أُطلِق AesCode-8B بهدوء: نموذج مايكروسوفت بحجم 8B يكتب العروض التقديمية ولوحات المعلومات بصيغة HTML

الرقم الأكثر إثارة للاهتمام في إصدار مايكروسوفت الجديد هو 1.00. احجب الصورة المرجعية عن AesCode-8B — نموذج بـ 8 مليارات معامل يكتب الشرائح والملصقات ولوحات المعلومات بصيغة HTML و CSS قابلة للتحرير — وتهبط درجته البصرية بمقدار نقطة واحدة من مئة. احجب المرجع نفسه عن Qwen3-VL-8B-Instruct، النموذج مفتوح الأوزان الذي تم الضبط الدقيق لـ AesCode-8B انطلاقًا منه، ويبلغ الانخفاض 19.55 نقطة. من GPT-5.5 يكون 10.04. هذه المقارنة الواحدة هي حيث تكمن نتيجة البحث الفعلية، وهي تقع تحت عنوان رئيسي نشرته مايكروسوفت أيضًا: على مقياسها الخاص المكون من 300 عينة، تتفوق النتيجة الإجمالية لـ AesCode-8B البالغة 82.94 على GPT-5.5 المكيف بالمرجع عند 81.28 و Claude Opus 4.8 عند 80.39، مع شقيق أكبر، AesCode-32B، عند 85.89.

لم يُعلَن شيء عن هذا الإصدار. أودعت مايكروسوفت الأوزان على Hugging Face في 2026-10-07 بموجب Apache 2.0 — AesCode-8B إلى جانب نظير بسعة 32B بُني بالطريقة نفسها انطلاقًا من Qwen3-VL-32B-Instruct — ورفعت شيفرة التدريب والتقييم إلى GitHub في اليوم التالي. لا توجد تدوينة على مدونة Microsoft Research، ولا ملاحظة إصدار، ولا صفحة منتج، ولا نسخة أولية (preprint): الاستشهاد في بطاقة النموذج يقول "قيد المراجعة"، سنة 2027، وهو عنصر نائب لا تاريخ. حتى 2026-10-11، يُظهر مستودع 8B تنزيلين وإعجابًا واحدًا؛ ويُظهر مستودع GitHub نجمة واحدة. وكل ما يرد أدناه ويحمل رقمًا هو إما طابع زمني يمكنك التحقق منه بنفسك أو رقم أبلغت عنه مايكروسوفت بشأن مجموعة التقييم الخاصة بها — وهذا التمييز يهم أكثر من المعتاد هنا، لأنه لم يخضع أي جزء من هذا النموذج للقياس من قبل أي طرف آخر.

ما الذي تم شحنه، وما الذي ليس في الصندوق

ثلاثة تواريخ تحدد هذا الإصدار، وهي التواريخ الوحيدة فيه. أُنشئ مستودع Hugging Face الخاص بـ microsoft/AesCode-8B في 2026-09-29، وأُودعت الأوزان تحت الرسالة "Release AesCode-8B" عند الساعة 03:35 UTC في 2026-10-07، وmicrosoft/AesCode أصبح مستودع الشيفرة عامًّا في اليوم التالي، 2026-10-08 عند الساعة 23:14 UTC. وصلت أوزان 32B في نافذة الإيداع نفسها. لم يُعلَن عن أي شيء في الفترة بينهما في أي مكان.

• الأوزان — أربع أجزاء safetensors بإجمالي 17,543,339,408 بايت، وهو ما يعادل تقريبًا 8.8 مليار معامل بصيغة bf16. تُصنّف مايكروسوفت النموذج على أنه 8B؛ بينما يقرّب حقل الحجم في Hugging Face إلى 9B. هذا تقريب، وليس تباينًا.

• المعمارية — ضبط دقيق مباشر لوصفة Qwen3-VL: Qwen3VLForConditionalGeneration، 36 طبقة مخفية، وحجم مخفي 4,096، و32 رأس انتباه مع 8 رؤوس مفتاح-قيمة، ومفردات من 151,936 رمزًا ومواضع mrope متداخلة. يحتاج إلى transformers 4.57 أو أحدث.

