
Aion 1.0 Instruct 無預警登上 Hugging Face,並附帶 2027 年 1 月的截止期限
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 182 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 356 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 · 147 tok/s
- orca新Orca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 42 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 · 211 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 · 109 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 · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
該儲存庫 microsoft/Aion-1.0-Instruct-2.3B建立於 2026 年 11 月 18 日 17:05:50 UTC。九分鐘後,它旁邊出現了第二個儲存庫,內含同一批權重的 INT4 ONNX 建置版本。截至今天早上,基礎儲存庫有三個讚、零次下載,且恰好只有一次提交,其訊息寫著「Duplicate from asgmodels/Aion-Instruct-v1」——而那個來源儲存庫現在對任何提出請求的人都回傳 401。沒有發布文章、沒有討論串,也沒有以「我們很興奮」開頭的模型卡句子。Aion 1.0 Instruct並未被公告;它是被發布的,而這是不同的行為;兩者之間的落差,正是本文存在的原因。
以下內容區分三類主張,且絕不將其混為一談。儲存庫事實是今早直接從檔案中讀取的——包括設定、權重索引、聊天範本、模型卡,以及同系列儲存庫。廠商說法是 Microsoft 在其自家評測工具上公布的自家數字,僅作為主張如實轉述。還有一類在此比平時更重要:Microsoft 已在其自家文件上為 Windows 開發者公布遷移時程表,而那份時程表比模型卡中的任何內容都更具影響力。凡儲存庫未提及之處,本文會明說,而不作推測。
兩個時鐘,而其中只有一個是安靜的
Hugging Face 的那份發布是安靜的時鐘。響亮的那一個更舊,而且已經運轉了好幾個月。
• 2026 年 5 月 31 日 — microsoft/Aion-Instruct-Preview-Sample在 GitHub 上公開,這是一款適用於 Copilot+ PC 上裝置端語言模型的 WinUI 3 範例應用程式。其 README 明確寫道:「此套件包含計畫隨 Windows 一同發布的最終 Aion Instruct 模型。」
• 2026 年 6 月 2 日 — Microsoft Edge 開發人員部落格宣布,Aion-1.0-Instruct 為 Edge Canary 與 Dev 中的預發行模型,取代 Prompt and Writing Assistance APIs 背後的 4B Phi-4-mini,並形容它更小、更快,且可在沒有 GPU 的環境下於 CPU 推論上執行。同一篇文章承諾「計劃於 7 月在 Hugging Face 開源發布」。
• 2026 年 11 月 2 日 — GitHub 範例發布 v1.1.0.2 版,新增 AMD VitisAI 支援;該儲存庫自六月以來持續穩定維護,卻未曾發布任何公開公告。
• 2026年11月16日 — Microsoft 針對 Phi Silica 的 Windows AI 文件附有一則通知,其時間戳記比權重發布早了兩天,內容寫道「Phi Silica 正由 Aion Instruct 取代」,並告訴開發者現在就應開始規劃移轉事宜。
• 2026年11月18日 17:05 UTC — 權重本身以 MIT 授權,發佈於 Hugging Face。搜尋找不到任何隨附的公告貼文。

誠實的描述不是「微軟秘密發布了一個模型」。而是:微軟近六個月來一直在文件和範例程式碼中向 Windows 開發者說明這項轉換,七月承諾開放權重,卻晚了四個半月才交付,而且沒有以公告標示這次交付。如果你只讀發表報導,你不會知道 Aion 1.0 Instruct 存在。如果你讀 Phi Silica API 文件——那才是 Windows 開發者實際所在之處——你至少從十一月中旬起就已被告知。
這些檔案證明了什麼,無須微軟出面確認任何事
以下內容都不依賴於任何公告。這些全都在儲存庫中,而且大部分都可以對照權重檔案本身來查核。
