
Aion-1.0-Instruct-2.3B กับ LFM2.5 2.6B Base: ขนาดเกือบเท่ากัน แต่ผลลัพธ์ที่ได้แตกต่างกันโดยสิ้นเชิง
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 184 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 223 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 96 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
ในทางทฤษฎี นี่คือการจับคู่ที่สูสีที่สุดในกลุ่มโมเดลขนาดเล็กในตอนนี้ Aion-1.0-Instruct-2.3B มีพารามิเตอร์ 2.29 พันล้านตัว; LFM2.5 2.6B Base มี 2.69 พันล้านตัว ทั้งคู่เป็นแบบ dense ทั้งคู่เป็นข้อความล้วน ทั้งคู่เป็นน้ำหนักเปิด ทั้งคู่มุ่งเป้าไปที่การปรับใช้บนอุปกรณ์ และทั้งคู่เปิดตัวโดยไม่มีงานเปิดตัว — ของ Microsoft เมื่อวันที่ 18 พฤศจิกายน 2026 และเช็กพอยต์ฐานของ Liquid AI เมื่อวันที่ 4 สิงหาคม 2026 หากคุณเรียงเทียบตามสเปก คุณคงสรุปได้ว่าพวกมันเป็นคู่แข่งกัน
ไม่ใช่เลย ตัวหนึ่งเสร็จสมบูรณ์แล้ว อีกตัวเป็นจุดเริ่มต้นที่จงใจยังไม่ทำให้เสร็จ และ Liquid AI ระบุไว้บนการ์ดว่า Base checkpoint “แนะนำให้ใช้เฉพาะกับงานที่ต้องอาศัยการ fine-tuning อย่างหนักเท่านั้น” ประโยคเดียวนั้นจัดระเบียบทุกอย่างที่เหลือในการเปรียบเทียบนี้ใหม่ เพราะ base ที่ผ่านการ pretrain และ assistant ที่ผ่าน instruction tuning ไม่ใช่ผลิตภัณฑ์สองชิ้นในหมวดหมู่เดียวกัน —但它们คือสองขั้นตอนของไปป์ไลน์เดียวกันที่ขายแยกจากกัน
ตัวเลขของ Aion-1.0-Instruct-2.3B ด้านล่างมาจากการ์ดโมเดลและการกำหนดค่าของรีโพซิทอรีของ Microsoft โดยอ่านโดยตรง ตัวเลขของ LFM2.5 2.6B Base มาจากการ์ดโมเดลและโพสต์บล็อกที่มาพร้อมกันของ Liquid AI ทั้งสองโมเดลไม่มีการประเมินที่เป็นอิสระ ในกรณีที่ตัวเลขเป็นข้อมูลที่ผู้จำหน่ายรายงาน จะมีการระบุไว้ และในกรณีที่ไม่มีตัวเลขนั้นอยู่เลย จะบอกเช่นนั้นแทนการเติมค่าให้
สิ่งที่ "Base" ตัดออกจากการเปรียบเทียบ
LFM2.5 2.6B Base เป็นเช็กพอยต์ที่ผ่านการฝึกมาก่อน ซึ่งใช้สร้างทุกรุ่นย่อยของ LFM2.5 2.6B โดยฝึกด้วยโทเคนประมาณ 34 ล้านล้านโทเคนใน 16 ภาษา และมันจะต่อข้อความมากกว่าทำตามคำสั่ง เพราะการปรับแต่งตามคำสั่งอยู่ในเช็กพอยต์คู่กัน โหลดมันขึ้นมาแล้วถามคำถาม มันจะทำสิ่งที่โมเดลภาษาทำเมื่อไม่มีการฝึกหลังการฝึก: ต่อยอดพรอมป์ของคุณไปในทิศทางที่สมเหตุสมผล
สิ่งนั้นทำให้การเปรียบเทียบตามปกติราวครึ่งหนึ่งใช้ไม่ได้ ไม่มีประโยชน์ที่จะถามว่าโมเดลใดทำตามคำสั่งได้ดีกว่า เพราะหนึ่งในนั้นยังไม่ได้รับการสอนให้ทำเช่นนั้น ไม่มีประโยชน์ที่จะเปรียบเทียบพฤติกรรมการปฏิเสธหรือการจัดรูปแบบแชต สิ่งที่เหลืออยู่คือคำถามที่แคบลงและมีประโยชน์กว่า: หากคุณกำลังสร้างผู้ช่วยขึ้นมาเองแทนที่จะซื้อสำเร็จรูป 2.29B ที่เสร็จสมบูรณ์แล้วของ Microsoft เป็นจุดเริ่มต้นที่ดีกว่า 2.69B ดิบของ Liquid AI หรือไม่ — หรือแย่กว่า เพราะการปรับแต่งของมันได้ผูกมันไว้กับรูปร่างที่คุณอาจไม่ต้องการแล้ว?
