AesCode-8B wurde still veröffentlicht: Microsofts 8B-Modell schreibt Folien und Dashboards als HTML

Die interessanteste Zahl in Microsofts neuer Veröffentlichung ist 1,00. Lässt man das Referenzbild weg bei AesCode-8B – einem Modell mit 8 Milliarden Parametern, das Folien, Poster und Dashboards als editierbares HTML und CSS schreibt –, sinkt sein visueller Wert um einen Punkt von hundert. Lässt man dieselbe Referenz weg bei Qwen3-VL-8B-Instruct, dem Open-Weight-Modell, auf dem AesCode-8B feinabgestimmt wurde, beträgt der Abfall 19,55 Punkte. Bei GPT-5.5 sind es 10,04. Genau in diesem einen Vergleich steckt das eigentliche Forschungsergebnis, und er steht unter einer Schlagzeile, die Microsoft ebenfalls veröffentlicht hat: In seinem eigenen Bewertungsraster mit 300 Stichproben liegt AesCode-8B mit einem Gesamtwert von 82,94 knapp vor dem referenzkonditionierten GPT-5.5 mit 81,28 und Claude Opus 4.8 mit 80,39, während ein größeres Geschwistermodell, AesCode-32B, bei 85,89 liegt.

Über diese Veröffentlichung wurde nichts angekündigt. Microsoft hat die Gewichte am 2026-10-07 auf Hugging Face unter Apache 2.0 bereitgestellt – AesCode-8B plus ein 32B-Begleitmodell, das auf dieselbe Weise aus Qwen3-VL-32B-Instruct gebaut wurde – und hat den Trainings- und Evaluierungscode am folgenden Tag auf GitHub hochgeladen. Es gibt keinen Blogbeitrag von Microsoft Research, keine Release Notes, keine Produktseite und kein Preprint: Die Zitationsangabe in der Modellkarte lautet „Under review“, Jahr 2027, was eher ein Platzhalter als ein Datum ist. Stand 2026-10-11 zeigt das 8B-Repository zwei Downloads und ein Like; das GitHub-Repository zeigt einen Stern. Alles im Folgenden, das eine Zahl trägt, ist entweder ein Zeitstempel, den Sie selbst überprüfen können, oder eine Angabe, die Microsoft zu seinem eigenen Evaluierungssatz berichtet hat – und diese Unterscheidung ist hier wichtiger als sonst, weil kein Teil dieses Modells von jemand anderem gemessen wurde.

Was geliefert wurde und was nicht im Lieferumfang enthalten ist

Drei Daten definieren dieses Release, und sie sind die einzigen Daten darin. Das Repository von Hugging Face für microsoft/AesCode-8B wurde am 2026-09-29 erstellt, die Gewichte wurden unter der Nachricht „Release AesCode-8B“ am 2026-10-07 um 03:35 UTC committet, und das microsoft/AesCode Code-Repository wurde am nächsten Tag, dem 2026-10-08 um 23:14 UTC, öffentlich zugänglich. Die 32B-Gewichte landeten im selben Commit-Fenster. Dazwischen wurde nirgendwo etwas angekündigt.

• Gewichte — vier Safetensors-Shards mit insgesamt 17.543.339.408 Bytes, was ungefähr 8,8 Milliarden bf16-Parametern entspricht. Microsoft bezeichnet das Modell als 8B; das Größenfeld von Hugging Face rundet es auf 9B. Das ist Rundung, keine Diskrepanz.

• Architektur — ein direktes Fine-Tuning des Qwen3-VL-Rezepts: Qwen3VLForConditionalGeneration, 36 versteckte Schichten, eine verborgene Größe von 4.096, 32 Attention-Heads mit 8 Key-Value-Heads, ein Vokabular mit 151.936 Token und verschachtelte mrope-Positionen. Es benötigt transformers 4.57 oder neuer.

• Kontext und Ausgabe — die gemeldeten Läufe verwendeten einen Kontext von 24.576 Token mit bis zu 12.000 Ausgabe-Tokens, generiert bei Temperatur 0,8 und Top-p 0,95 über drei Rollouts pro Prompt ohne Auswahl. Der vLLM-Serving-Befehl erlaubt zwei Bilder pro Prompt: die Referenz und nichts anderes, weil die Ausgabe Text ist.

• Lizenz — Apache 2.0, beschrieben als dem Qwen3-VL-Backbone folgend. Vollständig permissiv, kein Gating, kein Zusatz zur akzeptablen Nutzung.

• Nicht im Paket enthalten — die Trainings- und Evaluationsdaten. Das Repository liefert die Pipeline und dokumentiert die erwarteten Ein- und Ausgaben und erwähnt die Split-Dateien, die es erwartet, aber weder auf der Modellkarte noch im Code-Repository ist eine Dataset-Veröffentlichung aufgeführt. Man erhält das Rezept, nicht die Zutaten.

• Auch nicht im Standardumfang enthalten — kein gehosteter Endpunkt. Wir konnten nirgends eine API finden, die AesCode-8B bereitstellt, und es ist nicht in unserem eigenen Katalog enthalten. Bis ein Anbieter es aufgreift, bedeutet eine Evaluierung, die Gewichte auf die eigenen GPUs zu laden.

Die von Microsoft verwendete Formulierung ist es wert, zitiert zu werden, denn sie ist die gesamte Designvorgabe: Codemodelle „können nicht sehen, wie Layout, Hierarchie und Farbe auf der Leinwand zusammenkommen“, während Bildgeneratoren „visuell überzeugende Seiten komponieren, aber Text, Zahlen und logische Beziehungen oft falsch wiedergeben“. AesCode ist der Versuch, das Gespür für Komposition von dem einen und die Verifizierbarkeit von dem anderen zu übernehmen.

Das 1,00-Punkte-Ergebnis, erklärt

Hier ist der Mechanismus hinter der Zahl im ersten Absatz. Während des Trainings wird jeder Prompt mit einem Referenzbild gepaart, das aus ebendiesem Prompt generiert wurde — Microsofts eigene Durchläufe nutzten GPT-Image-2 für das Bild und GPT-5.5, um eine kurze Idee in den detaillierten Inhalts-Prompt auszuweiten. Die Referenz trägt keine inhaltliche Autorität; der Text-Prompt bleibt die Quelle der Wahrheit. Was die Referenz liefert, sind Layout und Stil, und die Reward-Funktion ist so gebaut, dass sie diese beiden Dinge getrennt hält.

Die Konsequenz ist, dass der visuelle Prior in der Policy statt im Input landet. AesCode-8B verliert 1,00 Visual-Punkt, wenn die Referenz bei der Inferenz entfernt wird. Sein eigenes Backbone, referenzkonditioniert bei 44,72 Visual bewertet, verliert ohne Referenz 19,55 Punkte. GPT-5.5 verliert 10,04. Die destillierte Version davon: Das Modell brauchte das Bild nicht mehr.

Die zweite Hälfte des Ergebnisses ist die, die man leicht übersieht. Microsoft berichtet, dass referenzbasierte Belohnungen prompt-only Visual von 25,17 auf 69,71 gesteigert haben – das Modell, das zur Inferenzzeit nie eine Referenz sieht, profitiert dennoch davon, gegen sie trainiert worden zu sein. Wenn Sie vorhatten, den Schritt der Referenzgenerierung in Ihrer eigenen Pipeline zu überspringen, dann ist das die Zahl, die besagt, dass Sie ihn auch beim Training nicht überspringen sollten.

Der ehrliche Vorbehalt bei all dem: Dies ist Microsofts Bewertungsraster, angewendet auf Microsofts 300 Infografik-Beispiele, dreimal pro Prompt bewertet, ohne Rosinenpickerei. Die Hälfte der Punktzahl stammt von deterministischen Prüfprogrammen, die jeder reproduzieren könnte; die andere Hälfte, die Checklisten-Dimensionen, wird von einem Vision-Language-Modell bewertet, dessen Identität die Dokumentation nicht nennt. Man kann die zweite Hälfte nicht reproduzieren, ohne zu wissen, welcher Bewerter sie erzeugt hat.

Wo der Geschmack in die Gewichte fließt

Die Trainingsmethode ist der Teil dieser Veröffentlichung mit den am besten übertragbaren Ideen, und sie ist mechanischer, als die Ausgabe vermuten lässt.

• Alles ist zuerst ein Graph. Jedes Ziel wird als Design-Graph dargestellt: Knoten für Text, Diagramme, Tabellen, Karten, Bereiche und Bildplätze, und Kanten für Enthaltensein, Ausrichtung, Reihenfolge und Verbindung. Der Sinn des Graphen ist die Zuordnung – jede Eigenschaft auf der Arbeitsfläche gehört zu einem benannten Element, sodass jede Eigenschaft für sich bewertet werden kann.

• Sieben Reward-Kanäle. Sechs deterministische Verifier prüfen die parsbaren Dinge — Ausführung, exakter Text, Grenzen, Tabellen- und Diagrammdaten, semantisches Layout, Leerraum — und eine samplespezifische Visual-Graph-Rubric, aufgebaut als graphgebundene Ja/Nein-Fragen zu Geometrie und Platzierung, bewertet den Rest. Die Kanäle sind Ausführung, Text, Grenze, Tabellendiagramm, Layout, Leerraum und Design.

• Die Kanäle werden normalisiert, bevor sie kombiniert werden.GDPO normalisiert jeden Kanal innerhalb seiner Rollout-Gruppe, sodass ein dichtes regelbasiertes Signal ein spärliches visuelles nicht übertönen kann. Microsoft misst dies mit 5,12 visuellen Punkten gegenüber einfachem skalarem GRPO mit demselben Setup — vom Anbieter angegeben, aber eine konkrete Ablation statt einer bloßen Behauptung.

• Die Bewertung erfolgt durch Rendering.Kandidaten-HTML wird in einem Playwright-Browser in einer Sandbox gerendert, wobei externe Anfragen blockiert sind, und die Harness liest DOM, berechnete Styles, Bounding-Boxen, Konsolenstatus und einen Screenshot zurück. Tabellen müssen HTML-Tabellen sein; Diagramme müssen ECharts-Spezifikationen sein. Diese Einschränkung hat echte Auswirkungen – sie zwingt die Ausgabe in eine Form, die ein Verifizierer parsen kann.

• Das Rezept selbst.Kaltstart-überwachtes Feintuning an 3.000 Demonstrationen mit einer Lernrate von 1e-5, dann GDPO über 7.408 Prompts für 400 Schritte auf der FSDP-vLLM-Hybrid-Engine von verl, ohne Critic und ohne separat trainiertes Reward-Modell. AdamW mit konstant 5e-6, kein Warmup, Weight Decay 0,01, 128 Prompts pro Schritt mit jeweils 8 Rollouts, KL- und Entropie-Koeffizienten beide 0,001, Prompt und Antwort jeweils auf 8.192 Token begrenzt. Die veröffentlichten Runs verwendeten einen einzelnen Knoten mit acht NVIDIA B200s. AesCode-32B verwendet dasselbe Rezept für 520 Schritte.

Als Ganzes gelesen ist dies ein Paper übers Reward-Design, das ein Model-Release als Kostüm trägt — und das passt dazu, dass die Zitierung „Under review" lautet, statt auf ein Preprint zu verweisen.

Die Anzeigetafel und wer dafür bürgt

Alles Folgende ist Microsofts eigene Bewertung, die in der Model Card anhand von 300 Infografik-Beispielen berichtet wird. Rule mittelt die programmatischen Text-, Bound- und Chart-Prüfungen; Visual mittelt die Checklisten-Dimensionen Content, Layout und Style; Overall ist der Mittelwert der beiden. Die Werte sind Prozentangaben, gemittelt über drei Generierungen pro Prompt ohne Auswahl. „Ref.“ kennzeichnet, ob dem Modell zusammen mit dem Prompt eine generierte Referenz gegeben wurde.

• AesCode-8B mit Referenz — Text 94.06, Grenze 88.36, Diagramm 87.79, Regel 90.07; Inhalt 86.41, Layout 87.80, Stil 53.21, Visuell 75.80; Gesamt 82.94.

• Im Vergleich zu seinem eigenen Backbone — das referenzkonditionierte Qwen3-VL-8B-Instruct erreicht 44,72 bei Visual und 51,93 bei Overall. Das ist ein Visual-Zuwachs von 31,1 Punkten und ein Overall-Zuwachs von 31,0 Punkten, und es ist der am wenigsten überraschende Vergleich in der Tabelle, da es beim Training genau um die visuelle Hälfte geht.

• Gegen GPT-5.5, referenzkonditioniert — Insgesamt 81,28, Inhalt 82,44, Layout 89,93 und Stil 57,91.

• Gegen Claude Opus 4.8, referenzkonditioniert — Gesamt 80.39, Inhalt 86.42, Layout 89.76.

• AesCode-32B, referenzkonditioniert — Text 95,27, Grenze 97,27, Diagramm 90,27, Regel 94,33, Layout 90,58, Visuell 77,44, Gesamt 85,89. 22,4 Punkte bei Visuell gegenüber seinem eigenen 32B-Backbone.

• Die Stil-Obergrenze — kein Modell in der Tabelle überschreitet 60, und 57,91 von GPT-5.5 ist der beste Wert unter ihnen. AesCode-8B liegt bei 53,21. Microsofts eigene Definition ist unnachgiebig: Stil vergibt nur dann Punkte für ein Design, wenn es vor der Auslieferung keine weitere visuelle Überarbeitung benötigt. Auf der einen Dimension, die misst, ob ein Mensch die Seite tatsächlich unverändert ausliefern würde, ist das 8B-Modell also nicht der Spitzenreiter.

• Grenzfehler — ein schwerwiegender Canvas-Overflow-Fehler tritt bei 4,3 % der 300 Beispiele erneut auf, gegenüber 34,7 % bei GPT-5.5. Overflow ist der Fehlermodus, der generiertes HTML unbrauchbar statt bloß hässlich macht.

Nun der Teil, der genauso wichtig ist wie die Tabelle. Jede Zahl oben ist vom Anbieter angegeben und nicht reproduziert. AesCode-8B taucht auf keiner unabhängigen Bestenliste auf, die wir finden konnten, und der Vergleich mit GPT-5.5 und Claude Opus 4.8 läuft nach Microsofts Bewertungsraster, auf einer Aufgabe, für die diese Modelle nicht optimiert wurden, mit einer Definition von „Layout“, die schon dafür belohnt, überhaupt eine Seite zu erzeugen. Ein Text-Wert von 94,06 bedeutet nicht, dass dieses Modell GPT-5.5 bei Text übertrifft. Es bedeutet, dass es auf Infografik-Seiten Beschriftungen platziert, ohne dem Prompt zu widersprechen, was eine viel kleinere Behauptung ist. Das Style-Ergebnis ist das verräterische Zeichen dafür, dass das Bewertungsraster nicht zugunsten von AesCode manipuliert ist – der größte Sieg auf der Anzeigetafel geht mit der größten unschmeichelhaften Zahl direkt daneben einher.

Was ist bestätigt, und was nicht

Da dies im Stillen ausgeliefert wurde, lohnt es sich, die beiden explizit zu trennen.

• Bestätigt — die Gewichte existieren und sind unter Apache 2.0 herunterladbar; die beiden Veröffentlichungszeitstempel stehen in den Repositories; Architektur, Parameteranzahl, Kontextlänge und Sampling-Einstellungen stehen alle in der veröffentlichten Konfiguration und Modellkarte; das Trainingsrezept und das Reward-Design sind detailliert genug dokumentiert, um darüber streiten zu können; der Code, der Verifier-Stack und der Rubric-Builder sind öffentlich; ein 32B-Begleiter existiert.

• Nicht bestätigt — keine der Benchmark-Zahlen, von irgendjemandem außer dem Anbieter. Das Paper, das die Dokumentation selbst als noch im Review befindlich beschreibt. Die Identität des Vision-Language-Judges hinter der visuellen Hälfte der Bewertungen. Ob irgendein Anbieter es hosten wird. Ob der 24.576-Token-Kontext bei echten Multi-Slide-Decks standhält, da sich die berichtete Evaluation auf einzelne Infografik-Seiten bezieht. Und überhaupt irgendetwas zum Verhalten außerhalb des Englischen — das Sprach-Tag der Model Card ist allein „en“.

Wenn Sie es ausführen möchten, und was das kostet

Qwen3-VL-8B-Instruct — das Modell, von dem AesCode-8B feinabgestimmt wurde, und der stärkste einzelne Vergleich, der verfügbar ist, bis jemand ein unabhängiges AesCode-Ergebnis veröffentlicht — ist eine andere Sache:

Der Serving-Pfad für AesCode-8B selbst ist kurz, und die Modellkarte gibt ihn direkt an: vllm serve microsoft/AesCode-8B --limit-mm-per-prompt image=2 --max-model-len 24576, mit transformers 4.57 oder neuer für den Nicht-vLLM-Weg sowie einem Python-Snippet, das ein optionales Referenzbild vor dem Text-Prompt akzeptiert.

Die Rechnung, die Sie selbst anstellen müssen, ist die Speicherberechnung. 17,5 GB bf16-Gewichte müssen zusammen mit einem KV-Cache für einen Kontext von 24.576 Token und bis zu zwei Bilder Platz finden, daher reicht eine einzelne 24-GB-Karte technisch für die Gewichte aus und ist für alles andere unangenehm knapp; 40-48 GB oder zwei 24-GB-Karten sind die realistische Untergrenze. Der 32B-Begleiter ist ein Problem ganz anderer Größenordnung — seine Shards summieren sich auf 66,7 GB, daher braucht er Tensor-Parallelität und einen Multi-GPU-Knoten. Planen Sie außerdem einen Renderer ein: Das Modell gibt ein vollständiges HTML-Dokument aus, und jede Qualitätsaussage über das Modell wird getroffen, indem dieses Dokument gerendert wird. Das Bewerten Ihrer eigenen Ausgaben bedeutet also, Playwright mit blockierten externen Anfragen aufzusetzen.

Du musst zur Inferenzzeit kein Referenzbild generieren – genau das erkaufst du dir mit dem Ergebnis von 1,00 Punkten –, aber die Dokumentation ist eindeutig, dass die Qualität immer noch am höchsten ist, wenn eines bereitgestellt wird, also ist die ehrliche Einrichtung referenzoptional statt referenzfrei.

AesCode-8B ist nichts, was OrcaRouter routet, und wir konnten es auch nirgendwo sonst gehostet finden, eine Evaluierung bedeutet derzeit also Gewichte auf Ihrer eigenen Hardware. Sein Backbone ist eine andere Geschichte. Qwen3-VL-8B-Instruct ist heute über OrcaRouter routbar, für 0,18 $ pro Million Input-Tokens und 0,70 $ pro Million Output-Tokens, mit einem Kontext von 131.072 Tokens — was es zum günstigen Weg macht, zu sehen, was die untuned Version dieser Architektur mit Ihren eigenen Infografik-Prompts anstellt, bevor Sie eine GPU-Woche damit verbringen, das Rezept von jemand anderem nachzubauen. OrcaRouter gibt den Listenpreis der Anbieter mit 0 % Aufschlag weiter und wechselt bei Ausfällen automatisch zwischen Anbietern, sodass dieser Vergleich einen Schlüssel und keinen zweiten Vertrag kostet; sollte AesCode-8B jemals bei einem Anbieter landen, den wir routen, steht es am selben Tag im Katalog. Und wenn Sie es selbst hosten, sind die Modelle, auf die Sie in der Produktion zurückfallen würden, genau die, die bereits hinter diesem einen Endpunkt stehen — was die vernünftige Haltung für ein still veröffentlichtes Modell ohne jede unabhängige Evaluierung ist.

Was zu sehen

Zwei Dinge – und keines davon ist eine weitere Benchmark-Tabelle.

Das Erste ist das Paper. „AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards“ wird als für 2027 unter Begutachtung stehend zitiert, was eher wie ein in einen BibTeX-Eintrag getippter Platzhalter denn wie ein Zeitplan wirkt. Bis ein Preprint oder eine druckreife Fassung erscheint, ist die obige Erklärung des Reward-Kanals eine Zusammenfassung eines Abstracts, den niemand außerhalb des Labors lesen kann – und die interessanten Fragen, etwa wie die Visual Graph Rubric mit einem Designgraphen umgeht, der selbst falsch ist, werden erst im Volltext beantwortet.

Der zweite Punkt ist das Hosting. Ein 8,8B-Apache-2.0-Modell, das strukturiertes, verifizierbares HTML ausgibt, hat genau die Form, die eine Plattform aufgreift, weil sich die Ausgabe auf eine Weise überprüfen lässt, wie es bei einem JPEG nicht möglich ist. Sobald jemand es bereitstellt, ist dies keine Entscheidung für Selfhosting mehr, sondern eine Routing-Entscheidung — und der Kostenvergleich dreht sich nicht mehr um GPU-Stunden.

Was man nicht erwarten sollte, ist ein eindeutiges Urteil. Style ist die Obergrenze für jedes System in dieser Tabelle, einschließlich dieses Systems, und Style ist die einzige Dimension, die fragt, ob ein Mensch die Seite unverändert ausliefern würde. Die vertretbare Lesart von AesCode-8B ist eng und zutreffend: Es ist sehr gut in den Teilen des visuellen Designs, die sich maschinell prüfen lassen, es ist mittelmäßig in dem Teil, der sich nicht prüfen lässt, und es ist das erste Open-Weight-Modell in dieser Nische, bei dem die Kluft zwischen diesen beiden Dingen der Punkt des Ganzen ist und nicht ein Zufall daran.