การ์ดชื่อเรื่องสำหรับการเปรียบเทียบ Aion-1.0-Instruct-2.3B กับ Qwen 3.8 โดยเปรียบเทียบโมเดล Windows บนอุปกรณ์ขนาด 2.3B กับโมเดลภาษา-ภาพแบบเปิดน้ำหนักขนาด 27B
Guides & Insights

Aion-1.0-Instruct-2.3B กับ Qwen 3.8: เมื่อคอมโพเนนต์ของ Windows มาพบกับม้าศึกขนาด 27B

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

เมื่อวันที่ 18 พฤศจิกายน 2026 รีโพซิทอรีชื่อAion-1.0-Instruct-2.3B ปรากฏในองค์กร Hugging Face ของ Microsoft ด้วยคอมมิตเดียวที่ระบุว่า "Duplicate from asgmodels/Aion-Instruct-v1" ไม่มีบล็อกโพสต์ ไม่มีประกาศบนการ์ดโมเดล ไม่มีข่าวประชาสัมพันธ์ ไม่มีการรายงานข่าว การ์ดของโมเดลอธิบายว่าเป็นโมเดลภาษาขนาดเล็กพื้นฐานสำหรับงาน Windows บนอุปกรณ์ และเสริมว่าเวอร์ชันที่ปรับแต่งเพิ่มเติม ซึ่งรวมมาพร้อมกับโมเดลกลั่นกรองเนื้อหาของ Microsoft จะกลายเป็น SLM ของระบบปฏิบัติการ Windows ภายในสิ้นเดือนมกราคม 2027 เมื่อนำมาเทียบกับQ​wen3.8-27B ซึ่งเป็นโมเดลภาษาภาพขนาด 27B แบบเปิดน้ำหนักที่ A​libaba เผยแพร่ในเดือนสิงหาคม 2026 และระดับที่โฮสต์ให้บริการQ​wen3.8-Flash และ Q​wen3.8-Max ที่อยู่เหนือขึ้นไป การเปรียบเทียบก็เลิกเป็นเรื่องของคุณภาพอย่างรวดเร็ว สิ่งหนึ่งเป็นคอมโพเนนต์ที่มีขนาดเหมาะกับแล็ปท็อป อีกสิ่งหนึ่งเป็นโมเดลอเนกประสงค์ที่คุณเช่าใช้เป็นรายล้านโทเค็น เกือบทุกอย่างที่ตาราง benchmark จะบอกคุณนั้นไม่ใช่ประเด็น Q​wen3.8-27B ให้บริการในชื่อ qwen/qwen3.8-27b บนแค็ตตาล็อกของ OrcaRouter บนคีย์และเอนด์พอยต์เดียวกับระดับ Q​wen3.8-Flash และ Q​wen3.8-Max

สิ่งที่อยู่ในคลังเก็บโค้ดของ Aion จริง ๆ

เริ่มจากสิ่งที่ตรวจสอบได้ก่อน เพราะรายการนั้นสั้น รีโพซิทอรีถูกสร้างเมื่อเวลา 17:05 UTC วันที่ 18 พฤศจิกายน 2026 และไม่ได้รับการแก้ไขตั้งแต่นั้นมา มีไลก์สามรายการ และ ณ เวลาที่เขียนนี้ มียอดดาวน์โหลดเป็นศูนย์ เวตเป็นไฟล์ safetensors แบบ BF16 ไฟล์เดียวขนาด 4.58 GB ซึ่งสอดคล้องกับชื่อ 2.3B ที่สองไบต์ต่อพารามิเตอร์ คำศัพท์มี 200,029 โทเคน สัญญาอนุญาตคือ MIT

สถาปัตยกรรมนี้มีความแปลกกว่าที่ขนาดบ่งบอกไว้ สามสิบแปดชั้นสลับกันในรูปแบบไฮบริด — ยี่สิบเอ็ดชั้นใช้ sliding-window attention ที่หน้าต่าง 2,048 โทเคน และเจ็ดชั้นใช้ full attention — โดยชั้น full attention มีส่วนขยาย YaRN 16× ส่วน grouped-query attention ใช้ 24 query head ต่อ 8 key-value head, embedding ถูกผูกเข้าด้วยกัน และการ์ดระบุให้คุณรันด้วยโค้ดโมเดลลิงก์แบบกำหนดเองผ่าน trust_remote_code รีพозиทอรีจัดส่ง implementation ของ transformers ของตัวเองมาให้ แทนที่จะแมปเข้ากับสถาปัตยกรรมมาตรฐาน

