AionLabs: Aion-2.0 tegen Mancer: Weaver (alpha)

AionLabs: Aion-2.0 is een tekstmodel van AionLabs, uitgebracht op 2026-02-23. Mancer: Weaver (alpha) is een tekstmodel van Mancer, uitgebracht op 2023-08-02. Beide worden aangeboden als tekst-in, tekst-uit modellen via api14, dus geen van beide accepteert afbeeldingen of audio als invoer en geen van beide produceert iets anders dan tekst als uitvoer. Het belangrijkste structurele verschil tussen hen is leeftijd en focus: Aion-2.0 is een nieuwer model voor algemene doeleinden, terwijl Weaver een oudere alpha-release is die al lang genoeg meegaat om een bekend gegeven te zijn voor een bepaalde stijl van prompting.

De twee verschillen het scherpst op context en op wat je ze kunt vragen te doen. Aion-2.0 heeft een contextvenster van 131072 tokens, terwijl dat van Weaver 8000 tokens is, dus Aion-2.0 is degene die je pakt wanneer je lange documenten, grote codebestanden of uitgebreide gesprekken in een enkele aanroep wilt passen. Aion-2.0 ondersteunt ook redeneren en toolgebruik, waaronder de parameters reasoning en include_reasoning, tools en tool_choice, dus het kan functies aanroepen en een redeneerronde tonen. Weaver ondersteunt niets daarvan; in plaats daarvan biedt het een brede set sampling-besturingen zoals frequency_penalty, presence_penalty, repetition_penalty, min_p, top_a, top_k, logit_bias, logprobs, top_logprobs, seed en stop. Beide accepteren temperature, top_p, max_tokens en response_format, dus gestructureerde uitvoer is aan beide kanten beschikbaar.

Voor praktisch werk komt de keuze meestal neer op de vorm van de taak. Als je een agent bouwt die tools moet aanroepen, of je wilt dat het model een probleem doordenkt voordat het antwoordt, of je prompt plus opgehaalde context komt boven een paar duizend tokens uit, dan is Aion-2.0 de natuurlijke keuze. Als je kortetermijngeneratie doet waarbij je fijne controle over sampling wilt, zoals creatief schrijven, personagedialoog of experimenten waarbij je repetition- en presence-penalties afstemt en seeds vergelijkt, dan geeft Weaver je de knoppen daarvoor. Weaver is ook de goedkopere van de twee, zowel op invoer als uitvoer, dus voor hoog volume, korte prompts waarbij het kleinere contextvenster geen beperking is, kan het de zuinigere optie zijn. Aion-2.0 past beter wanneer capaciteit belangrijker is dan kosten per aanroep.

Een van beide modellen aanroepen via api14 werkt op dezelfde manier, omdat de gateway een OpenAI-compatibele API beschikbaar stelt. Je richt je client op de api14 base-URL, stuurt je verzoek naar het chat completions-endpoint met je api14-sleutel, en zet het modelveld op "aion-labs/aion-2.0" of "mancer/weaver". Al het overige in de request body volgt het OpenAI-schema, dus messages, temperature, max_tokens en response_format blijven ongewijzigd werken. Wisselen tussen de twee is een aanpassing van een regel aan de model-id, al moet je in gedachten houden dat parameters niet perfect uitwisselbaar zijn: tools, tool_choice en reasoning gelden alleen voor Aion-2.0, terwijl de penalty-, logprob- en sampling-parameters alleen voor Weaver gelden.

Er zijn nog steeds gevallen waarin Weaver de betere keuze is, ook al is Aion-2.0 overall het capabelere model. Als je prompts kort zijn, je budget krap is en je het samplinggedrag nauwkeurig wilt afstemmen, maken Weavers parameterset en lagere prijs het een redelijke standaardkeuze. Het is ook een verstandige keuze wanneer je werk reproduceert dat tegen een ouder model is geschreven en je hetzelfde generatiegedrag wilt in plaats van de uitvoer van een nieuwer model. In die situaties zijn het kleinere contextvenster en het ontbreken van toolgebruik acceptabele afwegingen, en kun je hetzelfde api14-endpoint en dezelfde request-vorm blijven gebruiken.