• السياق والمخرجات — استخدمت عمليات التشغيل المُبلَّغ عنها سياقًا بحجم 24,576 رمزًا مع ما يصل إلى 12,000 رمز مخرجات، ووُلِّدت عند درجة حرارة 0.8 وtop-p 0.95 عبر ثلاث عمليات تشغيل لكل طلب دون اختيار. يسمح أمر خدمة vLLM بصورتين لكل طلب: الصورة المرجعية، ولا شيء غيرها، لأن المخرجات نصية.

• الرخصة — Apache 2.0، يُوصف بأنه يتبع البنية الأساسية لـ Qwen3-VL. متساهلة تمامًا، بلا تقييد، وبلا ملحق للاستخدام المقبول.

• ليس ضمن الحزمة — بيانات التدريب والتقييم. يوفر المستودع خط الأنابيب ويوثّق المدخلات والمخرجات المتوقعة، ويذكر ملفات التقسيم التي يتوقعها، لكن لا يُدرَج أي إصدار لمجموعة البيانات على بطاقة النموذج أو مستودع الشيفرة. تحصل على الوصفة، لا على المكوّنات.

• أيضًا غير متوفر جاهزًا — ولا أي نقطة نهاية مستضافة. لم نتمكن من العثور على أي API يقدّم AesCode-8B في أي مكان، وهو غير موجود في الكتالوج الخاص بنا. وإلى أن يتبنّاه مزوّد، فإن تقييمه يعني تحميل الأوزان على وحدات معالجة الرسوميات الخاصة بك.

يستحق التأطير الذي تستخدمه Microsoft الاقتباس لأنه يمثل موجز التصميم بأكمله: فنماذج الأكواد «لا تستطيع رؤية كيف يتكامل التخطيط والتسلسل الهرمي واللون على اللوحة»، بينما مولّدات الصور «تؤلف صفحات جذابة بصريًا لكنها غالبًا ما تسيء عرض النصوص والأرقام والعلاقات المنطقية». أما AesCode فهو المحاولة التي تأخذ الحس التكويني من أحدهما والقابلية للتحقق من الآخر.

نتيجة 1.00، مشروحة

إليك الآلية الكامنة وراء الرقم الوارد في الفقرة الأولى. أثناء التدريب، يُقرن كل موجّه بصورة مرجعية مولّدة من الموجّه نفسه — استخدمت عمليات Microsoft الخاصة GPT-Image-2 لتوليد الصورة وGPT-5.5 لتوسيع فكرة قصيرة إلى موجّه المحتوى التفصيلي. لا تحمل الصورة المرجعية أي سلطة على المحتوى؛ ويبقى الموجّه النصي هو مصدر الحقيقة. ما تقدّمه الصورة المرجعية هو التخطيط والأسلوب، وقد بُنيت دالة المكافأة للحفاظ على هذين الأمرين منفصلين.

النتيجة هي أن المُسبَق البصري ينتهي به الأمر في السياسة بدلاً من المُدخل. يفقد AesCode-8B نقطة Visual واحدة مقدارها 1.00 عند إزالة المرجع أثناء الاستدلال. كما يفقد عموده الفقري الخاص، عند تقييمه مشروطاً بالمرجع عند 44.72 Visual، 19.55 نقطة بدونه. يفقد GPT-5.5 مقدار 10.04. والنسخة المقطّرة من ذلك: توقف النموذج عن الحاجة إلى الصورة.

النصف الثاني من النتيجة هو النصف الذي يسهل إغفاله. تُفيد Microsoft بأن المكافآت القائمة على المراجع رفعت Visual الذي يعتمد على المطالبات فقط من 25.17 إلى 69.71 — النموذج الذي لا يرى أي مرجع وقت الاستدلال لا يزال يستفيد من كونه قد دُرِّب بمقابلتها. إذا كنت تخطط لتخطي خطوة توليد المراجع في خط أنابيبك الخاص، فهذا هو الرقم الذي يقول إنه لا ينبغي أن تتكبد عناء تخطيها في التدريب أيضًا.