• 參數量——卡片上寫著「~2.29B」,而且算術也相符:model.safetensors 是 4,577,698,488 位元組的 bfloat16,也就是每個參數佔兩個位元組時共有 2,288,849,244 個參數。輸入與輸出嵌入共用權重,因此參數量不會在頭部加倍。
• 形狀 — 28 層、隱藏大小 2,048、MLP 中間層 8,192 並使用 SiLU、24 個查詢頭對應 8 個鍵/值頭且頭維度為 128、RMSNorm 的 epsilon 為 1e-6、詞彙表大小為 200,029 個 token。
• 注意力模式 — 設定檔的 layer_types 陣列列出 21 個 sliding_attention 層和 7 個 full_attention 層,交錯排列。滑動視窗為 2,048 個 token。
• 上下文 — 32,768 個 token,是透過 YaRN 而非原生訓練長度達到的。詳情見下文,因為這是整份檔案中最容易被誤讀的單一數字。
• 授權條款 — MIT,著作權屬 Microsoft Corporation,且儲存庫中存有 LICENSE 檔案。front-matter 的 license_link卻指向 asgmodels/Aion-Instruct-v1/blob/main/LICENSE,那是會傳回 401 的私人儲存庫。你能讀到的授權條款是樹狀目錄中的那一份;卡片連結到的那一份則無法存取。
• 自訂程式碼 — 這不是標準架構。執行它需要 trust_remote_code=True,並會載入 configuration_aion_instruct.py 與 modeling_aion_instruct.py。它是以 transformers 5.x 匯出的,因此較舊的工具鏈若未特別留意將無法載入。
• 對話格式 — <|system|>,<|user|>,<|assistant|>,每一輪皆以 <|end|> 作結,而它同時也是 EOS 詞元。工具結構定義會寫進系統提示中,介於 <|tool|> 與 <|/tool|> 之間;呼叫會以下列形式回傳:<|tool_call|>{"name": …, "arguments": …}<|/tool_call|>;結果則會在使用者回合內回傳,並在前面加上 <|tool_response|>。若開頭的系統訊息含有任何保留控制詞元,此模板便會拋出錯誤;這是一道合理的防護,也是卡片中少見的做法。
• 語言 — 英語、德語、西班牙語、葡萄牙語、義大利語、法語、中文與日語。卡片指出多語言資料約占訓練資料組合的 6%。
• 知識截止 — 2025 年 12 月。
• 量化版本 — microsoft/Aion-1.0-Instruct-2.3B-ONNX-WebGPU,於同日晚間 17:14:58 UTC 建立,比基礎儲存庫晚九分鐘。INT4 分塊權重從經過量化感知訓練的檢查點匯出,FP16 啟用值與 KV 快取,opset 21,約 1.3 GB,透過 ONNX Runtime GenAI 以 WebGPU 為目標。
那份清單裡最有用的,是合起來看的最後兩項。一個未量化的 bf16 版本,加上一個由 QAT 衍生的 INT4 建置,兩者相隔九分鐘內發布,這告訴你:出貨產物在透明度產物之前就已經準備好了。這是一種曾被壓下、之後才悄悄放行的發布所呈現的樣貌,而不是匆忙推出的發布。
32K 上下文是將 2K 模型拉伸十六倍的結果
請仔細閱讀rope_parameters 區塊,上下文數字會改變性質。全注意力層宣告 rope_type: "yarn",並搭配 original_max_position_embeddings: 2048,以及 factor: 16.0。2,048 乘以 16 等於 32,768。滑動注意力層宣告單純的 rope_type: "default",theta 為 32,000,且使用相同的 2,048 視窗。
從這份設定檔得出的解讀——而這是一種解讀,並非廠商聲明——是:這個模型是在 2,048 個 token 的位置範圍內訓練的,之後才透過 RoPE 縮放延伸至 32K,而該縮放只套用在其二十八層當中的七層。依其建構方式,整個堆疊中有四分之三的層永遠無法關注到超過 2,048 個 token 之前的內容;長距離的資訊混合只發生在那七層完整注意力層裡。對於裝置端模型而言,這是合理且日益常見的設計,因為在裝置上 KV 快取的大小正是記憶體的關鍵限制——滑動視窗能讓快取無論對話跑得多長都保持平坦,而這正是你在一台還得同時繪製桌面環境的筆電上想要的。
這也意味著不應該把 32,768 這個數字解讀為「處理 32K 文件的能力與以 32K 訓練的模型一樣好」。微軟自己的模型卡在這一點上很謹慎,將這個視窗描述為足以「完全在裝置端處理多頁文件、冗長的電子郵件串和複雜的技術規格」。它並沒有聲稱在遠端檢索品質上也有同樣表現。如果你需要的是長上下文召回,那正是你應該先自行測量的項目,而模型卡裡並沒有這項資訊。
這些基準測試是微軟自家的,而且其中兩項被標記為寬鬆。
