
Aion-1.0-Instruct-2.3B 與 LFM2.5 2.6B Base:大小幾乎相同,交付成果卻截然不同
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 184 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 223 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 96 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
就紙面規格來看,這是目前小型模型領域中最勢均力敵的一場對決。Aion-1.0-Instruct-2.3B有 22.9 億個參數;LFM2.5 2.6B Base則有 26.9 億個參數。兩者都是稠密模型,都是純文字模型,都採用開放權重,也都鎖定裝置端部署,而且都是在沒有發表活動的情況下登場——微軟的版本於 2026 年 11 月 18 日推出,Liquid AI 的基礎檢查點則於 2026 年 8 月 4 日推出。若按規格將兩者並列比較,你會得出它們是競爭對手的結論。
它們不是。其中一個已經完成。另一個是刻意尚未完成的起點,而 Liquid AI 在模型卡上就這麼寫:Base 檢查點「僅建議用於需要大量微調的任務」。這一句話重整了這項比較中的其他一切,因為預訓練基礎模型與指令微調助理並不是同一類別的兩項產品——它們是同一條流程中的兩個階段,分開販售。
以下 Aion-1.0-Instruct-2.3B 的數據來自 Microsoft 的模型卡與儲存庫設定,為直接讀取所得。LFM2.5 2.6B Base 的數據則來自 Liquid AI 的模型卡及其隨附的部落格文章。這兩個模型都沒有獨立評測;凡屬廠商回報的數字都會標示,而若某項數字完全不存在,則會如實說明,而不是補填上去。
「Base」從比較中移除了什麼?
LFM2.5 2.6B Base 是所有 LFM2.5 2.6B 變體所衍生自的預訓練檢查點。它以約 34 兆個詞元、橫跨 16 種語言訓練而成,而且它會續寫文字,而非遵循指令,因為指令微調存在於同系列的姊妹檢查點中。載入它並向它提問,它就會做出未經後訓練的語言模型會做的事:朝合理的方向延伸你的提示。
這使得一般比較中約有一半失去意義。問哪個模型更擅長遵循指令沒有意義,因為其中一個並未被教導要這麼做。比較拒絕行為或聊天格式也沒有意義。剩下的是一個更狹窄卻更有用的問題:如果你是要打造一個助理,而不是直接買一個,那麼 Microsoft 已完成調校的 2.29B 是否比 Liquid AI 原始未調校的 2.69B 是更好的起點——還是更差的起點,因為它的微調已經把它定型成你可能不想要的形態?
• 參數 — Aion 為 2.29B,並使用綁定嵌入;LFM2.5 2.6B Base 則為 2.69B。
• 架構——Aion 是採用分組查詢注意力(grouped-query attention)的常規 transformer,並使用 21 層滑動視窗加 7 層全注意力的混合注意力模式;LFM2.5 則是 22 個雙閘控短卷積區塊與 8 個 GQA 層的混合架構,總共 30 層。
• 訓練資料量 — Microsoft 未公布 Aion 的 Token 數量;Liquid AI 則公布 LFM2.5 約為 34 兆。
• 上下文 — Aion 為 32,768 個 token,LFM2.5 2.6B Base 為 131,072 個,並於中期訓練設有專門的 128K 長上下文擴展階段。
• 詞彙量 — Aion 為 200,029;LFM2.5 為 128,000,係在上一代分詞器上原地倍增,而非重新訓練。
• 授權 — Aion 採用 MIT;LFM2.5 2.6B Base 採用 LFM Open License v1.0,該授權並非 OSI 授權,出貨前需要詳閱。
• 後訓練 — 一個經過指令微調、具備聊天範本與工具呼叫格式的模型,對比一個兩者皆無的預訓練檢查點。