• จำนวนพารามิเตอร์ — 2.29B พร้อม tied embeddings สำหรับ Aion; 2.69B สำหรับ LFM2.5 2.6B Base
• สถาปัตยกรรม — Aion เป็นทรานส์ฟอร์เมอร์แบบทั่วไปที่มี grouped-query attention และรูปแบบแอตเทนชันแบบไฮบริด 21-sliding-plus-7-full; LFM2.5 เป็นไฮบริดของบล็อก short-convolution แบบ double-gated จำนวน 22 บล็อก และเลเยอร์ GQA จำนวน 8 เลเยอร์ จากทั้งหมด 30 เลเยอร์
• ปริมาณการฝึก — Microsoft ไม่ได้เผยแพร่จำนวนโทเคนสำหรับ Aion; Liquid AI เผยแพร่ประมาณ 34 ล้านล้านโทเคนสำหรับ LFM2.5
• บริบท — 32,768 โทเคนสำหรับ Aion, 131,072 สำหรับ LFM2.5 2.6B Base พร้อมช่วงการขยายบริบทยาว 128K โดยเฉพาะในระหว่างการฝึกกลาง
• คำศัพท์ — 200,029 สำหรับ Aion; 128,000 สำหรับ LFM2.5 ซึ่งเพิ่มเป็นสองเท่าในตำแหน่งเดิมจากโทเคไนเซอร์ของรุ่นก่อน แทนที่จะฝึกใหม่
• สัญญาอนุญาต — MIT สำหรับ Aion; LFM Open License v1.0 สำหรับ LFM2.5 2.6B Base ซึ่งไม่ใช่สัญญาอนุญาตที่ OSI รับรอง และจำเป็นต้องอ่านก่อนนำออกใช้งาน
• การฝึกหลังโมเดลพื้นฐาน — โมเดลที่ปรับแต่งตามคำสั่งพร้อมเทมเพลตแชตและรูปแบบการเรียกใช้เครื่องมือ เทียบกับเช็กพอยต์ที่ผ่านการพรีเทรนซึ่งไม่มีทั้งสองอย่าง
การเลือกสถาปัตยกรรมที่อธิบายช่องว่างของบริบท
ความแตกต่างสี่เท่าในหน้าต่างบริบทนั้นไม่ใช่เรื่องบังเอิญจากงบประมาณการเทรน การออกแบบของ LFM2.5 แทนที่เลเยอร์ attention ส่วนใหญ่ด้วยบล็อก short-convolution ซึ่งเป็นการเดิมพันว่าการผสมลำดับ (sequence mixing) ไม่จำเป็นต้องใช้ full attention ทุกเลเยอร์เพื่อให้ทำงานได้ และการเดิมพันนี้เองที่ทำให้หน้าต่างขนาด 131K เป็นเรื่องที่จ่ายไหวบนโทรศัพท์ บล็อกของ Liquid AI ระบุชัดเจนว่าการเทรนช่วงกลาง (mid-training) มีเฟสขยายบริบท 128K โดยเฉพาะ ดังนั้นหน้าต่างขนาดยาวนี้จึงถูกเทรนมาโดยตรง ไม่ใช่แค่ตั้งค่าภายหลัง
Aion ไปในทางตรงกันข้าม ในบรรดา 28 เลเยอร์ของมัน มี 21 เลเยอร์ที่ใช้หน้าต่างเลื่อนขนาด 2,048 โทเคน และมีเพียงเจ็ดเลเยอร์ที่ใช้ full attention โดยมีการสเกล YaRN ด้วยแฟกเตอร์ 16 กับเจ็ดเลเยอร์นั้น context ที่เผยแพร่คือ 32,768 และค่า original_max_position_embeddings ของการกำหนดค่าซึ่งเท่ากับ 2,048 ก็เป็นตัวบ่งชี้ว่า หน้าต่างนี้เข้าถึงได้ด้วย positional interpolation จากช่วงดั้งเดิมที่สั้น นี่เป็นเทคนิคปกติ แต่มันก็ยังไม่ได้ถูกวัดผลในที่นี้เช่นกัน Microsoft ไม่ได้เผยแพร่การประเมินบริบทยาว และโมเดลเพิ่งมีอายุได้หนึ่งวัน ดังนั้นจึงยังไม่มีใครอื่นรันการประเมินเช่นนั้นเลย
