
Aion-1.0-Instruct-2.3B 對決 Qwen 3.8:當 Windows 元件遇上 27B 主力戰將
- 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 · 215 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 · 97 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 · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 109 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 · 68 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 · 209 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
2026 年 11 月 18 日,一個名為Aion-1.0-Instruct-2.3B的儲存庫出現在微軟的 Hugging Face 組織中,僅有一筆提交訊息寫著「Duplicate from asgmodels/Aion-Instruct-v1」。沒有部落格文章、沒有模型卡公告、沒有新聞稿、也沒有任何報導。其模型卡將它描述為用於裝置端 Windows 工作的基礎小型語言模型,並補充說明,其進一步最佳化的版本將與微軟的內容審核模型捆綁,於 2027 年 1 月底前成為 Windows 作業系統的 SLM。把這一切與Qwen3.8-27B——阿里巴巴於 2026 年 8 月發布的開放權重 27B 視覺語言模型——以及其上方託管式的Qwen3.8-Flash與Qwen3.8-Max層級相比,這場比較很快就會不再關乎品質。一個是為筆記型電腦量身打造的元件,另一個則是你按百萬 token 租用的通用模型。基準測試表能告訴你的一切,幾乎都無關緊要。Qwen3.8-27B 以 qwen/qwen3.8-27b 的形式在OrcaRouter 的型錄中提供,與 Qwen3.8-Flash 和 Qwen3.8-Max 層級使用相同的金鑰與端點。
Aion 儲存庫實際上包含什麼
從可查證的項目開始,因為清單很短。該儲存庫於 2026 年 11 月 18 日 17:05 UTC 建立,此後未再修改。它有三個讚,且撰寫本文時下載次數為零。權重是單一 4.58 GB 的 BF16 safetensors 檔案,與 2.3B 名稱相符(以每個參數兩位元組計算)。詞彙表有 200,029 個 token。授權條款為 MIT。
這個架構比其規模所暗示的還要特殊。二十八層以混合模式交替排列——二十一層使用滑動視窗注意力,視窗大小為 2,048 個 token,七層使用完整注意力——而完整注意力層帶有 16× YaRN 擴展。分組查詢注意力為 24 個查詢頭對 8 個鍵值頭,嵌入權重共享,而模型卡指示你透過 trust_remote_code 使用自訂建模程式碼來執行它。該儲存庫附帶自己的 transformers 實作,而不是對應到現成架構上。
出處是尚未確認的部分。該提交指出此儲存庫是下列項目的複本:asgmodels/Aion-Instruct-v1,而授權連結指向該儲存庫的 LICENSE 檔案。兩者:asgmodels/Aion-Instruct-v1,以及一個姊妹 Microsoft 儲存庫,名為Aion-Instruct-Preview-Sample,對匿名 API 請求都會回傳驗證錯誤,因此它們是私人或受限制的。我們可以看到 Microsoft 將檢查點複製到一個公開儲存庫。我們看不到原始內容包含什麼、是誰訓練它、用了什麼資料,或為什麼該組織命名為 asgmodels。任何描述此模型訓練過程的人都是在猜測。

卡片上的數字,以及它們各自的價值
模型卡公布了十一項基準測試。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,以及 chrF++ 43.18。方法論說明指出,只要存在任務實作,執行時便使用 EleutherAI 的 lm-evaluation-harness,否則使用該基準測試自身的儲存庫;在標示為由評審評分的任務上,則以 GPT-4o 作為評審。分數皆為百分比。