ที่มาคือส่วนที่ยังไม่ได้รับการยืนยัน คอมมิตระบุว่า repository นี้เป็นสำเนาของ asgmodels/Aion-Instruct-v1, และลิงก์ใบอนุญาตชี้ไปที่ไฟล์ LICENSE ของ repository นั้น ทั้ง asgmodels/Aion-Instruct-v1 และ repository อีกแห่งของ Microsoft ที่มีชื่อว่า Aion-Instruct-Preview-Sample ส่งคืนข้อผิดพลาดการยืนยันตัวตนต่อคำขอ API แบบไม่ระบุตัวตน ดังนั้นจึงเป็น repository แบบส่วนตัวหรือถูกจำกัดการเข้าถึง เราเห็นได้ว่า Microsoft คัดลอก checkpoint ไปยัง repository สาธารณะ เราไม่สามารถเห็นได้ว่าต้นฉบับมีอะไรบ้าง ใครเป็นผู้ฝึกมัน ด้วยข้อมูลใด หรือทำไมองค์กรจึงมีชื่อว่า asgmodels ใครก็ตามที่อธิบายการเทรนของโมเดลนี้ก็กำลังเดาเอาเอง

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.

ตัวเลขบนการ์ด และมูลค่าของตัวเลขเหล่านั้น

การ์ดโมเดลเผยแพร่ผลการทดสอบ 11 รายการ ได้แก่ 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 และ chrF++ 43.18 บรรทัดระเบียบวิธีระบุว่าการรันใช้ lm-evaluation-harness ของ EleutherAI ในทุกกรณีที่มีการใช้งานงานนั้นอยู่แล้ว และใช้รีโพซิทอรีของ benchmark เองในกรณีอื่น โดยมี GPT-4o เป็นผู้ตัดสินในงานที่ถูกทำเครื่องหมายว่าประเมินโดยผู้ตัดสิน คะแนนเป็นเปอร์เซ็นต์

ข้อมูลทั้งหมดเป็นข้อมูลที่ผู้จำหน่ายรายงาน และยังไม่มีการจำลองผลซ้ำเลยสักรายการ อย่างไรก็ตาม สำหรับโมเดลขนาดเล็กขนาดนี้ รูปแบบในตารางให้ข้อมูลที่เป็นประโยชน์กว่าตัวเลขใด ๆ เพียงตัวเดียว MMLU ที่ 55.15 ถือว่าน่าพอใจสำหรับพารามิเตอร์ 2.3B ส่วน MMLU-Pro ที่ 33.35 และ GPQA ที่ 28.18 ไม่ถือว่าน่าพอใจ สองอย่างนั้นเป็นแบบทดสอบความรู้ที่ยากกว่าและเน้นการให้เหตุผลมากกว่า และแสดงเพดานอย่างชัดเจน GSM8K ที่ 74.91 เมื่อใช้การจับคู่แบบหลวมเป็นผลลัพธ์ที่อ่อนกว่าอย่างมีนัยสำคัญเมื่อเทียบกับตัวเลขเดียวกันภายใต้การจับคู่แบบเข้มงวด IFEval 83.90 เป็นผลลัพธ์เชิงสัมพัทธ์ที่แข็งแกร่งที่สุดบนการ์ดโมเดล — โมเดลทำตามคำสั่งที่มีรูปแบบได้ดีเมื่อเทียบกับขนาด ซึ่งเป็นสิ่งที่ผู้ช่วยระบบปฏิบัติการจำเป็นต้องทำพอดี

ยังมีข้อควรระวังประการที่สองที่การ์ดระบุไว้อย่างชัดเจนและเป็นเรื่องที่มองข้ามได้ง่าย เช็กพอยต์ที่เผยแพร่คือโมเดลที่ยังไม่ได้ควอนไทซ์ และการ์ดระบุว่าจะมีเวอร์ชันควอนไทซ์ตามมาภายหลัง บิลด์ ONNX มีอยู่แยกต่างหากแล้ว — Microsoft เผยแพร่ Aion-1.0-Instruct-2.3B-ONNX-WebGPU ประมาณสามนาทีหลังรีโพซิทอรี BF16 โดยมีขนาดราว 1.3 GB ใช้การฝึกแบบตระหนักถึงการควอนไทซ์แบบบล็อก INT4 ที่ขนาดบล็อก 32 บนเลเยอร์เชิงเส้น และขนาดบล็อก 64 บน embeddings พร้อมแอกทิเวชัน FP16 และ KV cache โดยมุ่งเป้าไปที่ WebGPU ผ่าน ONNX Runtime GenAI นั่นคืออาร์ติแฟกต์สำหรับการดีพลอยที่สำคัญ และเป็นไฟล์คนละไฟล์กับไฟล์ที่คนส่วนใหญ่จะดาวน์โหลดเป็นอันดับแรก