LFM2.5 2.6B Base มาพร้อมบริบทแบบยาวที่คุณสามารถตรวจสอบเทียบกับช่วงการฝึกอบรมที่มีการบันทึกไว้ได้ Aion มาพร้อมบริบทที่สั้นกว่า ซึ่งคุณควรทดสอบแทนที่จะสันนิษฐานเอา
สิ่งที่ Aion มอบให้คุณซึ่ง base checkpoint ทำไม่ได้
ข้อได้เปรียบของโมเดลที่เสร็จสมบูรณ์นั้นเป็นรูปธรรมและน่าเบื่อ ซึ่งนั่นคือสิ่งที่ทำให้มันคุ้มค่าที่จะระบุไว้ Aion-1.0-Instruct-2.3B มาพร้อมเทมเพลตแชตที่มีคำนำระบบเริ่มต้น ข้อความระบบที่ผู้ใช้จัดหาให้ซึ่งสามารถเลือกแนบต่อท้ายได้ และตัวแปรเทมเพลตสำหรับระบุตัวตนของโมเดล จุดตัดขององค์ความรู้ และวันที่ปัจจุบัน มีรูปแบบการเรียกใช้เครื่องมือที่มีเอกสารประกอบแล้ว ได้รับการจัดแนวความปลอดภัยตามมาตรฐานของ Microsoft และการ์ดระบุ XPIA, DIC และ ECI เป็นตัวชี้วัดด้านความปลอดภัยที่ตั้งใจจะปรับปรุง โดยระบุชื่อช่องว่างแทนที่จะอ้างว่าปิดช่องว่างเหล่านั้นแล้ว
นอกจากนี้ยังมาพร้อมคะแนน benchmark สิบเอ็ดรายการบน harness ที่ระบุชื่อ ซึ่งมากกว่าที่ LFM2.5 2.6B Base มีให้ การ์ด base ระบุสถาปัตยกรรมและข้อเท็จจริงเกี่ยวกับการฝึกอบรม และไม่มีการประเมินใด ๆ เลย ซึ่งเป็นตัวเลือกที่ถูกต้องสำหรับ checkpoint ที่ไม่ได้มีไว้เพื่อให้ถูกให้คะแนนบนงานที่มันไม่ได้ถูกปรับแต่งมา หากคุณต้องการตัวเลขสำหรับใส่ในเอกสารออกแบบ Aion มีให้: IFEval 83.90, MMLU 55.15, GSM8K 74.91, MMLU-Pro 33.35, GPQA 28.18 และอื่น ๆ ทั้งหมดรันโดยผู้ขายบน lm-evaluation-harness หรืออิมพลีเมนเทชันของ benchmark เอง
แต่จงอ่านข้อควรระวังบนการ์ดของ Aion เองก่อนที่คุณจะถือว่านั่นเป็นเพดานความสามารถ โดยระบุว่าโมเดลนี้ "ไม่ได้ถูกฝึกมาให้เก่งเป็นพิเศษด้านความรู้รอบโลก" ว่าโมเดลขนาดนี้ "อาจพลาดรายละเอียดปลีกย่อย ให้ข้อมูลที่ผิด หรือแสดงให้เห็นว่าไม่สามารถทำตามการให้เหตุผลหลายขั้นตอนที่ซับซ้อนได้" และข้อมูลหลายภาษาคิดเป็นประมาณ 6% ของการฝึกครอบคลุมแปดภาษา โดยคุณภาพแตกต่างกันไปตามภาษา นับเป็นส่วนข้อจำกัดที่ตรงไปตรงมาอย่างผิดปกติ และอธิบายถึงโมเดลที่ถูกปรับแต่งสำหรับงานสรุป การเขียนใหม่ แชต และงานระบบปฏิบัติการ มากกว่าการให้เหตุผลแบบเปิดกว้าง