這些全都是廠商自行回報的數據,而且沒有任何一項經過重現。不過,對這麼小的模型來說,表格中的整體模式比任何單一數字都更有參考價值。以 2.3B 參數而言,MMLU 55.15 算是不錯。MMLU-Pro 33.35 和 GPQA 28.18 就不是了:這些是更困難、更偏重推理的知識測試,清楚顯示出模型的能力上限。以寬鬆匹配取得的 GSM8K 74.91,相較於同樣數字在嚴格匹配下的表現,實質上弱上許多。IFEval 83.90 是這張模型卡上相對最強的結果——以它的規模而言,模型能很好地遵循格式化指令,而這正是作業系統助理需要做到的事。
模型卡明白指出第二個注意事項,而且它很容易被忽略。已發布的檢查點是未量化模型,而模型卡表示量化版本將會隨後推出。ONNX 版本已另行存在——微軟在 BF16 儲存庫發布後約三分鐘,發布了Aion-1.0-Instruct-2.3B-ONNX-WebGPU,大小約 1.3 GB,在線性層使用區塊大小 32、在嵌入層使用區塊大小 64 的 INT4 分塊量化感知訓練,搭配 FP16 激活值與 KV 快取,並透過 ONNX Runtime GenAI 以 WebGPU 為目標。那才是真正重要的部署產物,而且它與多數人會最先下載的檔案並不是同一個。
為什麼 Qwen3.8-27B 是不同類型的物件
Qwen3.8-27B 擁有 278 億個參數,分佈於十八個 BF16 分片、總計 55.6 GB,並配備用於影像與影片輸入的視覺塔。其六十四層由十六個重複區塊組成,每個區塊包含三層 Gated DeltaNet 線性注意力層與一層完整 Gated Attention 層;隱藏維度為 5,120,線性注意力路徑中有 48 個 value head,而 query-key head 為 16 個。原生上下文長度為 262,144 個 token,使用 YaRN 時可達 1,000,000 個。思考模式預設開啟,最多可使用 262,144 個推理 token 與 131,072 個回答 token,且建議取樣設定在思考與非思考模式下有所不同。授權條款為 Apache 2.0。
真正關鍵的差距不在參數,而在於 55.6 GB 的檢查點根本無法在 Aion 模型所針對的裝置上運行。Aion 模型的整體設計——2,048 個 token 的滑動視窗、INT4 量化感知訓練、大小為 1.3 GB 的 ONNX WebGPU 建置——是在論證什麼東西能塞進人們已經擁有的機器的記憶體裡。Qwen3.8-27B 的設計則假設存在一個服務叢集。你不是在排行榜上二選一,而是因為其中一個根本不適合另一個的工作,所以才做出選擇。
數字可以並列與不能並列的情況
這裡有一個真正有用的交叉參照,而它並不在任一廠商的資料卡上。Artificial Analysis 在 Intelligence Index v5.0.1 上測量 Qwen3.8-27B,該指數結合了九項評估:AA-Briefcase v1.1、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience v1.1、GDP.pdf、HLE-Diamond、CritPt v2 與 Terminal-Bench-Sci。在該指數上,Qwen3.8-27B 得分 20,而同類模型的中位數為 10。同一項測量顯示其價格為每百萬輸入 token 0.50 美元、每百萬輸出 token 3.00 美元,每項任務 3.53 美元,每項索引任務耗時 38.7 分鐘,中位數為 11.5 分鐘,且在整個索引中消耗 1.28 億個 token,中位數為 7,780 萬個。它比同領域模型更慢、更冗長,即使每 token 價格不高,仍會在每項任務成本上為此付出代價。

Aion 沒有對應的評測結果。截至 2026 年 11 月 19 日,Artificial Analysis 上沒有任何 Aion 模型的紀錄,也沒有任何獨立測試框架發表過執行結果。因此,這份誠實的成績表上有一個缺口,而這個缺口落在較新模型的那一側。
• 參數 — Aion-1.0-Instruct-2.3B:約 2.3B,一個 4.58 GB 的 BF16 檔案。Qwen3.8-27B:27.8B,十八個分片,55.6 GB BF16。
