AesCode 32B vs North Mini Code: El archivo de pesos no es el compromiso

Ambos modelos son Apache 2.0, ambos son descargables y ambos fueron creados para una tarea acotada —y ahí es donde el parecido deja de ser útil. AesCode 32B es el checkpoint de investigación de Microsoft para generar HTML y CSS editables: diapositivas, pósteres, paneles e informes. Su repositorio de Hugging Face se creó el 29 de septiembre de 2026 y el commit titulado "Release AesCode-32B" se publicó el 7 de octubre de 2026; Microsoft no ha publicado ningún anuncio, y la tarjeta del modelo no incluye ninguna fecha de lanzamiento en absoluto. North Mini Code es el modelo de codificación agéntico de pesos abiertos de Cohere, una mezcla de expertos de 30B con 3B de parámetros activos, lanzado en junio de 2026, orientado a la ingeniería de software y al trabajo en terminal. La forma obvia de compararlos es mediante benchmarks, y no funciona, porque nunca se ha medido a los dos en la misma tarea y solo a uno de ellos lo ha medido alguien ajeno a su propio laboratorio. La comparación que sí funciona —la que decide si realmente puedes ejecutar cualquiera de los dos— es el archivo de pesos.

Dos puntos de control, dos facturas muy diferentes

Este es el eje que la mayoría de las comparaciones se salta y, para dos modelos autoalojados, es el eje que más importa.

• Parámetros — AesCode 32B: 33B, denso. North Mini Code: 30B en total, 3B activos, mezcla de expertos.

• Memoria para ejecutarlo — AesCode 32B: la ficha recomienda prever unos 65 GB de memoria de acelerador solo para los parámetros en bf16. North Mini Code: cuantizado, con unos 20–24 GB es suficiente, y las implementaciones de referencia incluyen un Mac Studio.

• Perfil de servicio — AesCode 32B: un modelo de visión y lenguaje, por lo que la ruta de servicio transporta tanto imágenes como texto, y su propio ejemplo utiliza paralelismo de tensores de cuatro vías. North Mini Code: texto de entrada, texto de salida; las pruebas de referencia utilizaron una única herramienta de terminal.

• Licencia — ambas Apache 2.0, pesos incluidos. Esta fila es un empate y no es el diferenciador que la gente cree que es.

• Contexto — AesCode 32B: 24.576 tokens en la configuración reportada, con prompts y respuestas durante el entrenamiento limitados a 8.192. North Mini Code: 256K de entrada, 64K de salida.

• Qué emite — AesCode 32B: un documento HTML completo, tablas como tablas HTML y gráficos como especificaciones de ECharts. North Mini Code: cualquier texto o llamada a herramienta que el arnés haya solicitado.

• Evaluación independiente — AesCode 32B: no se ha publicado ninguna; todas las cifras son de Microsoft. North Mini Code: obtuvo puntuación en Artificial Analysis, que además señaló su verbosidad.

Lee la segunda fila dos veces. Un modelo denso de visión-lenguaje de 32B que requiere 65 GB y paralelismo de cuatro vías es una decisión de adquisición distinta de la de un MoE con 3B activos que cabe, cuantizado, en una estación de trabajo. Si tu razón para considerar pesos abiertos era «queremos esto en nuestro propio hardware», esa fila es la mayor parte de la respuesta antes de que ejecutes un solo prompt.

La licencia no es la razón para elegir ninguna de las dos.

Casi todas las comparaciones entre modelos de pesos abiertos comienzan por la licencia, y aquí eso es un callejón sin salida: ambos son Apache 2.0, ambos entregan los pesos completos y ninguno conlleva una restricción de uso que detendría un despliegue comercial. No hay cláusula de intercambio de datos que sopesar frente a un descuento, ni nivel de contribuidor, ni excepción por campo de uso. Sea cual sea el criterio por el que elijas entre estos dos, no es una cuestión de permiso.

Lo que queda después de quitar la licencia de la ecuación es aquello para lo que el modelo fue entrenado, y estos dos se entrenaron en direcciones opuestas.