التحفّظ الصادق على كل ذلك: هذا هو معيار تقييم مايكروسوفت، على عيّنات الإنفوجرافيك الـ300 الخاصة بمايكروسوفت، وتُمنح الدرجة ثلاث مرات لكل مُوجّه دون انتقاء أفضل النتائج. نصف الدرجة يأتي من أدوات تحقق حتمية يمكن لأي شخص إعادة إنتاجها؛ والنصف الآخر، أي أبعاد قائمة التحقق، يُحكَم عليه بواسطة نموذج رؤية-لغة لا تذكر الوثائق هويته. لا يمكنك إعادة إنتاج النصف الثاني دون معرفة أي حَكَمٍ أنتجه.

حيث يتسلل الذوق إلى الأوزان

طريقة التدريب هي الجزء من هذا الإصدار الذي يحوي أكبر قدر من الأفكار القابلة للنقل، وهي أكثر آلية مما يوحي به الناتج.

• كل شيء رسم بياني أولاً. يُمثَّل كل هدف كرسم بياني تصميمي: عُقد للنص والمخططات والجداول والبطاقات والمناطق وخانات الصور، وحواف للاحتواء والمحاذاة والترتيب والاتصال. الهدف من الرسم البياني هو الإسناد — فكل خاصية على لوحة الرسم تنتمي إلى عنصر مسمّى، لذا يمكن تقييم كل خاصية على حدة.

• سبع قنوات للمكافأة. تتحقق ستة مُدقّقات حتمية من الأشياء القابلة للتحليل — التنفيذ، والنص الدقيق، والحدود، وبيانات الجداول والمخططات، والتخطيط الدلالي، والمسافات البيضاء — بينما يقيّم معيار Visual Graph Rubric الخاص بكل عيّنة، المبني على أسئلة نعم/لا مرتبطة بالرسم البياني حول الهندسة والموضع، ما تبقّى. القنوات هي التنفيذ، والنص، والحدود، والجدول والمخطط، والتخطيط، والمسافات البيضاء، والتصميم.

• يتم تطبيع القنوات قبل دمجها. يقوم GDPO بتطبيع كل قناة ضمن مجموعة rollout الخاصة بها، بحيث لا يمكن لإشارة كثيفة قائمة على القواعد أن تطغى على الإشارة المرئية المتفرقة. تقيس Microsoft ذلك عند 5.12 نقطة Visual مقارنةً بـ GRPO العددي العادي مع الإعداد نفسه — وهو ما أُبلغ من الجهة الموردة، لكنه تجربة استئصال ملموسة بدلًا من مجرد ادعاء.

• يتم التقييم عن طريق العرض.يُعرض HTML المرشّح في متصفح Playwright معزول مع حظر الطلبات الخارجية، وتعيد أداة الاختبار قراءة DOM والأنماط المحسوبة والمربعات المحيطة وحالة وحدة التحكم ولقطة شاشة. يجب أن تكون الجداول جداول HTML؛ ويجب أن تكون المخططات مواصفات ECharts. هذا القيد يؤدي عملًا حقيقيًا — فهو يجبر المخرجات على اتخاذ شكل يستطيع المدقّق تحليله.

• الوصفة نفسها. الضبط الدقيق الخاضع للإشراف بالبدء البارد على 3,000 عرض توضيحي بمعدل تعلم 1e-5، ثم GDPO على 7,408 مطالبة لمدة 400 خطوة على محرك verl الهجين FSDP-vLLM، بدون ناقد وبدون نموذج مكافأة مدرب بشكل منفصل. AdamW عند ثابت 5e-6، بدون تسخين، اضمحلال الوزن 0.01، 128 مطالبة لكل خطوة مع 8 عمليات إخراج لكل منها، معاملات KL والإنتروبيا كلاهما 0.001، المطالبة والاستجابة يقتصر كل منهما على 8,192 رمزًا. استخدمت التشغيلات المنشورة عقدة واحدة مع ثمانية NVIDIA B200s. يستخدم AesCode-32B نفس الوصفة لمدة 520 خطوة.