ทำไม Qwen3.8-27B จึงเป็นสิ่งที่แตกต่างออกไป

Qwen3.8-27B มีพารามิเตอร์ 27.8 พันล้านตัว กระจายอยู่บน BF16 shard สิบแปดชิ้น รวมเป็น 55.6 GB พร้อม vision tower สำหรับอินพุตรูปภาพและวิดีโอ ชั้นทั้งหกสิบสี่ชั้นจัดเรียงเป็นบล็อกซ้ำกันสิบหกบล็อก โดยแต่ละบล็อกประกอบด้วยชั้น Gated DeltaNet linear-attention สามชั้นต่อชั้น Gated Attention แบบเต็มหนึ่งชั้น ขนาด hidden 5,120 โดยมี value head 48 หัวในเส้นทาง linear-attention เทียบกับ query-key head 16 หัว บริบทมีความยาว 262,144 โทเคนโดยธรรมชาติ และ 1,000,000 โทเคนเมื่อใช้ YaRN โหมดคิดเปิดอยู่โดยค่าเริ่มต้น โดยมี reasoning token ได้สูงสุด 262,144 โทเคนและ answer token 131,072 โทเคน และค่าการสุ่มตัวอย่างที่แนะนำแตกต่างกันระหว่างโหมดคิดและไม่คิด สัญญาอนุญาตคือ Apache 2.0

ช่องว่างที่สำคัญไม่ใช่จำนวนพารามิเตอร์ แต่อยู่ที่ว่า checkpoint ขนาด 55.6 GB ไม่สามารถรันบนอุปกรณ์ที่โมเดล Aion ถูกสร้างขึ้นมาสำหรับ การออกแบบทั้งหมดของโมเดล Aion — หน้าต่างเลื่อนขนาด 2,048 โทเคน, การเทรนแบบ quantisation-aware ด้วย INT4, บิลด์ ONNX WebGPU ขนาด 1.3 GB — คือข้อโต้แย้งเรื่องสิ่งที่พอดีกับหน่วยความจำบนเครื่องที่ใครบางคนมีอยู่แล้ว การออกแบบของ Qwen3.8-27B ตั้งสมมติฐานว่ามีคลัสเตอร์สำหรับให้บริการ คุณไม่ได้เลือกระหว่างสองตัวนี้จากกระดานคะแนน คุณเลือกเพราะตัวหนึ่งไม่ใช่ตัวเลือกสำหรับงานของอีกตัว

ตำแหน่งที่สามารถและไม่สามารถวางตัวเลขไว้เคียงข้างกันได้

มีข้อมูลอ้างอิงข้ามแหล่งหนึ่งที่มีประโยชน์จริง ๆ ตรงนี้ และมันไม่ได้อยู่บนการ์ดของ vendors เจ้าไหนเลย Artificial Analysis วัด Qwen3.8-27B บน Intelligence Index v5.0.1 ซึ่งรวมการประเมินเก้าชุดเข้าด้วยกัน ได้แก่ AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 และ Terminal-Bench-Sci บนดัชนีนั้น Qwen3.8-27B ได้คะแนน 20 เทียบกับค่ามัธยฐานที่ 10 ของโมเดลที่เทียบเคียงได้ การวัดเดียวกันนี้วางตำแหน่งมันไว้ที่ 0.50 ดอลลาร์ต่อล้านโทเคนอินพุต และ 3.00 ดอลลาร์ต่อล้านโทเคนเอาต์พุต, 3.53 ดอลลาร์ต่องาน, 38.7 นาทีต่องานในดัชนี เทียบกับค่ามัธยฐานที่ 11.5 นาที และใช้โทเคน 128 ล้านโทเคนตลอดทั้งดัชนี เทียบกับค่ามัธยฐานที่ 77.8 ล้านโทเคน มันช้ากว่าและพูดมากกว่าคู่แข่งในวงการ และต้องจ่าย代价นั้นในรูปของต้นทุนต่องาน แม้ราคาต่อโทเคนจะอยู่ในระดับปานกลาง

