Титульная карточка для сравнения Aion-1.0-Instruct-2.3B и Qwen 3.8, противопоставляющая локальную 2,3-миллиардную модель для Windows и 27-миллиардную модель зрения и языка с открытыми весами.
Guides & Insights

Aion-1.0-Instruct-2.3B против Qwen 3.8: компонент Windows встречает рабочую лошадку на 27B

Автор

jinhao.song

Дата публикации

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

18 ноября 2026 года в организации Microsoft на Hugging Face появился репозиторий под названием Aion-1.0-Instruct-2.3B с единственным коммитом: «Duplicate from asgmodels/Aion-Instruct-v1». Ни поста в блоге, ни анонса в карточке модели, ни пресс-релиза, ни публикаций в прессе. В его карточке он описывается как базовая малая языковая модель для локальной работы в Windows, и там добавляется, что ещё более оптимизированная её версия, поставляемая вместе с моделью модерации контента Microsoft, станет SLM операционной системы Windows к концу января 2027 года. Сопоставьте это с Q​wen3.8-27B, открытой 27B визуально-языковой моделью с открытыми весами, опубликованной A​libaba в августе 2026 года, и размещёнными выше неё уровнями Q​wen3.8-Flash и Q​wen3.8-Max, и сравнение очень быстро перестаёт быть вопросом качества. Один — компонент размером с ноутбук. Другой — универсальная модель, которую вы арендуете за миллионы токенов. Почти всё, что могла бы сказать таблица бенчмарков, не имеет отношения к делу. Q​wen3.8-27B предоставляется как qwen/qwen3.8-27b в каталоге OrcaRouter, по тому же ключу и на той же конечной точке, что и уровни Q​wen3.8-Flash и Q​wen3.8-Max.

Что на самом деле содержит репозиторий Aion

Начнём с того, что можно проверить, потому что список короткий. Репозиторий был создан в 17:05 UTC 18 ноября 2026 года и с тех пор не изменялся. У него три лайка и, на момент написания, ноль загрузок. Веса — это один файл safetensors в формате BF16 размером 4,58 ГБ, что согласуется с названием 2.3B при двух байтах на параметр. Словарь содержит 200 029 токенов. Лицензия — MIT.

Архитектура необычнее, чем можно предположить по размеру. Двадцать восемь слоёв чередуются по гибридной схеме: двадцать один использует внимание со скользящим окном размером 2 048 токенов, а семь — полное внимание; слои с полным вниманием имеют 16-кратное расширение YaRN. В групповом внимании запросов (grouped-query attention) используется 24 головы запросов на 8 голов ключей-значений, эмбеддинги связаны, а карточка предписывает запускать модель с пользовательским кодом моделирования через trust_remote_code. Репозиторий содержит собственную реализацию transformers, а не привязку к стандартной архитектуре.

Происхождение — это та часть, которая не подтверждена. В коммите сказано, что репозиторий является дубликатом asgmodels/Aion-Instruct-v1, а ссылка на лицензию указывает на файл LICENSE этого репозитория. И asgmodels/Aion-Instruct-v1и соседний репозиторий Microsoft под названием Aion-Instruct-Preview-Sample возвращают ошибку аутентификации на анонимные API-запросы, поэтому они приватные или с ограниченным доступом. Мы видим, что Microsoft скопировала чекпоинт в публичный репозиторий. Мы не можем увидеть, что содержал оригинал, кто его обучал, на каких данных или почему организация называется asgmodels. Любой, кто описывает обучение этой модели, лишь строит догадки.

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.

Числа на карточке и что они означают

Карточка модели публикует одиннадцать бенчмарков. 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 и chrF++ — 43.18. В строке методологии указано, что запуски использовали lm-evaluation-harness от EleutherAI везде, где существовала реализация задачи, а в остальных случаях — собственный репозиторий бенчмарка, при этом GPT-4o выступал в роли судьи в задачах, отмеченных как оцениваемые судьёй. Оценки приведены в процентах.

Все эти данные предоставлены производителем, и ни один из них не был воспроизведён. Однако для модели такого размера закономерность в таблице информативнее любой отдельной цифры. MMLU на уровне 55,15 — достойный результат для 2,3 млрд параметров. MMLU-Pro на уровне 33,35 и GPQA на уровне 28,18 — нет: это более сложные тесты знаний с упором на рассуждения, и они явно показывают потолок. GSM8K на уровне 74,91 при нестрогом сопоставлении — существенно более слабый результат, чем та же цифра при строгом сопоставлении. IFEval 83,90 — самый сильный относительный результат в карточке модели: для своего размера модель хорошо следует форматированным инструкциям, а именно это и требуется ассистенту операционной системы.