إذا قُرئ كنصٍّ واحد متكامل، فهو ورقة بحثية في تصميم المكافآت ترتدي ثوب إطلاق نموذج — وهذا يتّسق مع ورود الاستشهاد بصيغة «Under review» بدلًا من الإحالة إلى نسخة أولية منشورة مسبقًا.

لوحة النتائج، ومن يضمن صحتها

كل ما يلي هو تقييم مايكروسوفت الخاص، كما ورد في بطاقة النموذج، على 300 عيّنة إنفوجرافيك. يحتسب Rule متوسط فحوص Text وBound وChart البرمجية؛ ويحتسب Visual متوسط أبعاد قائمة التحقق Content وLayout وStyle؛ ويُعد Overall متوسط الاثنين. الدرجات نِسَب مئوية محسوبة كمتوسط على ثلاث توليدات لكل موجّه دون انتقاء. تشير "Ref." إلى ما إذا كان قد أُعطي للنموذج مرجع مولَّد إلى جانب الموجّه.

• AesCode-8B مع المرجع — النص 94.06، الحدود 88.36، المخطط 87.79، القاعدة 90.07؛ المحتوى 86.41، التخطيط 87.80، النمط 53.21، المرئي 75.80؛ الإجمالي 82.94.

• مقارنةً بنموذجه الأساسي — يسجّل Qwen3-VL-8B-Instruct المشروط بالمرجع 44.72 في Visual و51.93 في Overall. وهذا يمثل زيادة بمقدار 31.1 نقطة في Visual و31.0 نقطة في Overall، وهو أقل المقارنات إثارةً للدهشة في الجدول، لأن الهدف الكامل من التدريب هو الشق البصري.

• مقابل GPT-5.5، مشروط بالمرجع — الإجمالي 81.28، المحتوى 82.44، التخطيط 89.93، والأسلوب 57.91.

• مقابل Claude Opus 4.8، مشروط بالمرجع — الإجمالي 80.39، المحتوى 86.42، التخطيط 89.76.

• AesCode-32B، مشروط بالمرجع — النص 95.34، الحدود 97.27، المخطط 90.37، القاعدة 94.33، التخطيط 90.58، البصري 77.44، الإجمالي 85.89. 22.4 نقطة في البصري فوق عموده الفقري 32B الخاص به.

• سقف النمط — لا يوجد نموذج في الجدول يتجاوز 60، ونتيجة GPT-5.5 البالغة 57.91 هي الأفضل بينها. ويستقر AesCode-8B عند 53.21. تعريف مايكروسوفت نفسه لا يرحم: فلا يمنح النمط تصميمًا تقديرًا إلا عندما لا يحتاج إلى أي مراجعة بصرية إضافية قبل التسليم. لذا، في البعد الوحيد الذي يقيس ما إذا كان الإنسان سينشر الصفحة فعليًا دون تحرير، فإن نموذج 8B ليس المتصدر.

• إخفاقات الحدود — يتكرر إخفاق شديد في تجاوز حدود اللوحة في 4.3% من العينات الـ300، مقابل 34.7% لدى GPT-5.5. تجاوز الحدود هو نمط الإخفاق الذي يجعل HTML المُولَّد غير قابل للاستخدام وليس مجرد قبيح.