สิ่งที่ base checkpoint ให้คุณซึ่งโมเดลที่ผ่านการปรับแต่งแล้วให้ไม่ได้
การควบคุม และพื้นผิวค่า loss เริ่มต้นที่สะอาด หากผลิตภัณฑ์ของคุณต้องการโมเดลที่เขียนตามสไตล์เฉพาะขององค์กร ตอบด้วยคำศัพท์เฉพาะโดเมน หรือส่งออกในรูปแบบโครงสร้างที่เข้มงวด การทำ post-training บน base checkpoint จะพาคุณไปถึงจุดนั้นได้โดยไม่ต้องต่อสู้กับ alignment pass ของคนอื่น การ์ดของ Liquid AI ระบุตรงไปตรงมาเกี่ยวกับการใช้งานที่ตั้งใจไว้: การ fine-tune อย่างหนัก ผู้ช่วยเฉพาะภาษา ผู้ช่วยเฉพาะโดเมน การฝึกบนข้อมูลที่เป็นกรรมสิทธิ์ และการทดลองกับแนวทาง post-training ใหม่ ๆ
นอกจากนี้ยังทำให้คุณต้องตัดสินใจเรื่องสัญญาอนุญาตด้วยตัวเอง แทนที่จะรับมาสืบทอดเฉย ๆ LFM2.5 2.6B Base เปิดตัวภายใต้ LFM Open License v1.0 — ซึ่งเป็นสัญญาอนุญาตแบบกำหนดเอง ไม่ใช่ Apache 2.0 และไม่ใช่ MIT การ์ดของโมเดลระบุสัญญาอนุญาตว่า "other" พร้อมชื่อ "lfm1.0" ว่าสิ่งนี้จะเป็นปัญหาหรือไม่นั้น ขึ้นอยู่กับรูปแบบการเผยแพร่ของคุณทั้งหมด และมันเป็นเรื่องประเภทที่มักโผล่ขึ้นมาช่วงท้ายของการตรวจสอบทางกฎหมาย หากไม่มีใครอ่านตั้งแต่เนิ่น ๆ เมื่อเทียบกันแล้ว MIT ถือว่าสั้นที่สุดเท่าที่สัญญาอนุญาตจะสั้นได้
และยังมีประเด็นเรื่องเครื่องมือด้วย LFM2.5 มาพร้อมการรองรับตั้งแต่วันแรกใน Transformers, vLLM, SGLang, llama.cpp, MLX และ LM Studio พร้อมทั้งเผยแพร่โน้ตบุ๊กสำหรับการปรับแต่งละเอียดสำหรับ Unsloth และ TRL ซึ่งครอบคลุม continued pre-training, SFT, DPO และ GRPO ส่วน Aion Instruct ต้องใช้ trust_remote_code=True และ transformers 5.x ไม่มีไฟล์ GGUF ในรีโพซิทอรี แม้ว่าการ์ดจะระบุ GGUF เป็นรูปแบบหนึ่ง และบิลด์ที่ผ่านการควอนไทซ์ถูกสัญญาไว้แต่ยังไม่ได้เผยแพร่ สำหรับโมเดลที่คุณตั้งใจจะปรับแต่งละเอียด ระบบนิเวศรอบ ๆ โมเดลไม่ใช่รายละเอียดเล็กน้อย
สองวิธีที่จะลงเอยที่จุดเดียวกัน
ลองพิจารณาเส้นทางที่เป็นไปได้จริงสองเส้นทางสำหรับทีมที่ต้องการผู้ช่วยขนาดเล็กบนอุปกรณ์และมีคลังข้อมูลของตนเอง