Есть вторая оговорка, которая прямо указана в карточке и которую легко пропустить. Опубликованный чекпойнт — это неквантованная модель, и в карточке сказано, что квантованные версии появятся позже. ONNX-сборка уже существует отдельно — Microsoft опубликовала Aion-1.0-Instruct-2.3B-ONNX-WebGPU примерно через три минуты после публикации репозитория BF16, размером примерно 1,3 ГБ, с использованием поблочного обучения с учётом квантования INT4 при размере блока 32 для линейных слоёв и размере блока 64 для эмбеддингов, с активациями и KV-кэшем в FP16, с прицелом на WebGPU через ONNX Runtime GenAI. Это тот артефакт развёртывания, который имеет значение, и это не тот файл, который большинство людей скачает первым.

Почему Q​wen3.8-27B — это объект иного рода

Q​wen3.8-27B — это 27,8 млрд параметров, распределённых по восемнадцати шардам BF16 общим объёмом 55,6 ГБ, с визуальным энкодером для ввода изображений и видео. Его шестьдесят четыре слоя организованы в шестнадцать повторяющихся блоков: три слоя линейного внимания Gated DeltaNet на один полный слой Gated Attention; размер скрытого состояния — 5 120, при этом в тракте линейного внимания используется 48 голов значений против 16 голов запросов-ключей. Контекст составляет 262 144 токена нативно и 1 000 000 с YaRN. Режим рассуждения включён по умолчанию, с поддержкой до 262 144 токенов рассуждения и 131 072 токенов ответа, а рекомендуемые параметры сэмплирования различаются для режимов с рассуждением и без него. Лицензия — Apache 2.0.

Разрыв, который имеет значение, — не в параметрах. А в том, что чекпойнт размером 55.6 GB не запускается на устройстве, для которого создана модель Aion. Весь дизайн модели Aion — скользящие окна на 2 048 токенов, обучение с учётом квантования INT4, сборка ONNX WebGPU размером 1.3 GB — это аргумент о том, что помещается в память на машине, которая у кого-то уже есть. Дизайн Qwen3.8-27B предполагает кластер для обслуживания. Между ними не выбирают по табло результатов. Выбирают потому, что один из них не является кандидатом на работу другого.

Где числа можно, а где нельзя расположить рядом друг с другом

Здесь есть одна действительно полезная перекрёстная ссылка, и её нет ни на карточке одного, ни на карточке другого вендора. Artificial Analysis оценивает Q​wen3.8-27B по Intelligence Index v5.0.1, который объединяет девять тестов: AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 и Terminal-Bench-Sci. По этому индексу Q​wen3.8-27B набирает 20 баллов при медиане 10 у сопоставимых моделей. Тот же замер показывает $0,50 за миллион входных токенов и $3,00 за миллион выходных, $3,53 за задачу, 38,7 минуты на задачу индекса при медиане 11,5 и 128 млн токенов, потреблённых в рамках индекса, при медиане 77,8 млн. Она медленнее и более многословна, чем остальные участники, и расплачивается за это стоимостью за задачу даже при умеренной цене за токен.

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

Для Aion нет эквивалента. По состоянию на 19 ноября 2026 года в Artificial Analysis нет записи ни по одной модели Aion, и ни один независимый тестовый стенд не опубликовал результаты прогона. Так что в честной таблице результатов есть пробел, и этот пробел на стороне более новой модели.

• Параметры — Aion-1.0-Instruct-2.3B: примерно 2,3 млрд, один файл BF16 объёмом 4,58 ГБ. Qwen3.8-27B: 27,8 млрд, восемнадцать шардов, 55,6 ГБ BF16.

• Контекст — Aion-1.0-Instruct-2.3B: 32 768 токенов, согласно карточке сборки ONNX; в карточке BF16 значение не указано. Q​wen3.8-27B: 262 144 нативно, 1 000 000 с YaRN.

• {{1}}Модальность{{/1}} — Aion-1.0-Instruct-2.3B: только текст. Qwen3.8-27B: на входе текст, изображение и видео, на выходе текст.

