Ett genererat titelkort med texten 'Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base' och underrubriken 'Nästan samma storlek, helt olika leverabler', ovanför två pipelinekort: LFM2.5 2.6B Base med 'förtränad och sedan din finjustering' och '2,69B, 131K kontext, LFM Open License', samt Aion-1.0-Instruct-2.3B med 'redan instruktionstränad' och '2,29B, 32K kontext, MIT'.
Guides & Insights

Aion-1.0-Instruct-2.3B vs LFM2.5 2.6B Base: Nästan samma storlek, helt olika leverabler

Författare

Elias Hawthorne

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

På papperet är detta den jämnaste matchen inom småmodellsområdet just nu. Aion-1.0-Instruct-2.3B har 2,29 miljarder parametrar; LFM2.5 2.6B Base har 2,69 miljarder. Båda är densa, båda är endast för text, båda har öppna vikter, båda är avsedda för driftsättning på enheten, och båda kom utan ett lanseringsevenemang – Microsofts den 18 november 2026, Liquid AIs bascheckpoint den 4 augusti 2026. Om man jämförde dem utifrån specifikation skulle man dra slutsatsen att de är konkurrenter.

De är inte det. En av dem är färdig. Den andra är en utgångspunkt som medvetet inte har färdigställts, och Liquid AI säger det själva på kortet: Base-checkpointen "rekommenderas endast för uppgifter som kräver omfattande finjustering." Den där enda meningen omorganiserar allt annat i den här jämförelsen, eftersom en förtränad bas och en instruktionstränad assistent inte är två produkter i samma kategori — de är två steg i samma pipeline som säljs separat.

Siffrorna för Aion-1.0-Instruct-2.3B nedan kommer från Microsofts modellkort och repository-konfiguration, direkt avlästa. Siffrorna för LFM2.5 2.6B Base kommer från Liquid AIs modellkort och dess tillhörande blogginlägg. Ingen av modellerna har en oberoende utvärdering; där en siffra är leverantörsrapporterad markeras den, och där en siffra inte existerar alls sägs det i stället för att fyllas i.

Vad "Base" tar bort från jämförelsen

LFM2.5 2.6B Base är den förtränade checkpointen från vilken varje LFM2.5 2.6B-variant skapades. Den tränades på ungefär 34 biljoner tokens över 16 språk, och den kommer att fortsätta en text snarare än att följa en instruktion, eftersom instruktionstrimningen finns i syskoncheckpointen. Ladda den och ställ en fråga till den, så gör den vad en språkmodell gör utan efterträning: den fortsätter din prompt i en rimlig riktning.

Det gör ungefär hälften av den vanliga jämförelsen ogiltig. Det är ingen idé att fråga vilken modell som följer instruktioner bättre, eftersom en av dem inte har fått lära sig det. Det är ingen idé att jämföra avvisningsbeteende eller chattformatering. Det som återstår är en snävare och mer användbar fråga: om du bygger en assistent i stället för att köpa en, är Microsofts färdiga 2.29B en bättre utgångspunkt än Liquid AI:s råa 2.69B – eller är den en sämre sådan, eftersom dess finjustering redan har bundit den till en form som du kanske inte vill ha?

• Parametrar — 2,29B med delade embeddings för Aion; 2,69B för LFM2.5 2.6B Base.

• Arkitektur — Aion är en konventionell transformer med grupperad query-attention och ett hybridmönster för attention med 21 glidande plus 7 fullständiga; LFM2.5 är en hybrid av 22 dubbelgrindade kortkonvolutionsblock och 8 GQA-lager över totalt 30 lager.

• Träningsvolym – Microsoft publicerar inte något antal tokens för Aion; Liquid AI publicerar ungefär 34 biljoner för LFM2.5.

• Kontext — 32 768 token för Aion, 131 072 för LFM2.5 2.6B Base, med en dedikerad fas för långkontextutökning på 128K under mellanträningen.

• Ordförråd — 200,029 för Aion; 128,000 för LFM2.5, fördubblat på plats från den föregående generationens tokenizer i stället för omtränat.

• Licens — MIT för Aion; LFM Open License v1.0 för LFM2.5 2.6B Base, som inte är en OSI-licens och behöver läsas innan du distribuerar den.

• Efterträning — en instruktionstrimmad modell med en chattmall och ett verktygsanropsformat, jämfört med en förtränad checkpoint som saknar båda.

Arkitekturvalet som förklarar kontextgapet

Den fyrdubbla skillnaden i kontextfönster är inte en slump som beror på träningsbudgeten. LFM2.5:s design ersätter de flesta uppmärksamhetslager med kortkonvolutionsblock, vilket är en satsning på att sekvensmixning inte behöver full uppmärksamhet i varje lager för att fungera – och den satsningen är det som gör ett 131K-fönster överkomligt på en telefon. Liquid AI:s blogg är tydlig med att mellanträningen omfattade en särskild fas för kontextförlängning till 128K, så det långa fönstret tränades fram, inte konfigurerades i efterhand.