الآن الجزء الذي لا يقل أهمية عن الجدول. كل رقم أعلاه مُبلَّغ عنه من المورّد ولم يُعَد إنتاجه. لا يظهر AesCode-8B على أي لوحة صدارة مستقلة تمكّنّا من العثور عليها، والمقارنة مع GPT-5.5 وClaude Opus 4.8 تُجرى وفق معايير Microsoft، على مهمة لم تُضبط تلك النماذج من أجلها، مع تعريف لـ"Layout" يكافئ مجرد إنتاج صفحة. درجة 94.06 في النص لا تعني أن هذا النموذج يتفوق على GPT-5.5 في النص. إنها تعني أنه يضع التسميات دون أن يتناقض مع التوجيه في صفحات الإنفوجرافيك، وهو ادعاء أصغر بكثير. نتيجة النمط هي التي تكشف أن المعيار ليس مُلاعبًا لصالح AesCode — أكبر فوز في لوحة الصدارة يأتي مع أكبر رقم غير مُشرف يقع بجانبه مباشرة.

ما هو المؤكد، وما هو غير المؤكد؟

بما أن هذا طُرح بهدوء، يجدر فصل الاثنين صراحةً.

• مؤكد — الأوزان موجودة وقابلة للتنزيل بموجب Apache 2.0؛ والطابعان الزمنيان للإصدارين موجودان في المستودعات؛ والبنية وعدد المعاملات وطول السياق وإعدادات أخذ العينات كلها في ملف الإعداد المنشور وبطاقة النموذج؛ ووصفة التدريب وتصميم المكافأة موثقان بتفصيل كافٍ يسمح بالجدال فيهما؛ والكود ومنظومة التحقق ومنشئ معايير التقييم متاحة للعموم؛ ويوجد نموذج مرافق بحجم 32B.

• غير مؤكد — أيٌّ من أرقام المعايير القياسية، من أي جهة غير المورّد. والورقة البحثية، التي تصفها الوثائق نفسها بأنها قيد المراجعة. وهوية المُقيّم البصري-اللغوي الذي يقف وراء النصف البصري من الدرجات. وما إذا كان أي مزوّد سيستضيفه. وما إذا كانت نافذة السياق البالغة 24,576 رمزًا تصمد في عروض تقديمية حقيقية متعددة الشرائح، بما أن التقييم المُعلَن يقتصر على صفحات إنفوجرافيك مفردة. وأي شيء على الإطلاق عن السلوك خارج اللغة الإنجليزية — إذ يقتصر وسم اللغة في بطاقة النموذج على "en" وحده.

إذا كنت تريد تشغيله، وما تكلفة ذلك

أما Qwen3-VL-8B-Instruct — النموذج الذي تم ضبط AesCode-8B بدقة انطلاقًا منه، وأقوى مقارنة منفردة متاحة حتى ينشر أحدهم نتيجة مستقلة لـ AesCode — فهو أمر مختلف:

مسار التقديم لـ AesCode-8B نفسه قصير، وبطاقة النموذج تعطيه مباشرة: vllm serve microsoft/AesCode-8B --limit-mm-per-prompt image=2 --max-model-len 24576، مع transformers 4.57 أو أحدث لمسار غير vLLM، ومقتطف Python يقبل صورة مرجعية اختيارية قبل النص المطلوب.

الحساب الذي عليك إجراؤه بنفسك هو الذاكرة. يجب أن تتّسع 17.5 GB من أوزان bf16 إلى جانب ذاكرة KV cache لسياق من 24,576 رمزًا وما يصل إلى صورتين، لذا فإن بطاقة واحدة بسعة 24 GB تكفي تقنيًا للأوزان وتكون ضيقة بشكل غير مريح لكل ما عداها؛ أما 40-48 GB، أو بطاقتان بسعة 24 GB، فهي الحد الأدنى الواقعي. أما النموذج المرافق 32B فهو مشكلة من نوع مختلف — إذ يبلغ مجموع أجزائه 66.7 GB، لذا يحتاج إلى التوازي التنسوري وعقدة متعددة وحدات GPU. احسب أيضًا حساب مُصيِّر: فالنموذج يُصدر مستند HTML كاملًا، وكل ادعاء جودة بشأنه يُبنى على عرض ذلك المستند، لذا يعني تقييم مخرجاتك الخاصة تشغيل Playwright مع حجب الطلبات الخارجية.