下方每個數字都是廠商自行回報的。模型卡指出,這些數字在有任務實作的情況下,都是透過 EleutherAI 的 lm-evaluation-harness 執行;否則則是透過各基準的官方儲存庫執行,而在由 LLM 評判的任務上,則以 GPT-4o 作為評審。沒有獨立重現、沒有公開的 harness 設定,儲存庫裡也沒有評估腳本,因此無法從已發布的內容重新執行任何一項。
• 知識 — MMLU 55.15、MMLU-Pro 33.35、多語言 MMMLU 45.51、GPQA 28.18。
• 數學 — 在寬鬆匹配標準下,GSM8K 為 74.91,GSMPlus 為 49.56,MATH-500 為 48.00。
• 指令遵循 — IFEval 83.90,為提示層級嚴格與指令層級嚴格的平均值;IFBench 32.00(提示層級寬鬆);Multi-IF 64.70。
• 翻譯 — chrF++ 43.18。

其中兩項值得在任何人引用之前再仔細看一下。GSM8K 的 74.91 明確是寬鬆匹配,只要答案包含正確數字就會給分,即使其周遭的推理或格式是錯的;若對 2.3B 模型採用嚴格 GSM8K,分數會明顯更低。IFBench 的 32.00 是提示層級的寬鬆評分,而這是整組中最寬容的指令遵循基準裡最寬容的變體。同一張表中偏嚴格口徑的數字——MMLU-Pro 的 33.35、GPQA 的 28.18——才是 2.3B 模型世界知識的實際樣貌,而它們並不突出,這也正是模型卡本身在限制章節中所說的:小型模型「可能漏掉細節、提供錯誤陳述,或顯示出無法遵循複雜多步推理」。
比任何單一分數都更重要的那項缺失:這份模型卡從未把 Aion 1.0 Instruct 與它所取代的 Phi Silica 相提並論。它只說訓練資料「是訓練 Phi Silica 所用資料的延伸」,然後就沒再說下去。對一個在一月被告知要遷移的開發者而言,唯一能據以做出決定的那項差異——替代品的分數究竟比我現有的更好還是更差——並不在這份文件裡。
安全數字是一張圖片,不是表格。
卡片列出了它想要改善的三項指標:XPIA、DIC 和 ECI。接著它拒絕為其中任何一項提供數字。這些數字只存在於images/aion_safety_bchart.png,一張標題為「Azure AI Safety Suite」的長條圖中,其軸類別包括對抗性內容安全、選舉關鍵資訊、間接提示注入與文件注入,並以方向正規化的 0 到 100 量表評分,其中數值為一減去失敗率,再乘以一百。文本中任何地方都沒有數值欄位。
這是一個真實的缺口,值得直說而不是繞過去:Microsoft 自己標示需要改進的三項指標,正是你必須對 PNG 做 OCR 才能讀取的那三項。驗證者確實發布了一則方法學註腳——提示詞逐字相同,並以 SHA-256 驗證——這比大多數模型卡展現的嚴謹度更高。他們只是沒有公布數值。而 Windows 驗證套件的並行透明度說明更進一步指出,跨提示注入攻擊與情緒推論尚未經過 Responsible AI 合規測試,且該套件「可能有漏洞」。對於一個主打功能是在你的本機文件上無人值守運行的模型來說,提示注入可不是註腳。
微軟已向開發者說明的內容,以及哪些功能會失效
這是讀者今天就能採取行動的部分,而且它完全不取決於 Hugging Face 的發佈。它位於 Microsoft Learn 的 Phi Silica 頁面上,該頁面的更新時間戳記顯示為 2026 年 11 月 16 日。

• Phi Silica 正由 Aion Instruct 取代。通知中直接說明了這一點,並告知開發者現在就應開始規劃轉換。
• 2026 年 12 月 — Aion 1.0 Instruct 開始推送至 Windows Insider Preview 裝置。Phi Silica 仍會存在;由 Windows Controlled Feature Rollout 決定哪個模型處於作用中,而開發人員可透過登錄機碼強制進行並排比較。
• 2027 年 1 月 — 此模型將推展至零售裝置,並移除 Phi Silica。
• 存取閘門消失了。Phi Silica 的 API 屬於受限存取功能(Limited Access Feature),需要解鎖權杖;文件指出:「與 Phi Silica 不同,使用 Aion Instruct 已不再需要 LAF 權杖。」對於任何曾提交 LAF 申請表並苦苦等待的人來說,這是整次遷移中最關鍵的一句話。
• 您的 LoRA 不會隨您一起轉移。範例存放庫明確指出:相容於 Phi Silica 的 LoRA 與 Aion Instruct 不相容,而新的適配器必須使用 Foundry Toolkit 建置。
• 輸出內容會被加上浮水印。新技術堆疊採用不可見浮水印,以符合歐盟《人工智慧法》的規範,而相關說明提醒:當輸出內容貼到某些應用程式時,浮水印可能會變成可見。