แนวทางแรก: นำ Aion-1.0-Instruct-2.3B มาประเมินกับงานของคุณในสภาพที่พร้อมใช้งานตามที่จัดส่งมา และไฟน์ทูนเฉพาะเมื่อผลลัพธ์ยังไม่เพียงพอ คุณเริ่มต้นด้วยผู้ช่วยที่ใช้งานได้ เทมเพลตแชท และรูปแบบการเรียกใช้เครื่องมือ และการทดลองแรกของคุณมีต้นทุนต่ำ เพราะโมเดลทำงานนี้ได้ไม่ดีอยู่แล้ว มากกว่าที่จะทำไม่ได้เลย ความเสี่ยงคือคุณกำลังแก้ไขการจัดแนว (alignment) ของคนอื่น แทนที่จะสอนตั้งแต่เริ่มต้น และที่ขนาด 2.29B ก็มีความจุไม่มากพอที่จะใช้แก้ไข
เส้นทางที่สอง: นำ LFM2.5 2.6B Base มาทำ continued pre-training กับโดเมนของคุณ จากนั้นทำ SFT คุณจะได้โมเดลที่ถูกหล่อหลอมด้วยข้อมูลของคุณ แทนที่จะถูกปรับให้เข้ากับข้อมูลนั้น โดยมีหน้าต่าง 131K ที่ใช้ได้ตั้งแต่เริ่มต้น และมีชุดเครื่องมือสำหรับการฝึกที่มีเอกสารครบถ้วน ข้อแลกเปลี่ยนคือคุณต้องรับผิดชอบงาน post-training ทั้งหมดเอง รวมถึงพฤติกรรมด้านความปลอดภัยที่ Microsoft จัดการไว้แล้ว
แนวทางที่สามคือแนวทางที่ทีมส่วนใหญ่เลือกใช้จริง: เริ่มจากแนวทางที่หนึ่งเพื่อให้ได้ค่าฐาน แล้วเปลี่ยนไปแนวทางที่สองเฉพาะเมื่อค่าฐานเริ่มนิ่งแล้ว นี่เป็นลำดับที่สมเหตุสมผล และยังเป็นเหตุผลสนับสนุนการไม่เซ็นสัญญาระยะยาวกับโมเดลใดโมเดลหนึ่งก่อนที่คุณจะได้นำข้อมูลของคุณเองมาทดลองกับทั้งสองโมเดล
เมื่อคุณมี checkpoint สองตัวในผลิตภัณฑ์เดียว พื้นผิวการดำเนินงานก็เริ่มกระจัดกระจาย — คอนฟิกการให้บริการแยกกัน โหมดความล้มเหลวแยกกัน และรอบการอัปเกรดแยกกัน สิ่งที่ OrcaRouter นำเสนอในชั้นนั้นคือ endpoint เดียวที่ครอบคลุม โมเดล 200+ ตัวโดยคิดส่วนเพิ่ม 0% พร้อมส่งผ่านราคาตามรายการของผู้ให้บริการ การสลับสำรองอัตโนมัติระหว่างผู้ให้บริการ และ DSL สำหรับกำหนดเส้นทางที่สามารถแสดงห่วงโซ่สำรองแทนเป้าหมายที่กำหนดตายตัวได้ ทั้ง Aion-1.0-Instruct-2.3B และ LFM2.5 2.6B Base ต่างไม่อยู่ในแค็ตตาล็อกนั้น — ทั้งสองเป็นเวตที่โฮสต์เอง และ Aion ไม่มี API แบบโฮสต์ที่ใดเลย — ดังนั้นสิ่งที่เราเตอร์มอบให้คุณคือชั้นที่อยู่เหนือขึ้นไป: จุดหมายปลายทางสำหรับส่งคำขอที่โมเดลบนอุปกรณ์ของคุณไม่ควรจัดการ
การตัดสินใจฉบับย่อ
ถ้าคุณอยากได้อะไรที่ใช้งานได้ภายในสัปดาห์นี้และตอบคำถามได้ ลองใช้ Aion-1.0-Instruct-2.3B ดูสิ มันเสร็จสมบูรณ์แล้ว เป็น MIT ใช้พื้นที่ 4.6 GB ใน bfloat16 และข้อจำกัดของมันถูกอธิบายไว้ด้วยคำพูดของมันเอง แทนที่คุณจะต้องเป็นคนไปค้นพบเอง
