AionLabs: Aion-3.0
AionLabs: Aion-3.0 est un LLM d’Aion Labs sorti le 7 juillet 2026. Sa fenêtre de contexte de 131 072 tokens le destine au traitement de volumes de texte étendus.
AionLabs: Aion-3.0 est un LLM d’Aion Labs sorti le 7 juillet 2026. Sa fenêtre de contexte de 131 072 tokens le destine au traitement de volumes de texte étendus.
Le modèle se distingue surtout par ses résultats en mathématiques et en raisonnement, tandis que la classification d’e-mails apparaît nettement moins convaincante. Sa tarification se situe dans la moyenne du marché et reste inférieure à celle des modèles frontière, malgré un prix supérieur de 44 % à la moyenne des LLM similaires.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Aion Labs |
| Poids | ▫ n.d. |
| Date de sortie | 7 juillet 2026 |
| Multimodal | non |
| Fenêtre de contexte | 131 072 tokens |
| Modalités (entrée → sortie) | text → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Hallucinations (Baseline) | 100,0 % | 1ᵉ / 146 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 100,0 % | 1ᵉ / 161 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 100,0 % | 1ᵉ / 159 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 98,0 % | 16ᵉ / 155 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 96,0 % | 123ᵉ / 163 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 96,0 % | 8ᵉ / 140 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 96,0 % | 13ᵉ / 162 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 67,7 % | 63ᵉ / 163 | benchable | ✅ Mesuré |
| PinchBench : agentique (OpenClaw, 147 tâches) | 61,1 % | 16ᵉ / 19 | pinchbench | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.
Benchable : Hallucinations (Baseline)
Benchable : General Knowledge (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| AionLabs | 3 $ | 6 $ | 0,75 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 44 % au-dessus de la moyenne des LLM similaires, et 1,8 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût par exécution agentique — PinchBench (147 tâches) | 31,79 $ |
| Durée d'exécution — PinchBench | 5 h 16 min |
| Indice valeur/coût — PinchBench | 2,06 |
| Coût moyen par benchmark — Benchable | 0,42 $ |
| Latence moyenne par benchmark — Benchable | 25 min 22 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. Le meilleur signal vient de Mathematics, où Aion-3.0 figure dans le top 10 et partage sa place avec six autres modèles. En Reasoning, il occupe la 16e place avec 14 ex æquo. Il atteint également le plafond de General Knowledge, Ethics et Hallucinations, mais partage à chaque fois la première place avec plusieurs dizaines de modèles. Ces trois résultats confirment un niveau élevé sur les tests, sans départager précisément Aion-3.0 de nombreux concurrents. La fenêtre de 131 072 tokens constitue un autre atout concret pour les tâches reposant sur de longs contenus.
Limites et points d'attention. Les benchmarks Benchable sont plafonnés et leurs scores sont peu discriminants. Email Classification illustre cette limite : malgré 96 %, le modèle se classe seulement 123e sur 163, avec six ex æquo. La tarification commence à 3 $ par million de tokens en entrée et 6 $ en sortie. Elle dépasse de 44 % la moyenne des LLM similaires, tout en restant environ 1.8 fois moins chère que celle des modèles frontière. Aion-3.0 paraît surtout pertinent pour les usages à long contexte qui privilégient les mathématiques et le raisonnement plutôt que la classification d’e-mails.
Sources des données : OpenRouter (openrouter.ai) · LLM-Stats (llm-stats.com) · PinchBench (pinchbench.com) · Benchable.ai (benchable.ai).