解釋情境落差的架構選擇
上下文視窗的四倍差距並非訓練預算造成的偶然。LFM2.5 的設計以短卷積區塊取代大多數注意力層,這是一項賭注:序列混合不需要在每一層都使用完整注意力也能運作——而正是這項賭注,讓 131K 視窗在手機上變得可行。Liquid AI 的部落格明確指出,中期訓練包含一個專門的 128K 上下文擴展階段,因此這個長視窗是透過訓練得來的,而非事後配置而成。
Aion 則走相反的路。其 28 層中有 21 層使用 2,048 token 的滑動視窗,只有七層使用完整注意力,且這七層套用了係數 16 的 YaRN 縮放。公布的上下文長度是 32,768,而設定中的 original_max_position_embeddings 為 2,048 正是線索:這個視窗是從一段較短的原生範圍透過位置插值達到的。這是正常做法。但在這裡也尚未經過實測——Microsoft 並未公布長上下文評估,而該模型才問世一天,所以其他人也還沒跑過。
實用翻譯:LFM2.5 2.6B Base 具備長上下文,你可以對照有文件記載的訓練階段來驗證。Aion 具備較短的上下文,你應該實際測試,而不是假設。
Aion 能給你、而基礎檢查點給不了的東西
成品模型的優勢具體而乏味,而這正是它們值得列出的原因。Aion-1.0-Instruct-2.3B 隨附一個對話範本,其中包含預設的系統前言、可選擇附加於其後的使用者提供系統訊息,以及用於模型身分、知識截止日期和目前日期的範本變數。它隨附一種有文件記載的工具呼叫格式。它已依照 Microsoft 的標準完成安全對齊,而模型卡將 XPIA、DIC 和 ECI 列為它打算改善的安全指標——點名這些缺口,而非聲稱它們已經被關閉。
它也附上十一項在具名測試框架上的基準分數,比 LFM2.5 2.6B Base 提供的還多。Base 卡片只列出架構與訓練相關事實,完全沒有評測,這對一個不打算在未經調校的任務上被評分的檢查點來說是正確選擇。如果你需要在設計文件中放個數字,Aion 有:IFEval 83.90、MMLU 55.15、GSM8K 74.91、MMLU-Pro 33.35、GPQA 28.18 等,全部由廠商在 lm-evaluation-harness 或該基準自身的實作上執行。
但在你把這當成能力上限之前,先讀讀 Aion 自家模型卡上的警示。卡上寫道,該模型「並未被訓練成擅長世界知識」,這種規模的模型「可能遺漏細節、給出錯誤陳述,或無法遵循複雜的多步推理」,而多語言資料在八種語言中約占訓練量的 6%,且品質因語言而異。這是一段異常坦率的限制說明,所描述的模型是針對摘要、改寫、對話與作業系統任務調校而成,而非用於開放式推理。
基礎檢查點能給你什麼,是微調模型無法給你的
控制權,以及乾淨的初始損失曲面。如果你的產品需要一個能以自家風格寫作、以領域詞彙回答,或輸出嚴格結構化格式的模型,在基礎檢查點上進行後訓練就能達成,而不必對抗別人的對齊流程。Liquid AI 的模型卡直接說明了預期用途:重度微調、特定語言助理、特定領域助理、以專有資料訓練,以及實驗新穎的後訓練方法。
它也會讓你必須自行做出授權決定,而不是直接沿用既有的授權。LFM2.5 2.6B Base 是依 LFM Open License v1.0 釋出——這是自訂授權條款,不是 Apache 2.0,也不是 MIT。其模型卡將授權條款列為「other」,名稱為「lfm1.0」。這是否會造成問題,完全取決於你的散布模式;而且這種事如果沒有人及早查看,往往會在法律審查後期才浮現。相較之下,MIT 幾乎是長度最短的授權條款。
還有一個工具鏈層面的論點。LFM2.5 推出時即首日支援 Transformers、vLLM、SGLang、llama.cpp、MLX 與 LM Studio,並發布了 Unsloth 與 TRL 的微調 notebook,涵蓋持續預訓練、SFT、DPO 與 GRPO。Aion Instruct 需要 trust_remote_code=True 與 transformers 5.x,其儲存庫中沒有 GGUF 檔案,儘管模型卡將 GGUF 列為一種格式,而且其量化版本是承諾而非已發布。對於你打算微調的模型,其周邊生態系並非細節。
