AionLabs: Aion-2.0 vs. Inception: Mercury 2

AionLabs: Aion-2.0 ist ein Textmodell von AionLabs, veröffentlicht am 2026-02-23. Inception: Mercury 2 ist ein Textmodell von Inception, veröffentlicht am 2026-03-04. Beide werden über api14 als Textmodelle im Chat-Stil bereitgestellt, und beide akzeptieren Text als Eingabe und erzeugen Text als Ausgabe, sodass keines von beiden Bilder, Audio oder andere nicht-textuelle Modalitäten verarbeitet. Wenn Sie zwischen ihnen wählen, hängt die Entscheidung von der Kontextgröße, der Parameterunterstützung und dem Preis ab, nicht von einem Unterschied in der Art des Inhalts, den sie verarbeiten können.

Die beiden Modelle sind sich in der Kontextlänge ähnlich: Aion-2.0 bietet 131072 Token und Mercury 2 bietet 128000 Token, was für die meisten Workloads kein bedeutender Unterschied ist. Beide bieten Reasoning-Steuerung (include_reasoning und reasoning), Tool-Aufrufe (tools und tool_choice), response_format und temperature, sodass jedes von beiden Funktionsaufrufe und Antworten im JSON-Stil steuern kann. Die deutlichste Fähigkeitslücke ist die strukturierte Ausgabe: Mercury 2 führt structured_outputs unter seinen unterstützten Parametern auf, Aion-2.0 hingegen nicht. Mercury 2 akzeptiert außerdem reasoning_effort und stop, die Aion-2.0 nicht auflistet, während Aion-2.0 top_p auflistet, was Mercury 2 nicht tut. Beim Preis ist Mercury 2 die günstigere Option sowohl für Eingabe- als auch für Ausgabe-Token, sodass es auf beiden Seiten der Rechnung die kostengünstigere Wahl ist.

Für die tägliche Arbeit wie Zusammenfassung, Extraktion, Klassifizierung, Chat und Code-Unterstützung wird jedes der beiden Modelle ausreichen, und die nahezu identischen Kontextfenster bedeuten, dass lange Dokumente in beide passen. Greifen Sie zu Mercury 2, wenn Sie den günstigeren Aufruf wünschen, wenn Sie strikte, vom Modell erzwungene strukturierte Ausgaben benötigen oder wenn Sie den Reasoning-Aufwand pro Anfrage abstimmen möchten. Greifen Sie zu Aion-2.0, wenn Sie top_p-Sampling-Steuerung wünschen, wenn Ihre Prompts bereits um diesen Parameter herum abgestimmt sind oder wenn Sie für eine bestimmte Pipeline einfach das AionLabs-Modell bevorzugen. Wenn die Kosten der entscheidende Faktor sind und Ihre Aufgabe nicht von structured_outputs, reasoning_effort oder top_p abhängt, ist Mercury 2 die wirtschaftlichere Standardwahl.

Der Aufruf eines der beiden Modelle über api14 funktioniert auf die gleiche Weise, da die API OpenAI-kompatibel ist. Sie richten Ihren vorhandenen OpenAI-Client auf die api14-Basis-URL, senden Ihre übliche Chat-Completions-Anfrage und setzen das Feld model entweder auf "aion-labs/aion-2.0" oder auf "inception/mercury-2". Alles andere im Anfrage-Body bleibt unverändert: messages, temperature, max_tokens, tools und response_format werden unverändert übernommen. Der Wechsel zwischen den beiden ist eine einzeilige Änderung der Modell-ID, sodass Sie beide gegen Ihren eigenen Traffic benchmarken können, ohne den Integrationscode umzuschreiben. Denken Sie nur daran, dass Parameter, die nur eine Seite unterstützt, wie structured_outputs oder reasoning_effort bei Mercury 2 und top_p bei Aion-2.0, von der anderen abgelehnt oder ignoriert werden, also halten Sie diese aus gemeinsamen Anfragevorlagen heraus.

Es gibt weiterhin Fälle, in denen Aion-2.0 die bessere Wahl ist. Wenn Ihre Anwendung auf top_p angewiesen ist, um das Sampling zu formen, führt Mercury 2 es nicht auf, sodass Aion-2.0 das Modell ist, das Ihre vorhandene Konfiguration unterstützt. Ebenso gilt: Wenn Sie die Ausgabequalität und Latenz auf Aion-2.0 für eine bestimmte Aufgabe bereits validiert haben, gibt es in den Daten hier keinen Fähigkeitsgrund zu wechseln, da die Kontextfenster praktisch gleich sind und beide Tools und Reasoning verarbeiten. Der Kompromiss, den Sie eingehen, ist unkompliziert: Mercury 2 bietet Ihnen strukturierte Ausgaben, Steuerung des Reasoning-Aufwands und niedrigere Kosten, während Aion-2.0 Ihnen top_p und ein etwas größeres Kontextfenster bietet.