• 硬體支援為三個執行提供者,且沒有備援。驗證套件鎖定 ARM64 Snapdragon,透過由目錄管理的 QNN,最低 EP 2.2480.49;x64 Intel Lunar Lake 透過 OpenVINO 1.8.95;以及 x64 AMD Ryzen AI 透過 VitisAI 1.8.80。當支援的 NPU 提供者無法使用時,並無「CPU 備援」。請注意與六月 Edge 文章之間的落差,該文宣稱 CPU 推論是 Aion 觸及沒有 GPU 的裝置之方式——那是瀏覽器組建,而 Windows API 路徑則更為狹窄。
• 驗證套件不可出貨。「本套件不供終端使用者或客戶使用。請勿將本套件的任何部分出貨給終端消費者。」模型本身已定案;圍繞模型的交付內容則尚未定案,且今日測得的效能明確不代表一月的組建版本。
什麼仍未確認,以及如何掌握它
• 沒有發布公告。Microsoft 的部落格上沒有任何消息,模型卡上除了「即將推出內容的介紹」外沒有意向聲明,也沒有技術報告。在儲存庫之外,唯一的公開痕跡是 11 月 18 日一篇只有 1 分的 Hacker News 投稿。
• 沒有獨立評估。截至11月19日,該模型並未出現在 Artificial Analysis 上,且沒有任何第三方公布過執行結果。上表中的每一個數字都是 Microsoft 自己評自己。
• 沒有 GGUF。卡片上列出「Library names: PyTorch, ONNX, GGUF」,但 Microsoft 組織底下並不存在任何 GGUF 儲存庫。唯一已發佈的量化產物是 ONNX WebGPU 版本。在有實際檔案之前,請把 GGUF 那一行視為意向宣示。
• 沒有訓練細節。Token 數量、算力、資料混合比例,除了「公開文件加上合成資料」以及 6% 的多語言佔比之外——這些全都沒有說明。
• 不提供定價,因為沒有東西可以定價。這是作業系統元件與權重下載,不是託管端點。它也不在 OrcaRouter 目錄中,和其他所有 Microsoft 裝置端模型一樣。
如果你發布 Windows 應用程式,這項決定早已排在你的行事曆上
務實的解讀是:Aion 1.0 Instruct 現在就能讓你用來做原型,而且比你被迫這麼做還早幾個月,而這正是透明度釋出的重點。把權重拉下來,跑你自己的提示集,衡量模型卡不會告訴你的兩件事——超過 2,048 個 token 的長上下文召回,以及在本機文件上遭遇提示注入時的行為——並判斷你的摘要與改寫路徑能否在替換後存續。附有並排登錄檔金鑰的 December Insider 窗口,是你所能取得最便宜的測試框架,而且它將於一月截止。
接下來的架構問題是:裝置端模型的能力邊界在哪裡。一個具備 32K 視窗、可在 NPU 上執行的 2.3B 模型,非常擅長摘要、改寫、分類與擷取,但它不會對整個程式碼庫進行多步推理。多數採用它的應用程式最終都會走向混合架構:用本地模型處理便宜、私密、對延遲敏感的流程,並在 API 背後接入雲端模型作為升級路徑。這個升級層值得刻意設計,而不是事後硬加上去。OrcaRouter 正是為了這另一半問題而存在——以單一 API 涵蓋 200 多個雲端模型,對供應商定價不加價,供應商服務劣化時自動容錯切換,並提供路由 DSL 將多個模型組合成一次呼叫——而它並不提供 Aion 1.0 Instruct,因為這個模型的一切都不在資料中心裡執行。誠實的分工是:本地模型、本地決策、雲端升級,而這兩半需要不同的工具。
還有一種低成本的方法,可以對尚未證實的部分進行避險。上述內容都沒有經過獨立基準測試,而一月的建置版本可能與這個檢查點不同。容錯移轉(failover)正是讓未評分模型能安全地部署在重要路徑上的關鍵:在你需要之前就先配置好備援,這樣一來,糟糕的生成結果就會變成一次重試,而不是一起事故。無論你對混合架構中的哪一半不確定,這個建議都適用。
有什麼好看
有四項訊號會改變這個局面,而其中三項的監測成本很低。一篇附有訓練細節的正式公告文章,會讓這張卡片從透明度產物升級為正式發表。一個 GGUF 儲存庫則能讓模型在 Windows 之外、也在 ONNX Runtime 之外使用。首次獨立基準測試——Artificial Analysis、LMArena,或任何可重現的測試框架輸出——會以可引用的內容取代寬鬆比對的注意事項。而 Edge Canary 與 Dev 通道就是實測:如果瀏覽器中的 Prompt 與 Writing Assistance API 從 Phi-4-mini 路徑切換到 Aion 1.0 Instruct,你會在 1 月 Windows 推出前很久,就從行為上看到這次替換。
在那之前,對 Aion 1.0 Instruct 的正確描述,就是證據所能支持的那一個,僅此而已:一個已完成的 2.29B 裝置端模型,以 MIT 授權,技術上完整卻未有文件,於某個週二傍晚 17:05 UTC 發布,伴隨一個晚九分鐘推出的量化版同系列模型,以及一個並非由它自己設定的汰換期限。