Aion går åt andra hållet. Tjugoen av dess 28 lager använder ett glidande fönster på 2 048 token och endast sju använder full attention, med YaRN-skalning med faktor 16 tillämpad på dessa sju. Den publicerade kontexten är 32 768, och konfigurationens original_max_position_embeddings på 2 048 är ledtråden: fönstret nås genom positionell interpolation från ett kort ursprungligt intervall. Detta är en normal teknik. Den är också omätt här — Microsoft publicerade ingen långkontextutvärdering, och modellen är en dag gammal, så ingen annan har kört någon heller.

Praktisk översättning: {{1}}LFM2.5 2.6B Base levereras med en lång kontext som du kan verifiera mot en dokumenterad träningsfas{{/1}}. {{2}}Aion levereras med en kortare sådan som du bör testa i stället för att anta{{/2}}.

Vad Aion ger dig som en bascheckpoint inte kan

Fördelarna med den färdiga modellen är konkreta och tråkiga, vilket är precis det som gör dem värda att räkna upp. Aion-1.0-Instruct-2.3B levereras med en chattmall med en förvald systeminledning, ett valfritt användarangivet systemmeddelande som läggs till i den, och mallvariabler för modellidentitet, kunskapsgräns och aktuellt datum. Den levereras med ett dokumenterat format för verktygsanrop. Den har säkerhetsanpassats efter Microsofts standard, och modellkortet rapporterar XPIA, DIC och ECI som de säkerhetsmått den avser att förbättra – den namnger luckorna i stället för att hävda att de är täppta.

Den levererar också elva benchmarkresultat på en namngiven harness, vilket är mer än vad LFM2.5 2.6B Base erbjuder. Basmodellens modellkort anger arkitektur och träningsfakta och ingen utvärdering alls, vilket är rätt val för en checkpoint som inte är avsedd att poängsättas på uppgifter den inte har tränats för. Om du behöver en siffra att sätta i ett designdokument har Aion en: IFEval 83.90, MMLU 55.15, GSM8K 74.91, MMLU-Pro 33.35, GPQA 28.18, bland annat, alla körda av leverantören på lm-evaluation-harness eller benchmarkens egen implementation.

Men läs förbehållen på Aions eget kort innan du betraktar det som ett kapacitetstak. Det står att modellen "inte tränades för att excellera i världskunskap", att en modell av den här storleken "kan missa fina detaljer, ge felaktiga påståenden eller visa oförmåga att följa komplex flerstegsresonemang", och att flerspråkiga data utgjorde omkring 6 % av träningen över åtta språk, med varierande kvalitet beroende på språk. Det är ett ovanligt ärligt avsnitt om begränsningar, och det beskriver en modell som är finjusterad för sammanfattning, omskrivning, chatt och operativsystemuppgifter snarare än för öppet resonemang.

Vad bascheckpointen ger dig som en finjusterad modell inte kan

Kontroll, och en ren förlustyta från start. Om din produkt behöver en modell som skriver i en husstil, svarar med en domänvokabulär eller ger ett strikt strukturerat format, tar efterträning på en bascheckpoint dig dit utan att du behöver kämpa mot någon annans aligneringsrunda. Liquid AIs modellkort är tydligt om de avsedda användningsområdena: tung finjustering, språkspecifika assistenter, domänspecifika assistenter, träning på proprietära data och experimenterande med nya efterträningsmetoder.

Det ger dig också ett licensbeslut att fatta i stället för att ärva. LFM2.5 2.6B Base släpps under LFM Open License v1.0 — en anpassad licens, varken Apache 2.0 eller MIT. Modellkortet listar licensen som "other" med namnet "lfm1.0". Huruvida det är ett problem beror helt och hållet på din distributionsmodell, och det är den typen av sak som dyker upp sent i en juridisk granskning om ingen läser den tidigt. MIT är däremot ungefär så kort som licenser blir.

Och det finns ett argument kring verktyg. LFM2.5 levererades med stöd från dag ett i Transformers, vLLM, SGLang, llama.cpp, MLX och LM Studio, plus publicerade finjusteringsnotebooks för Unsloth och TRL som täcker fortsatt förträning, SFT, DPO och GRPO. Aion Instruct kräver trust_remote_code=True och transformers 5.x, har ingen GGUF-fil i sitt repository trots att modellkortet listar GGUF som ett format, och dess kvantiserade byggen utlovas snarare än publiceras. För en modell som du tänker finjustera är ekosystemet runt den inte en detalj.