• 背景 — Aion-1.0-Instruct-2.3B:根據 ONNX 建置版本的模型卡,為 32,768 個 token;BF16 版本的模型卡未標示數字。Qwen3.8-27B:原生 262,144,使用 YaRN 時可達 1,000,000。
• 模態 — Aion-1.0-Instruct-2.3B:僅文字。Qwen3.8-27B:輸入文字、圖像與影片,輸出文字。
• 授權條款 — Aion-1.0-Instruct-2.3B:MIT。Qwen3.8-27B:Apache 2.0。兩者皆允許商業使用;其中 MIT 的限制較少。
• 可執行佔用 — Aion-1.0-Instruct-2.3B:用於 WebGPU 的 1.3 GB INT4 ONNX,或 4.58 GB BF16。Qwen3.8-27B:55.6 GB BF16,另加服務記憶體。
• 獨立評測 — Aion-1.0-Instruct-2.3B:無。Qwen3.8-27B:在 v5.0.1 上的 Intelligence Index 為 20,另有廠商規格表回報 LiveCodeBench v6 為 90.3、GPQA Diamond 為 89.2、Terminal-Bench 2.1 為 73.0、SWE-bench Pro 為 61.7,以及 HLE 為 30.8。
• 發布日期 — Aion-1.0-Instruct-2.3B:2026 年 11 月 18 日,問世僅一天且尚未公布。Qwen3.8-27B:2026 年 8 月 3 日宣布,2026 年 8 月 14 日釋出權重。
這個比較實際上是在決定什麼
如果你正在建置桌面應用程式,需要對文字進行分類、遵循結構化格式、摘要文件,或在沒有網路來回傳輸的情況下路由作業系統要求,那麼符合需求的是 Aion 模型,而 Qwen3.8-27B 則不然。32K 上下文視窗足以處理文件摘要,卻遠不足以應付整個儲存庫規模的程式設計任務。MIT 授權條款免除了法律審查。ONNX WebGPU 建置版本能在 55.6 GB 檢查點無法部署的環境中執行。
如果你需要一個能在長上下文中運作、讀取螢幕截圖、針對大型程式碼庫撰寫程式碼,或執行多步驟工具迴圈的代理,那麼反過來也成立。Qwen3.8-27B 具備上下文、模態與獨立評測,而它的弱點——延遲與 token 冗長——是已知量,你可以據此定價。Aion 模型完全沒有獨立評測,這實際上意味著在它接觸任何重要事物之前,你得在自己的任務上親自做評估。
還有第三種立場,對大多數團隊來說這大概才是正確的選擇:不做選擇。2.3B 的裝置端模型與 27B 的託管模型彼此互補,而同時採用兩者的架構——以小型本地模型處理頻繁、便宜、對延遲敏感的呼叫,以大型託管模型處理罕見、昂貴、棘手的呼叫——才是真正經得起帳單考驗的那一種。Qwen3.8-27B 可透過 OrcaRouter 以 qwen/qwen3.8-27b 取得,每百萬輸入 token 0.33 美元、每百萬輸出 token 2.40 美元,與 Qwen3.8-Flash 及 Qwen3.8-Max 等級使用相同的金鑰與端點,並具備供應商之間的自動容錯切換,且相對於供應商牌價沒有任何按 token 加價。這些權重由我們自行運行,因此供應商調價當天這裡就會同步反映,而不必等上一輪重新定價流程。Aion-1.0-Instruct-2.3B 不在 OrcaRouter 上——它是你自己下載運行的,而兩者可以並存於同一個應用程式中,彼此互不知情。

值得關注的重點,以及什麼會改變本文觀點
有三件事會實質改變整體局面,而這些都尚未發生。Microsoft 發布公告、附有訓練細節的模型卡,或在公司自家測試框架之外進行基準測試。Artificial Analysis 新增 Aion 條目,這將為較新的模型提供 Qwen 已擁有的獨立對照基準。或者,量化 BF16 對 INT4 的爭議能落實為已公布的準確度差異,而這個數字決定裝置端量化在此架構上是否真的站得住腳。
在那之前,請把 Aion-1.0-Instruct-2.3B 視為儲存庫所呈現的樣子:一個小型、採寬鬆授權、僅支援文字、面向 Windows 的模型,低調發布,才問世一天,附有廠商基準測試表,且沒有對它做獨立檢核。請把 Qwen3.8-27B 視為已知量:有已發布的第三方量測、上下文視窗大八倍,以及與之相應的服務帳單。錯誤的問題是哪一個勝出。正確的問題是:你的應用程式缺少這兩個物件中的哪一個。
