AionLabs: Aion-1.0-Mini
AionLabs: Aion-1.0-Mini est un LLM publié par AionLabs le 4 février 2025, positionné sur un segment très économique. Son prix se situe nettement sous la moyenne des modèles similaires et reste beaucoup plus bas que celui des modèles frontière, ce qui en fait d’abord une référence de coût…
AionLabs: Aion-1.0-Mini est un LLM publié par AionLabs le 4 février 2025, positionné sur un segment très économique. Son prix se situe nettement sous la moyenne des modèles similaires et reste beaucoup plus bas que celui des modèles frontière, ce qui en fait d’abord une référence de coût dans sa génération.
Son ancienneté d’environ un an est importante à l’échelle de l’IA : le modèle doit être lu comme un LLM de sa période, probablement dépassé par les offres récentes et souvent susceptible de ne plus figurer au catalogue actuel de l’éditeur. Sa fenêtre de contexte de 131 072 tokens reste son attribut technique le plus visible.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | AionLabs |
| Date de sortie | 4 février 2025 |
| Multimodal | non |
| Fenêtre de contexte | 131 072 tokens |
| Modalités (entrée → sortie) | text → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Email Classification (Baseline) | 99,0 % | 24ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 74,0 % | 188ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 51,0 % | 183ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 49,3 % | 229ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 41,0 % | 230ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 36,0 % | 221ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 26,0 % | 210ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 0,0 % | 229ᵉ / 252 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Benchable : Email Classification (Baseline)
Benchable : Hallucinations (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| AionLabs | 0,7 $ | 1,4 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 64 % en dessous de la moyenne des LLM similaires, et 6,9 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,07 $ |
| Latence moyenne par benchmark — Benchable | 13 min 04 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. AionLabs: Aion-1.0-Mini se distingue surtout sur Email Classification (Baseline), où il se place dans le haut du classement Benchable pour une tâche de tri et d’identification de courriels. À sa sortie, cette performance en classification simple pouvait en faire un modèle pertinent pour des usages structurés, répétitifs et peu créatifs. Sa grande fenêtre de contexte permettait aussi de traiter de longs volumes de texte dans une même requête, un avantage concret pour l’analyse documentaire. Son autre force est économique : la tarification est très inférieure à celle des LLM similaires et nettement en dessous des modèles haut de gamme.
Limites et points d'attention. Les résultats Benchable signalent des faiblesses marquées hors classification d’e-mails. Le modèle se situe bas dans les classements en Hallucinations (Baseline), Mathematics (Baseline), General Knowledge (Baseline), Ethics (Baseline) et Coding (Baseline), ce qui limite sa fiabilité pour le raisonnement, la programmation, les connaissances générales et les tâches sensibles. Avec environ un an d’ancienneté, ses performances sont aujourd’hui largement dépassées par les modèles plus récents, et ce type de modèle est souvent retiré ou remplacé dans les catalogues éditeurs. Les données disponibles reposent sur deux sources concordantes, mais aucun chiffre public d’entraînement n’est fourni ici.
Sources des données : OpenRouter (openrouter.ai) · Benchable.ai (benchable.ai).