Två sätt att hamna på samma plats

Överväg de två realistiska vägarna för ett team som vill ha en liten assistent på enheten och har en korpus med egna data.

Väg ett: ta Aion-1.0-Instruct-2.3B, utvärdera den på din uppgift som den levereras och finjustera endast om den inte räcker till. Du börjar med en fungerande assistent, en chattmall och ett format för verktygsanrop, och ditt första experiment är billigt eftersom modellen redan gör jobbet dåligt i stället för inte alls. Risken är att du korrigerar någon annans anpassning i stället för att lära från grunden, och vid 2,29B finns det inte mycket kapacitet att korrigera med.

Väg två: ta LFM2.5 2.6B Base, kör fortsatt förträning på din domän och sedan SFT. Du får en modell som formas av dina data snarare än anpassas efter dem, med ett fönster på 131K tillgängligt från början och en väl dokumenterad träningsverktygskedja. Kostnaden är att du äger hela efterträningsinsatsen, inklusive det säkerhetsbeteende som Microsoft redan hanterade.

Den tredje vägen är den som de flesta team faktiskt väljer: börja med väg ett för att få en baslinje och byt till väg två först om baslinjen planar ut. Det är en rationell ordning, och det är också ett argument för att inte teckna ett långt kontrakt på någon av modellerna innan du har kört dina egna data genom båda.

När du väl har två checkpoints i en produkt börjar den operativa ytan att sprida ut sig – separata serveringskonfigurationer, separata felmoder, separata uppgraderingskadenser. OrcaRouters bidrag på det lagret är en enda slutpunkt över 200+ modeller till 0 % påslag med leverantörens listpris vidarebefordrat, automatisk failover mellan leverantörer, och en routing-DSL som kan uttrycka en fallback-kedja i stället för ett hårdkodat mål. Varken Aion-1.0-Instruct-2.3B eller LFM2.5 2.6B Base finns i den katalogen – båda är självhostade vikter, och Aion har inget hostat API någonstans – så det routern ger dig är nivån ovanför dem: någonstans att skicka de förfrågningar som din modell på enheten inte bör hantera.

Beslutet, komprimerat

Om du vill ha något som är igång den här veckan och svarar på frågor, välj Aion-1.0-Instruct-2.3B. Den är färdig, den är MIT, den är 4,6 GB i bfloat16, och dess begränsningar är dokumenterade med dess egna ord i stället för att du ska behöva upptäcka dem själv.

Om du vill bygga en modell i stället för att adoptera en, välj LFM2.5 2.6B Base. Den är 5,4 GB i bfloat16, den har ett 131K-fönster som tränades i stället för att skalas upp, den har en riktig verktygskedja för finjustering, och den har inga åsikter om hur din assistent ska låta eftersom den inte har fått några.

Det du inte bör göra är att behandla dem som utbytbara bara för att parameterantalen ligger nära varandra. En basmodell på 2,69B och en instruct-modell på 2,29B skiljer sig åt med mindre än avrundningsfelet på de flesta specifikationsblad och med en hel pipeline för efterträning i praktiken, och att välja mellan dem är ett beslut om vem som gör jobbet.

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.

Liquid AI:s kort listar siffrorna som spelar roll för ett finjusteringsmål – 2,69 miljarder parametrar, 30 lager, 34 biljoner träningstokens, ett fönster på 131 072 token – och ingen utvärderingstabell, eftersom en bascheckpoint inte är avsedd att poängsättas på uppgifter som den inte har finjusterats för.

De öppna frågorna

För Aion: huruvida de kvantiserade byggena som Microsoft utlovat anländer, huruvida det långa kontextfönstret håller under ett verkligt nåltest, och vad som händer med denna checkpoint när den ytterligare optimerade Windows-versionen landar i slutet av januari 2027. Kortet presenterar denna uppladdning som en förhandsvisning av den modellen, vilket innebär att dess efterträdare redan är schemalagd.

För LFM2.5 2.6B Base: om communityt bygger tillräckligt på det för att göra dess finjusteringsrecept till referensvägen, och hur LFM Open License läses av juridiska team utanför den vanliga bekvämlighetszonen för tillåtande licenser. Båda kan besvaras med tiden, och ingendera kan besvaras av en benchmarktabell.

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.

Aion-kortet anger det avsedda användningsområdet på en rad: den grundläggande SLM:en för Windows-uppgifter på enheten, med OS-integrationen preliminärt planerad till januari 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.

Nästan identiska parameterantal, olika leverabler: instruktionstränad och MIT mot förtränad och med anpassad licens, där kontextfönstret går åt andra hållet.