หากคุณต้องการสร้างโมเดลขึ้นมาเองแทนที่จะนำโมเดลสำเร็จรูปมาใช้ ลองเลือก LFM2.5 2.6B Base ซึ่งมีขนาด 5.4 GB ในรูปแบบ bfloat16 มาพร้อมหน้าต่างบริบท 131K ที่ผ่านการฝึกโดยตรงแทนที่จะเป็นแค่การขยายขนาด มีชุดเครื่องมือสำหรับ fine-tuning ที่ใช้งานได้จริง และไม่มีการกำหนดโทนหรือสไตล์ว่าผู้ช่วยของคุณควรพูดอย่างไร เพราะยังไม่ได้รับการกำหนดลักษณะใด ๆ มาให้
สิ่งที่คุณไม่ควรทำคือมองว่าสองตัวนี้ใช้แทนกันได้เพราะจำนวนพารามิเตอร์ใกล้กัน โมเดลฐานขนาด 2.69B กับโมเดล instruct ขนาด 2.29B ต่างกันน้อยกว่าความคลาดเคลื่อนจากการปัดเศษบนสเปกชีตส่วนใหญ่ แต่ในทางปฏิบัติกลับต่างกันถึงขั้นกระบวนการหลังการฝึกทั้งชุด และการเลือกระหว่างสองตัวนี้คือการตัดสินใจว่าใครจะเป็นคนทำงาน

การ์ดของ Liquid AI ระบุตัวเลขที่สำคัญสำหรับเป้าหมายการ fine-tuning — พารามิเตอร์ 2.69B, 30 เลเยอร์, โทเค็นการฝึก 34 ล้านล้านโทเค็น, หน้าต่าง 131,072 โทเค็น — และไม่มีตารางการประเมิน เพราะเช็กพอยต์ฐานไม่ได้มีไว้เพื่อให้ประเมินคะแนนบนงานที่ไม่ได้ปรับแต่งมา
คำถามที่ยังเปิดอยู่
สำหรับ Aion: ว่าบิลด์แบบควอนไทซ์ที่ Microsoft สัญญาไว้จะมาถึงหรือไม่ หน้าต่างบริบทขนาดยาวจะยังทำงานได้ดีภายใต้การทดสอบแบบ needle จริงหรือไม่ และจะเกิดอะไรขึ้นกับเช็กพอยต์นี้เมื่อเวอร์ชัน Windows ที่ปรับแต่งเพิ่มเติมออกมาภายในสิ้นเดือนมกราคม 2027 การ์ดนี้นำเสนอการอัปโหลดนี้ในฐานะพรีวิวของโมเดลนั้น ซึ่งหมายความว่าตัวสืบทอดของมันถูกกำหนดเวลาไว้แล้ว
สำหรับ LFM2.5 2.6B Base: ชุมชนจะต่อยอดบนโมเดลนี้มากพอที่จะทำให้สูตรการ fine-tuning ของมันกลายเป็นเส้นทางอ้างอิงหรือไม่ และทีมกฎหมายที่อยู่นอกพื้นที่คุ้นเคยของไลเซนส์แบบ permissive ทั่วไปจะตีความ LFM Open License อย่างไร ทั้งสองข้อตอบได้เมื่อเวลาผ่านไป และไม่มีข้อใดตอบได้ด้วยตาราง benchmark

การ์ด Aion ระบุการใช้งานที่ตั้งใจไว้ในบรรทัดเดียวว่า เป็น SLM พื้นฐานสำหรับงาน Windows บนอุปกรณ์ โดยกำหนดการผสานรวมกับระบบปฏิบัติการไว้อย่างคร่าว ๆ ในเดือนมกราคม 2027

จำนวนพารามิเตอร์ใกล้เคียงกันมาก แต่สิ่งที่จะได้รับแตกต่างกัน: แบบ instruction-tuned และ MIT เทียบกับแบบ pretrained และ custom-licensed โดยที่หน้าต่างบริบทนั้นไปในทิศทางตรงกันข้าม