Uno fue entrenado en una terminal, el otro en un lienzo.

La ficha de modelo de North Mini Code declara su objetivo sin rodeos: generación de código, ingeniería de software con agentes y tareas de terminal. Cohere lo entrenó con varios arneses de agentes —SWE-Agent, mini-SWE-Agent, OpenCode, Terminus 2— específicamente para que funcione dentro del que ya uses, y lo evaluó en SWE-Bench Verified, SWE-Bench Pro, Terminal-Bench v2 y Terminal-Bench Hard. Su debilidad publicada es real y la encontró un evaluador externo, no fue el proveedor quien la reveló por iniciativa propia: emite aproximadamente tres veces los tokens de salida de la mediana de su clase de tamaño. Los modelos verbosos escriben trayectorias de agente largas, y las trayectorias largas son lo que pagas una vez que terminan los precios promocionales.

AesCode 32B se entrenó con algo totalmente distinto, y la ficha es inusualmente clara en que el objetivo es el artefacto. El sentido mismo del diseño es que un modelo de código no puede ver cómo se combinan la disposición, la jerarquía y el color sobre un lienzo, así que AesCode utiliza una imagen generada a partir del mismo prompt como referencia estética, manteniendo el prompt como la fuente de verdad para el contenido. La supervisión es un "grafo de diseño" de nodos y aristas, siete canales de recompensa —ejecución, texto, límites, tabla/gráfico, disposición, espacio en blanco, diseño—, seis de ellos verificadores deterministas y uno un juez de visión-lenguaje que trabaja a partir de una rúbrica por muestra. Los candidatos se renderizan en un navegador Playwright en sandbox con las solicitudes externas bloqueadas y se puntúan a partir del DOM, los estilos computados, las cajas delimitadoras y una captura de pantalla.

Esa maquinaria existe para que una cosa sea cierta: la salida es una página renderizada que un humano abrirá y editará, no un parche aplicado a un repositorio. AesCode 32B nunca ha sido entrenado para usar un shell, y nada en el diseño de la recompensa lo recompensaría por intentarlo.

La asimetría de la evidencia, expresada con honestidad

North Mini Code ha sido ejecutado por un tercero. Artificial Analysis le otorga 33,4 en su Coding Index y 27,6 en su Intelligence Index, y publica el hallazgo sobre la verbosidad. La cifra destacada de la propia Cohere —61,0% pass@1 en SWE-Bench Verified— está reportada por el proveedor, pero es verificable con un modelo que cualquiera puede descargar, y la ficha es sincera sobre sus decisiones de arnés, hasta el punto de señalar que para Terminal-Bench Hard siguió la propia metodología de Artificial Analysis para mantener la comparación justa.

AesCode 32B no tiene equivalente. Su evaluación de infografía de 300 muestras, tres generaciones por prompt sin selección, produce un Overall de 85.89 frente a 81.28 de GPT-5.5 y 80.39 de Claude Opus 4.8 — todo medido dentro del arnés de Microsoft, sobre las muestras de Microsoft, con los canales de puntuación con los que Microsoft entrenó el modelo. Existe una posibilidad real de que las cifras sean justas; el diseño es más transparente que la mayoría de las tablas de proveedores, la pila de verificación y el generador de rúbricas son de código abierto, y la tarjeta publica el hecho de que ningún modelo de la comparación supera los 60 en su dimensión de estilo. Pero ningún laboratorio externo ha reproducido nada de esto, y no hay listado en arena, ni posición en la tabla de clasificación, ni prueba de rendimiento independiente. Si un benchmark de proveedor que casualmente favorece el propio benchmark del proveedor —una tarea de infografía— tiene mucho peso en tu decisión, se te está pidiendo que aceptes la única lectura disponible.

