AionLabs: Aion-2.0 contre Inception: Mercury 2

AionLabs : Aion-2.0 est un modèle de texte d'AionLabs, publié le 2026-02-23. Inception : Mercury 2 est un modèle de texte d'Inception, publié le 2026-03-04. Les deux sont servis via api14 en tant que modèles de texte de style chat, et les deux acceptent du texte en entrée et produisent du texte en sortie, donc aucun des deux ne gère les images, l'audio ou d'autres modalités non textuelles. Si vous hésitez entre les deux, la décision se résume à la taille du contexte, à la prise en charge des paramètres et au prix plutôt qu'à une différence dans le type de contenu qu'ils peuvent traiter.

Les deux modèles ont une longueur de contexte proche : Aion-2.0 offre 131072 tokens et Mercury 2 en offre 128000, ce qui ne constitue pas une différence significative pour la plupart des charges de travail. Les deux exposent des contrôles de raisonnement (include_reasoning et reasoning), l'appel d'outils (tools et tool_choice), response_format et temperature, donc l'un comme l'autre peut piloter des appels de fonctions et des réponses de style JSON. L'écart de capacité le plus net concerne la sortie structurée : Mercury 2 liste structured_outputs parmi ses paramètres pris en charge, ce qui n'est pas le cas d'Aion-2.0. Mercury 2 accepte aussi reasoning_effort et stop, qu'Aion-2.0 ne liste pas, tandis qu'Aion-2.0 liste top_p, que Mercury 2 ne liste pas. Côté prix, Mercury 2 est l'option la moins chère pour les tokens d'entrée comme de sortie, c'est donc le choix le plus économique des deux côtés de la facture.

Pour le travail quotidien comme le résumé, l'extraction, la classification, le chat et l'assistance au code, l'un ou l'autre modèle fera l'affaire, et les fenêtres de contexte quasi identiques signifient que les documents longs tiennent dans les deux. Optez pour Mercury 2 quand vous voulez l'appel le moins cher, quand vous avez besoin de sorties structurées strictes imposées par le modèle, ou quand vous voulez ajuster l'effort de raisonnement par requête. Optez pour Aion-2.0 quand vous voulez le contrôle d'échantillonnage top_p, quand vos prompts sont déjà calibrés autour de ce paramètre, ou quand vous préférez simplement le modèle AionLabs pour un pipeline donné. Si le coût est le facteur décisif et que votre tâche ne dépend pas de structured_outputs, reasoning_effort ou top_p, Mercury 2 est le choix par défaut le plus économique.

Appeler l'un ou l'autre modèle via api14 fonctionne de la même manière car l'API est compatible OpenAI. Vous pointez votre client OpenAI existant vers l'URL de base api14, vous envoyez votre requête de complétions de chat habituelle, et vous définissez le champ model sur "aion-labs/aion-2.0" ou "inception/mercury-2". Tout le reste dans le corps de la requête reste inchangé : messages, temperature, max_tokens, tools et response_format sont repris tels quels. Passer de l'un à l'autre se fait par une modification d'une ligne de l'identifiant de modèle, vous pouvez donc benchmarker les deux sur votre propre trafic sans réécrire le code d'intégration. Rappelez-vous simplement que les paramètres pris en charge par un seul des deux, comme structured_outputs ou reasoning_effort sur Mercury 2 et top_p sur Aion-2.0, seront rejetés ou ignorés par l'autre, donc gardez-les hors des modèles de requêtes partagés.

Il reste des cas où Aion-2.0 est le meilleur choix. Si votre application s'appuie sur top_p pour façonner l'échantillonnage, Mercury 2 ne le liste pas, donc Aion-2.0 est le modèle qui prend en charge votre configuration existante. De même, si vous avez déjà validé la qualité de sortie et la latence d'Aion-2.0 pour une tâche spécifique, aucune raison de capacité dans ces données ne justifie de changer, puisque les fenêtres de contexte sont effectivement identiques et que les deux gèrent les outils et le raisonnement. Le compromis est simple : Mercury 2 vous donne les sorties structurées, le contrôle de l'effort de raisonnement et un coût inférieur, tandis qu'Aion-2.0 vous donne top_p et une fenêtre de contexte légèrement plus grande.