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

ไม่มีข้อมูลเทียบเคียงสำหรับ Aion ณ วันที่ 19 พฤศจิกายน 2026 Artificial Analysis ไม่มีรายการสำหรับโมเดล Aion รุ่นใดเลย และไม่มีฮาร์เนสอิสระใดเผยแพร่ผลการรัน ดังนั้นกระดานคะแนนที่ซื่อสัตย์จึงมีช่องโหว่ และช่องโหว่นั้นอยู่ฝั่งของโมเดลที่ใหม่กว่า

• {{1}}พารามิเตอร์{{/1}} — {{2}}Aion-1.0-Instruct-2.3B{{/2}}: {{3}}ประมาณ 2.3B เป็นไฟล์ BF16 หนึ่งไฟล์ขนาด 4.58 GB{{/3}} {{4}}Q​wen3.8-27B{{/4}}: {{5}}27.8B, 18 ชาร์ด, BF16 55.6 GB{{/5}}

• บริบท — Aion-1.0-Instruct-2.3B: 32,768 โทเค็น ตามที่ระบุในการ์ดของบิลด์ ONNX; การ์ด BF16 ไม่ได้ระบุตัวเลขไว้ Qwen3.8-27B: 262,144 แบบเนทีฟ, 1,000,000 เมื่อใช้ YaRN

• รูปแบบข้อมูล — Aion-1.0-Instruct-2.3B: ข้อความเท่านั้น Qwen3.8-27B: รับข้อความ รูปภาพ และวิดีโอเข้า ส่งออกเป็นข้อความ

• สัญญาอนุญาต — Aion-1.0-Instruct-2.3B: MIT Q​wen3.8-27B: Apache 2.0 ทั้งสองอนุญาตให้ใช้ในเชิงพาณิชย์ได้ โดย MIT มีภาระผูกพันน้อยกว่าอีกตัวหนึ่ง

• ขนาดเมื่อรัน — Aion-1.0-Instruct-2.3B: 1.3 GB INT4 ONNX สำหรับ WebGPU หรือ 4.58 GB BF16 Qwen3.8-27B: 55.6 GB BF16 พร้อมหน่วยความจำสำหรับการให้บริการ

• การประเมินโดยอิสระ — Aion-1.0-Instruct-2.3B: ไม่มี Qwen3.8-27B: Intelligence Index 20 บน v5.0.1 พร้อมการ์ดข้อมูลจากผู้จำหน่ายที่รายงานว่า LiveCodeBench v6 90.3, GPQA Diamond 89.2, Terminal-Bench 2.1 ที่ 73.0, SWE-bench Pro 61.7 และ HLE 30.8

• วันที่เผยแพร่ — Aion-1.0-Instruct-2.3B: 18 พฤศจิกายน 2026 อายุได้หนึ่งวันและยังไม่ประกาศ Q​wen3.8-27B: ประกาศเมื่อ 3 สิงหาคม 2026 เผยแพร่เวตเมื่อ 14 สิงหาคม 2026

สิ่งที่การเปรียบเทียบนี้กำลังตัดสินอยู่จริง ๆ

หากคุณกำลังสร้างแอปพลิเคชันเดสก์ท็อปที่ต้องจำแนกข้อความ ปฏิบัติตามรูปแบบที่มีโครงสร้าง สรุปเอกสาร หรือส่งต่อคำขอของระบบปฏิบัติการโดยไม่ต้องมีการสื่อสารผ่านเครือข่ายไปกลับ โมเดล Aion อยู่ในข่ายที่ใช้งานได้ ส่วน Q​wen3.8-27B ไม่ใช่ หน้าต่างบริบท 32K เพียงพอสำหรับการสรุปเอกสาร แต่ยังห่างไกลจากความพอเพียงสำหรับงานเขียนโค้ดครอบคลุมทั้งรีพอซิทอรี สัญญาอนุญาต MIT ขจัดความจำเป็นในการตรวจสอบทางกฎหมาย บิลด์ ONNX WebGPU รันได้ในที่ที่เช็กพอยต์ขนาด 55.6 GB ไม่อาจเข้าไปได้

หากคุณต้องการเอเจนต์ที่ทำงานข้ามบริบทขนาดยาว อ่านภาพหน้าจอ เขียนโค้ดกับฐานโค้ดขนาดใหญ่ หรือรันลูปเครื่องมือหลายขั้นตอน ข้อกลับกันก็เป็นจริง Qwen3.8-27B มีทั้งบริบท ความสามารถหลายรูปแบบ และการวัดผลที่เป็นอิสระ และจุดอ่อนของมัน — ความหน่วงและความเยิ่นเย้อในการใช้โทเคน — เป็นปริมาณที่รู้กันดีซึ่งคุณประเมินต้นทุนได้ โมเดล Aion ไม่มีการรันแบบอิสระเลย ซึ่งในทางปฏิบัติหมายความว่าคุณเป็นคนประเมินด้วยตัวเอง บนงานของคุณเอง ก่อนที่มันจะแตะต้องสิ่งใดที่สำคัญ

