AionLabs: Aion-2.0 contre LiquidAI: LFM2.5-2.6B

AionLabs : Aion-2.0 est un modèle de texte d'AionLabs, publié le 2026-02-23. LiquidAI : LFM2.5-2.6B est un modèle de texte de LiquidAI, publié le 2026-08-11. Les deux sont servis comme des modèles texte en entrée, texte en sortie, donc aucun n'accepte d'images, d'audio ou d'autres entrées non textuelles, et aucun ne renvoie autre chose que du texte. Le choix entre eux se résume donc à la taille du contexte, à la prise en charge des paramètres et au prix plutôt qu'à la modalité.

Les deux sont proches sur le contexte. Aion-2.0 offre 131072 tokens de contexte, tandis que LFM2.5-2.6B en offre 128000, ce qui n'est pas une différence significative pour la plupart des charges de travail, et la comparaison qualitative considère un contexte plus grand comme une égalité. Là où ils divergent réellement, c'est dans les contrôles d'échantillonnage et de sortie qu'ils acceptent. LFM2.5-2.6B prend en charge un ensemble plus large de paramètres, notamment frequency_penalty, presence_penalty, repetition_penalty, min_p, top_k, seed, stop, logprobs et top_logprobs, et c'est le seul des deux à prendre en charge structured_outputs. Aion-2.0 prend en charge un ensemble plus restreint : include_reasoning, max_tokens, reasoning, response_format, temperature, tool_choice, tools et top_p. Les deux acceptent tools et tool_choice, donc l'appel de fonctions est disponible des deux côtés, et les deux exposent des contrôles de raisonnement, ce qui n'est donc pas non plus un facteur différenciant.

Pour la sélection pratique, choisissez Aion-2.0 lorsque vous voulez une boucle simple de chat ou d'appel d'outils et que vous n'avez pas besoin d'un contrôle fin de l'échantillonnage. Son ensemble de paramètres couvre les cas courants : temperature, top_p, max_tokens, response_format et tools. Choisissez LFM2.5-2.6B lorsque vous avez besoin d'un échantillonnage déterministe ou reproductible (seed), lorsque vous voulez pénaliser la répétition ou ajuster les pénalités de présence et de fréquence, lorsque vous avez besoin de probabilités logarithmiques au niveau des tokens pour le scoring ou la classification, ou lorsque vous voulez des sorties structurées plutôt que de vous fier uniquement à response_format. Si votre application fait du classement, de l'estimation de confiance ou du décodage contraint, LFM2.5-2.6B est le meilleur choix. Si votre application est un assistant simple avec des outils, les deux fonctionnent, et le facteur décisif sera probablement le coût.

Côté coût, LFM2.5-2.6B est l'option la moins chère sur les tokens d'entrée comme de sortie. Le tableau des prix en direct sur cette page montre les chiffres exacts, donc vérifiez-le avant de vous engager, mais qualitativement le modèle LiquidAI est le moins coûteux dans les deux sens. Cela en fait le choix par défaut pour les charges de travail à fort volume où les paramètres supplémentaires sont de toute façon utiles, et cela signifie qu'Aion-2.0 a besoin d'une raison d'être choisi au-delà du prix, comme une préférence pour son comportement sur vos invites particulières.

Appeler l'un ou l'autre modèle via api14 est la même opération. Les deux sont exposés via le point de terminaison compatible OpenAI, donc vous pointez votre client OpenAI existant vers l'URL de base api14, vous fournissez votre clé api14, et vous définissez le champ model. Pour utiliser Aion-2.0, définissez l'id du modèle sur "aion-labs/aion-2.0". Pour utiliser LFM2.5-2.6B, définissez-le sur "liquid/lfm-2.5-2.6b". Tout le reste dans le corps de la requête reste identique, avec une mise en garde : si vous passez à LFM2.5-2.6B, vous pouvez ajouter les paramètres supplémentaires qu'il prend en charge, comme seed ou logprobs, et si vous revenez à Aion-2.0, vous devez supprimer tout paramètre qu'il ne liste pas, car les champs non pris en charge peuvent être rejetés. Un simple changement de chaîne suffit pour passer d'un modèle à l'autre.