• Лицензия — Aion-1.0-Instruct-2.3B: MIT. Q​wen3.8-27B: Apache 2.0. Обе разрешают коммерческое использование; MIT — менее обременительная из двух.

• Объём для запуска — Aion-1.0-Instruct-2.3B: 1,3 ГБ INT4 ONNX для WebGPU или 4,58 ГБ BF16. Q​wen3.8-27B: 55,6 ГБ BF16 плюс память для обслуживания.

• Независимая оценка — Aion-1.0-Instruct-2.3B: отсутствует. Q​wen3.8-27B: Intelligence Index 20 на v5.0.1, а также карточка от производителя с указанием LiveCodeBench v6 90.3, GPQA Diamond 89.2, Terminal-Bench 2.1 — 73.0, SWE-bench Pro 61.7 и HLE 30.8.

• Дата публикации — Aion-1.0-Instruct-2.3B: 18 ноября 2026 года, модель существует всего один день и не была анонсирована. Q​wen3.8-27B: анонсирована 3 августа 2026 года, веса выпущены 14 августа 2026 года.

Что на самом деле решает сравнение

Если вы создаёте настольное приложение, которому нужно классифицировать текст, соблюдать структурированный формат, суммировать документ или маршрутизировать запрос операционной системы без сетевого обмена, модель Aion подходит, а Q​wen3.8-27B — нет. Окна в 32K достаточно для суммирования документа и совершенно недостаточно для задачи по программированию в масштабе всего репозитория. Лицензия MIT снимает необходимость юридической проверки. Сборка ONNX WebGPU работает там, где не может разместиться контрольная точка на 55,6 ГБ.

Если вам нужен агент, который работает с длинными контекстами, читает скриншоты, пишет код в рамках большой кодовой базы или выполняет многошаговые циклы инструментов, то справедливо обратное. У Qwen3.8-27B есть контекст, модальность и независимое измерение, а её слабые стороны — задержка и многословность в токенах — это известные величины, которые можно оценить. У модели Aion вообще нет независимого прогона, что на практике означает: оценку придётся делать вам — на ваших собственных задачах — прежде чем она коснётся чего-либо важного.

Есть третья позиция, которая, вероятно, подходит большинству команд: не выбирать. Модель на устройстве с 2,3 млрд параметров и облачная модель с 27 млрд параметров дополняют друг друга, и архитектура, использующая обе — небольшую локальную модель для частых, дешёвых и чувствительных к задержке вызовов и крупную облачную модель для редких, дорогих и сложных, — это та, что выдерживает столкновение со счётом. Q​wen3.8-27B доступна через OrcaRouter как qwen/qwen3.8-27b по цене $0,33 за миллион входных токенов и $2,40 за миллион выходных, на том же ключе и эндпоинте, что и тарифы Q​wen3.8-Flash и Q​wen3.8-Max, с автоматическим переключением при отказе между провайдерами и без наценки за токен сверх прайс-листа провайдера. Мы сами запускаем эти веса, поэтому изменение цены поставщиком отражается здесь в тот же день, а не после цикла пересмотра цен. Aion-1.0-Instruct-2.3B отсутствует на OrcaRouter — это скачиваемая модель, которую вы запускаете сами, и обе могут находиться в одном приложении, при этом ни одна не знает о другой.

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.

За чем следить и что изменило бы этот материал

Три вещи существенно изменили бы картину, и ни одна из них пока не произошла. Публикация Microsoft анонса, карточки модели с подробностями обучения или прогона бенчмарка вне собственного стенда компании. Добавление Aion в Artificial Analysis, что дало бы более новой модели независимый противовес, который уже есть у Qwen. Или превращение истории с квантованием BF16 против INT4 в опубликованную разницу точности — число, которое решает, действительно ли квантование на устройстве выдерживает проверку на этой архитектуре.

До тех пор относитесь к Aion-1.0-Instruct-2.3B так, как показывает репозиторий: небольшая текстая модель с разрешительной лицензией, ориентированная на Windows, опубликованная без лишнего шума, возрастом в один день, с таблицей бенчмарков от вендора и без независимой проверки. Относитесь к Qwen3.8-27B как к известной величине с опубликованными сторонними измерениями, контекстным окном в восемь раз больше и соответствующим счётом за обслуживание. Неправильный вопрос — какая из них побеждает. Правильный — какого из этих двух объектов не хватает вашему приложению.

© 2026 OrcaRouter