AionLabs: Aion-2.0 contro Inception: Mercury 2

AionLabs: Aion-2.0 è un modello testuale di AionLabs, rilasciato il 2026-02-23. Inception: Mercury 2 è un modello testuale di Inception, rilasciato il 2026-03-04. Entrambi sono serviti tramite api14 come modelli testuali in stile chat, ed entrambi accettano testo in input e producono testo in output, quindi nessuno dei due gestisce immagini, audio o altre modalità non testuali. Se stai scegliendo tra i due, la decisione si basa sulla dimensione del contesto, sul supporto dei parametri e sul prezzo, piuttosto che su una differenza nel tipo di contenuto che possono elaborare.

I due modelli hanno una lunghezza del contesto simile: Aion-2.0 offre 131072 token e Mercury 2 ne offre 128000, il che non è una differenza significativa per la maggior parte dei carichi di lavoro. Entrambi espongono controlli di reasoning (include_reasoning e reasoning), tool calling (tools e tool_choice), response_format e temperature, quindi entrambi possono gestire function call e risposte in stile JSON. Il divario di capacità più evidente è l'output strutturato: Mercury 2 elenca structured_outputs tra i suoi parametri supportati, mentre Aion-2.0 no. Mercury 2 accetta anche reasoning_effort e stop, che Aion-2.0 non elenca, mentre Aion-2.0 elenca top_p, che Mercury 2 non elenca. Sul prezzo, Mercury 2 è l'opzione più economica sia per i token di input che per quelli di output, quindi è la scelta a costo inferiore su entrambi i lati della fattura.

Per il lavoro quotidiano come riassunto, estrazione, classificazione, chat e assistenza al codice, va bene qualsiasi dei due modelli, e le finestre di contesto quasi identiche significano che i documenti lunghi rientrano in entrambi. Scegli Mercury 2 quando vuoi la chiamata più economica, quando hai bisogno di output strutturati rigorosi imposti dal modello, o quando vuoi regolare lo sforzo di reasoning per richiesta. Scegli Aion-2.0 quando vuoi il controllo del campionamento tramite top_p, quando i tuoi prompt sono già ottimizzati attorno a quel parametro, o quando semplicemente preferisci il modello AionLabs per una determinata pipeline. Se il costo è il fattore decisivo e il tuo compito non dipende da structured_outputs, reasoning_effort o top_p, Mercury 2 è il default più economico.

Chiamare uno dei due modelli tramite api14 funziona allo stesso modo perché l'API è compatibile con OpenAI. Punti il tuo client OpenAI esistente all'URL di base di api14, invii la tua solita richiesta di chat completions e imposti il campo model su "aion-labs/aion-2.0" o "inception/mercury-2". Tutto il resto nel corpo della richiesta rimane invariato: messages, temperature, max_tokens, tools e response_format restano identici. Passare da uno all'altro è una modifica di una riga all'id del modello, quindi puoi confrontare entrambi sul tuo traffico reale senza riscrivere il codice di integrazione. Ricorda solo che i parametri supportati da un solo lato, come structured_outputs o reasoning_effort su Mercury 2 e top_p su Aion-2.0, verranno rifiutati o ignorati dall'altro, quindi tienili fuori dai template di richiesta condivisi.

Ci sono ancora casi in cui Aion-2.0 è la scelta migliore. Se la tua applicazione si affida a top_p per modellare il campionamento, Mercury 2 non lo elenca, quindi Aion-2.0 è il modello che supporta la tua configurazione esistente. Allo stesso modo, se hai già validato la qualità dell'output e la latenza su Aion-2.0 per un compito specifico, non c'è alcuna ragione di capacità nei dati qui per cambiare, dato che le finestre di contesto sono effettivamente le stesse ed entrambi gestiscono tools e reasoning. Lo scambio che fai è semplice: Mercury 2 ti offre output strutturati, controllo dello sforzo di reasoning e costo inferiore, mentre Aion-2.0 ti offre top_p e una finestra di contesto leggermente più ampia.