มีทางเลือกที่สามซึ่งน่าจะเป็นทางที่ถูกต้องสำหรับทีมส่วนใหญ่: ไม่เลือก โมเดลบนอุปกรณ์ขนาด 2.3B กับโมเดลที่โฮสต์ขนาด 27B นั้นเสริมกัน และสถาปัตยกรรมที่ใช้ทั้งสองอย่าง — โมเดลโลคอลขนาดเล็กสำหรับการเรียกที่เกิดบ่อย ต้นทุนต่ำ และไวต่อเลเทนซี กับโมเดลที่โฮสต์ขนาดใหญ่สำหรับงานที่เกิดน้อย แพง และยาก — คือสถาปัตยกรรมที่ยังยืนได้เมื่อเจอค่าใช้จ่ายจริง Q​wen3.8-27B ใช้งานได้ผ่าน OrcaRouter ในชื่อ qwen/qwen3.8-27b ในราคา $0.33 ต่อหนึ่งล้านโทเค็นอินพุต และ $2.40 ต่อหนึ่งล้านโทเค็นเอาต์พุต บนคีย์และ endpoint เดียวกันกับระดับ Q​wen3.8-Flash และ Q​wen3.8-Max พร้อมการ failover อัตโนมัติระหว่างผู้ให้บริการ และไม่มีมาร์กอัปต่อโทเค็นเหนือราคาตามรายการของผู้ให้บริการ เราเป็นผู้รันเวตเหล่านั้นเอง ดังนั้นการเปลี่ยนแปลงราคาจากผู้จำหน่ายจะมีผลที่นี่ภายในวันเดียวกัน ไม่ใช่หลังจากผ่านรอบการปรับราคา Aion-1.0-Instruct-2.3B ไม่ได้อยู่บน OrcaRouter — มันเป็นไฟล์ดาวน์โหลดที่คุณรันเอง และทั้งสองสามารถอยู่ในแอปพลิเคชันเดียวกันได้โดยที่แต่ละตัวไม่รู้จักกัน

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.

สิ่งที่ต้องจับตา และสิ่งที่อาจเปลี่ยนแปลงชิ้นงานนี้

สามสิ่งที่จะเปลี่ยนภาพรวมอย่างมีนัยสำคัญ และยังไม่มีสิ่งใดเกิดขึ้นเลย การที่ Microsoft เผยแพร่ประกาศ การ์ดโมเดลที่มีรายละเอียดการฝึก หรือการรัน benchmark นอกฮาร์เนสของบริษัทเอง การที่ Artificial Analysis เพิ่มรายการ Aion ซึ่งจะทำให้โมเดลที่ใหม่กว่าได้รับตัวถ่วงดุลอิสระแบบที่ Q​wen มีอยู่แล้ว หรือเรื่องราวการควอนไทซ์ BF16 เทียบกับ INT4 ที่คลี่คลายเป็นค่าส่วนต่างความแม่นยำที่เผยแพร่ ซึ่งเป็นตัวเลขที่ตัดสินว่าการควอนไทซ์บนอุปกรณ์นั้นยืนได้จริงบนสถาปัตยกรรมนี้หรือไม่

จนถึงตอนนั้น จงมอง Aion-1.0-Instruct-2.3B ตามสิ่งที่ repository แสดงให้เห็น: โมเดลขนาดเล็กที่ได้รับอนุญาตแบบ permissive รองรับเฉพาะข้อความและมุ่งเน้น Windows เผยแพร่โดยไม่มีพิธีรีตอง มีอายุหนึ่งวัน พร้อมตาราง benchmark จากผู้จำหน่ายและไม่มีการตรวจสอบอิสระใด ๆ ต่อตารางนั้น จงมอง Qwen3.8-27B เป็นสิ่งที่รู้จักกันดีซึ่งมีการวัดโดยบุคคลที่สามที่เผยแพร่แล้ว หน้าต่าง context ใหญ่กว่าแปดเท่า และมีค่าใช้จ่ายในการให้บริการที่สอดคล้องกัน คำถามที่ผิดคือตัวไหนชนะ คำถามที่ถูกต้องคือสิ่งใดในสองสิ่งนั้นที่แอปพลิเคชันของคุณขาดอยู่

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube