровне, и вы увидите две разные теории о том, для чего нужна карточка модели. Ни одна из них не нечестна. Одна — заявление о возможностях, другая — раскрытие информации.

Аргумент в пользу обработки на устройстве — и ловушка длинного контекста

Формулировка Microsoft однозначна: Aion Instruct — это «базовая малая языковая модель (SLM) экосистемы Windows», созданная для выполнения текстовых задач и задач операционной системы на устройстве, а более мощная версия вместе с моделью модерации контента станут SLM операционной системы Windows к концу января 2027 года. Загруженный материал описывается как «введение в то, что нас ждёт».

Позиционирование MiniCPM5-2B шире: локальные ассистенты, агенты для программирования, рабочие процессы с использованием инструментов и рассуждения — на телефонах, ПК и в умных кокпитах, а вместе с весами выпущен набор данных для обучения агентов из 500 000 примеров и более 80 000 примеров для RL. Это модель, созданная действовать, а не просто отвечать.

Разрыв между контекстом в 131K и 32K — это то место, где такая разница проявляется сильнее всего, и у MiniCPM5-2B есть доказательства: AA-LCR 59.0 и NoLiMa 68.1 — это бенчмарки длинного контекста, оба проведены вендором и оба опубликованы с визуальной меткой, которую его карточка использует для результатов, оценённых судьёй. У Aion окно в 32 768 токенов, которое, судя по его собственному конфигу, достигается масштабированием YaRN из нативного диапазона в 2 048 токенов, и никакой оценки длинного контекста вообще. Если рабочая нагрузка связана с длинными документами, выбор уже сделан за вас — и сделан он на основании доказательств, а не количества параметров.

Именно в стеках агентов сравнение меняет свой характер.

MiniCPM5-2B обучали для циклов работы с инструментами: 500 тыс. образцов agent SFT, RL в стиле GRPO на проверяемых задачах и строки бенчмарков для SWE-bench Verified, Terminal-Bench, BFCL и запуска τ³ в банковской предметной области. Aion-1.0-Instruct-2.3B документирует формат вызова инструментов и не публикует агентный бенчмарк, поскольку он создан для суммирования, переписывания и чата в операционной системе.

Об этой асимметрии стоит думать в архитектурных терминах, а не как об оценке. Цикл агента — это не один вызов модели; это план, вызов инструмента, результат, перепланирование и часто второе мнение, и каждый шаг — отдельный запрос с собственной задержкой и вероятностью сбоя. Именно на этом уровне маршрутизация перестаёт быть сноской к инфраструктуре и становится частью дизайна. В OrcaRouter слияние моделей запускает панель моделей на один и тот же запрос и объединяет их ответы, а его DSL маршрутизации собирает несколько моделей в один вызов — два примитива, которые имеют значение, когда «одна небольшая модель — один ответ» не подходит для задачи по своей форме. Ни Aion-1.0-Instruct-2.3B, ни MiniCPM5-2B сегодня нет в нашем каталоге, поскольку оба — это самостоятельно размещаемые веса, а не хостинговые эндпоинты; речь идёт о запросах, которые ваш локальный агент не может завершить в одиночку, а не об этих двух чекпойнтах.

Практический вариант: использовать маленькую модель для дешёвых шагов и сделать путь эскалации явным, вместо того чтобы надеяться, что 2B-модель справится с четвёртой попытки. Модель вроде MiniCPM5-2B с результатом 46,4 на SWE-bench Verified впечатляет для своего размера и всё равно ошибается более чем в половине случаев, и никакой объём промпт-инжиниринга не изменит арифметику пятишагового цикла.

Что вы на самом деле можете проверить сегодня

Это предложение решает большинство подобных сравнений. С MiniCPM5-2B вы можете скачать GGUF, загрузить его в llama.cpp, запустить собственные команды бенчмарка из карточки модели и проверить, воспроизведёте ли вы 86,5 на AIME. С Aion-1.0-Instruct-2.3B вы можете скачать bfloat16 safetensors, установить transformers 5.x, принять trust_remote_code=True и запустить тот же стенд на его одиннадцати бенчмарках — это больше работы, но вполне осуществимо, и публично никто этого не сделал.

Чего нельзя сделать с Aion — запустить его в той среде выполнения, которая, скорее всего, будет на целевой машине. В карточке GGUF указан как название библиотеки; репозиторий содержит safetensors, файлы токенизатора, два пользовательских модуля моделирования и шаблон чата. Существует родственный репозиторий ONNX-WebGPU, что делает развёртывание в браузере и через DirectML правдоподобным, но сборка GGUF обещана, а не предоставлена. Если ваша цель развёртывания — llama.cpp или LM Studio, этот единственный отсутствующий файл решает всё, пока он не появится.

Ещё две вещи стоит проверить самому, а не принимать на веру. Во-первых, {{1}}окно в 32K{{/1}}: заполните его и посмотрите, переживает ли хвост документа слои скользящего окна. Во-вторых, {{2}}путь вызова инструментов{{/2}}: формат Aion оборачивает схемы и вызовы в пользовательские теги, и то, насколько изящно он восстанавливается после некорректного вызова, — это не то, что может подсказать карточка.

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.

Карточка OpenBMB — единственная из двух, где вообще публикуются результаты по длинному контексту и агентным сценариям — AA-LCR 59.0, NoLiMa 68.1, SWE-bench Verified 46.4 — наряду с окном в 131 072 токена и стандартной архитектурой Llama.

Два честных сценария использования

Выбирайте MiniCPM5-2B, когда задача связана с инструментами, кодом, длинными документами или китайским языком. Его карточка написана под эти задачи, его бенчмарки их охватывают, его квантования существуют, а лицензия — Apache 2.0. Риск в том, что заявление о state-of-the-art опирается на собственный набор сравнений поставщика, а модели с 2 млрд параметров в агентных циклах всё ещё ошибаются так, что это стоит реальных токенов.

Выбирайте Aion-1.0-Instruct-2.3B, когда задача — Windows-приложение, которое суммирует, переписывает или классифицирует локальные документы на одном из восьми языков, работает офлайн, а данные никогда не покидают устройство. У него меньше контекстное окно, он слабее в каждом общем бенчмарке, и это подтверждено карточкой, в которой так и сказано. Что оно предлагает — это документированный контракт для работы на устройстве и правдоподобный путь в операционную систему к январю 2027 года — а пока очень небольшое число людей, которые его запускали.

Сравнение через месяц будет читаться иначе. Если появится GGUF, возражение о рантайме исчезнет. Если появится запуск на независимом стенде, цифры перестанут быть только цифрами Microsoft. Ни того, ни другого пока не произошло, и делать вид, что это не так, — единственное, чего этот текст себе позволить не может.

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.

Карточка Microsoft, где напечатаны её собственные слабые результаты и отмечены нестрогие настройки оценки, — это причина доверять заявленным характеристикам даже в тех случаях, когда результаты бенчмарков ничем не примечательны.

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.

Счёт по имеющимся данным: с одной стороны — 35 опубликованных бенчмарков и четыре runtime-формата, с другой — 11 бенчмарков и safetensors.