لا تحتاج إلى توليد صورة مرجعية في وقت الاستدلال — فهذا بالضبط ما تمنحك إياه نتيجة 1.00 نقطة — لكن الوثائق واضحة في أن الجودة تظل الأعلى عندما يتم توفير واحدة، لذا فإن الإعداد الصادق هو أن يكون المرجع اختياريًا بدلًا من أن يكون خاليًا من المرجع.

AesCode-8B ليس شيئًا يوجّهه OrcaRouter، ولم نتمكن من العثور عليه مستضافًا في أي مكان آخر أيضًا، لذا فإن التقييم يعني حاليًا أوزانًا على أجهزتك الخاصة. أما العمود الفقري الخاص به فقصة مختلفة. Qwen3-VL-8B-Instruct يمكن توجيهه عبر OrcaRouter اليوم بسعر 0.18 دولار لكل مليون رمز إدخال و0.70 دولار لكل مليون رمز إخراج، مع سياق يبلغ 131,072 رمزًا — مما يجعله الطريقة الرخيصة لرؤية ما تفعله النسخة غير المضبوطة من هذه البنية على مطالباتك الخاصة بالرسوم المعلوماتية قبل أن تنفق أسبوعًا من GPU في إعادة إنتاج وصفة شخص آخر. يمرّر OrcaRouter سعر القائمة لدى المزوّد دون أي هامش ربح بنسبة 0% ويتحول تلقائيًا بين المزوّدين، لذا فإن تلك المقارنة تكلّف مفتاحًا واحدًا ولا عقدًا ثانيًا؛ وإذا وصل AesCode-8B يومًا ما إلى مزوّد نوجّه إليه، فسيكون في الكتالوج في اليوم نفسه. وإذا استضفته بنفسك، فإن النماذج التي ستعود إليها في الإنتاج هي تلك الموجودة بالفعل خلف نقطة النهاية الواحدة تلك — وهو الموقف المعقول لنموذج صدر بهدوء دون أي تقييم مستقل.

ماذا تشاهد

أمران، وليس أي منهما جدول معايير آخر.

الأولى هي الورقة البحثية. يُستشهد بعنوان "AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards" على أنه قيد المراجعة لعام 2027، وهو ما يُقرأ كعنصر نائب مكتوب في مدخلة BibTeX لا كجدول زمني. وإلى أن تظهر نسخة أولية (preprint) أو نسخة نهائية جاهزة للنشر (camera-ready)، فإن شرح قناة المكافأة أعلاه ليس سوى ملخص لمستخلص لا يستطيع أحد خارج المختبر قراءته — والأسئلة المثيرة للاهتمام، مثل كيف يتعامل Visual Graph Rubric مع رسم بياني تصميمي خاطئ في ذاته، لا تتم الإجابة عنها إلا في النص الكامل.

الثاني هو الاستضافة. نموذج بحجم 8.8B برخصة Apache-2.0 يُصدر HTML منظَّمًا وقابلًا للتحقق هو بالضبط الشكل الذي تلتقطه المنصات، لأن المخرجات قابلة للفحص على نحو لا تكون صورة JPEG كذلك. في اللحظة التي يقدّمه فيها أحدهم، يتوقف هذا عن كونه قرار استضافة ذاتية ويصبح قرار توجيه — وتتوقف مقارنة التكلفة عن كونها حول ساعات GPU.

ما لا ينبغي توقّعه هو حكم نهائي واضح. الأسلوب هو السقف بالنسبة لكل نظام في ذلك الجدول، بما في ذلك هذا النظام، والأسلوب هو البُعد الوحيد الذي يسأل عمّا إذا كان الإنسان سيشحن الصفحة كما هي. القراءة القابلة للدفاع عن AesCode-8B ضيقة وحقيقية: فهو بارع جدًا في الأجزاء من التصميم البصري التي يمكن للآلة التحقق منها، ومتوسط في الجزء الذي لا يمكنها التحقق منه، وهو أول نموذج مفتوح الأوزان في هذا المجال تكون فيه الفجوة بين هذين الأمرين جوهر الإصدار لا مجرد حادث عارض فيه.