兩種方式,同一個終點
請考慮一支想要小型裝置端助理、且擁有自家資料語料庫的團隊,兩條務實可行的路徑。
路徑一:採用 Aion-1.0-Instruct-2.3B,先以原樣在你的任務上評估,只有在表現不足時才微調。你一開始就有一個可用的助理、聊天範本與工具呼叫格式,而且第一次實驗成本很低,因為模型已經在做這件事,只是做得不好,而不是完全不會做。風險在於你是在修正別人的對齊,而不是從零教起;而且在 2.29B 的規模下,能用來修正的容量並不多。
路徑二:採用 LFM2.5 2.6B Base,在你的領域資料上進行持續預訓練,然後再進行 SFT。你會得到一個由你的資料形塑、而非僅朝你的資料調整的模型,從一開始就具備 131K 上下文視窗,並有文件完善的訓練工具鏈。代價是你必須自行承擔整個後訓練工作,包括 Microsoft 已經處理好的安全行為。
第三條路徑是多數團隊實際採用的做法:先走路徑一取得基準,只有當基準停滯不前時,才切換到路徑二。這是合理的順序,也支持了這個論點:在用自己的資料把兩者都跑過之前,不要對任一模式簽下長期合約。
一旦產品中有兩個檢查點,維運面就會開始擴散——各自獨立的服務設定、各自獨立的故障模式、各自獨立的升級節奏。OrcaRouter 在該層級的貢獻,是提供一個單一端點,涵蓋200+ 個模型,以 0% 加成、直接沿用供應商定價,跨供應商自動容錯移轉,以及可表達後備鏈而非硬編碼目標的路由 DSL。Aion-1.0-Instruct-2.3B 與 LFM2.5 2.6B Base 都不在該目錄中——兩者都是自託管權重,且 Aion 在任何地方都沒有託管 API——所以路由器為你帶來的是它們上一層的服務:一個可以將你的裝置端模型不該處理的請求送去的地方。
經壓縮的決定
如果你想要這週就能跑起來、能回答問題的東西,就選 Aion-1.0-Instruct-2.3B。它已經完成,採用 MIT 授權,bfloat16 格式下為 4.6 GB,而且它的限制是以它自己的說法記錄下來的,而不是由你去發現。
如果你想建立一個模型,而不是直接採用現成的模型,那就選 LFM2.5 2.6B Base。它在 bfloat16 下大小為 5.4 GB,具備 131K 視窗,而且這個視窗是經過訓練而非擴展而來;它有一套真正的微調工具鏈;它對你的助理應該聽起來像什麼沒有任何既定看法,因為它沒有被賦予任何看法。
你不該因為參數量接近,就把它們當成可互換的選項。2.69B 的 base 模型和 2.29B 的 instruct 模型,在多數規格表上的差距小於捨入誤差,但在實務上卻差了一整套後訓練流程;而要在兩者之間做選擇,本質上是在決定由誰來完成這項工作。

Liquid AI 的模型卡列出了對微調目標而言至關重要的數字——26.9 億參數、30 層、34 兆訓練 token、131,072 token 的上下文視窗——卻沒有評估表,因為基礎檢查點本來就不是用來在它未經微調的任務上評分的。
未解決的問題
Aion:微軟承諾的量化版本是否會推出、長上下文視窗能否在真實的大海撈針測試中撐住,以及當進一步最佳化的 Windows 版本於 2027 年 1 月底推出時,這個檢查點會發生什麼事。這張卡片將此次上傳呈現為該模型的預覽,這意味著它的後繼版本已經排定。
對於 LFM2.5 2.6B Base:社群是否會在其上建立足夠多的成果,使其微調配方成為參考路徑,以及通常寬鬆授權舒適圈之外的法務團隊會如何解讀 LFM Open License。這兩者都能假以時日獲得解答,且兩者都不是基準測試表能回答的。

Aion 卡片以一行文字說明預定用途:作為裝置端 Windows 工作的基礎 SLM,而 OS 整合則暫定於 2027 年 1 月。

參數量幾乎相同,但交付項目不同:一方是經過指令微調並採用 MIT 授權,另一方是預訓練並採用自訂授權,而上下文視窗的方向則相反。