Ten en cuenta lo que esto significa específicamente para esta comparación: no hay ningún número compartido. Ninguno. A un modelo se le puntúa en función de si supera tareas de ingeniería de software; al otro, en función de si el texto es legible y el diseño no se desborda del lienzo. Cualquier página que ponga 33.4 junto a 85.89 está comparando un Coding Index con una puntuación general de infografía, y ninguno de los dos modelos sabe sobre qué se evaluó al otro.

Ninguno de los dos es un modelo de propósito general, y ese es el verdadero costo.

Aquí está la trampa en ambas mitades de esta comparación. Adoptar cualquiera de los dos modelos implica mantener una ruta de servicio autoalojada para un especialista: 65 GB de VRAM y una pila multimodal para el que renderiza páginas; una ranura para un MoE con 3B activos para el que se encarga de tareas de terminal. Ambos son buenos en su trabajo y ninguno puede hacer el del otro, lo que significa que un equipo que quiere ambas capacidades ahora tiene dos despliegues de inferencia en funcionamiento —y para todo lo que queda en medio, el modelo que no es ni un renderizador de páginas ni un agente de terminal, ejecutan un tercer despliegue.

Ese es el caso en el que una capa de enrutamiento se gana su lugar en lugar de ser un añadido. Una clave sobre más de 200 modelos al precio de lista del proveedor, sin recargo, significa que el trabajo especializado se queda en tu propio hardware, donde la economía y el manejo de los datos tienen sentido, y el trabajo rutinario va a cualquier modelo alojado que sea el mejor para ello esa semana. La familia backbone Qwen3-VL es un buen ejemplo de lo delgada que se vuelve la línea: Microsoft construyó AesCode 32B sobre Qwen3-VL-32B-Instruct, y los miembros de visión-lenguaje de esa familia se pueden invocar en el catálogo de OrcaRouter — Qwen3-VL 235B A22B Instruct a $0,40 por millón de tokens de entrada y $1,60 de salida, o el más pequeño Qwen3-VL 8B Instruct a $0,18 y $0,70. Ninguno de esos es AesCode 32B: el fine-tune es de Microsoft y ningún proveedor lo sirve. Pero si lo que querías de AesCode 32B era un modelo que lee una captura de pantalla y escribe código, y no necesitabas específicamente el fine-tune de diseño estético, la opción invocable existe y cuesta una fracción de la GPU. El failover automático bajo el mismo endpoint es la diferencia entre probar eso y apostar una ruta de producción a ello.

Cómo decidir realmente

Quita la licencia de la mesa primero, porque es un empate y no va a decidir nada.

Luego pregunta qué quieres que sea el resultado. Si la respuesta es una página renderizada y editable — una presentación, un informe, un panel — North Mini Code no puede ayudarte y AesCode 32B es el único de los dos que apunta al problema. Entra con los ojos bien abiertos sobre los 65 GB, el contexto de 24K, la ausencia de evaluación independiente y el hecho de que este es un modelo no anunciado con un número de descargas de dos dígitos. Es un lanzamiento de investigación, y los lanzamientos de investigación recompensan a los equipos que pueden permitirse ser curiosos.

Si la respuesta es un cambio en un repositorio —una migración, una corrección, un trabajo de varios pasos—, North Mini Code es el que tiene el entrenamiento con harness, la ventana de 256K, el perfil de 3B activos y una medición externa tanto de su verbosidad como de su verbosidad. Presupuesta según el recuento de tokens, no la tarifa destacada.

Y si tu lista de cosas por hacer este trimestre incluye tanto un artefacto de diseño como una migración de repositorio, no compres esto como una decisión de dos modelos cuando en realidad es una decisión de seis modelos. Usa el modelo especialista donde merezca la pena y enruta el resto.

El problema del modelo no anunciado

Una última cosa separa a estos dos, y no es técnica. Detrás de North Mini Code hay un proveedor que publicó una ficha de modelo, una entrada de blog, un Space de Hugging Face para probarlo y un rastro documental de la metodología de benchmarks con la que puedes discutir. AesCode 32B tiene un repositorio, un README y una línea de cita que dice «En revisión, 2027». Microsoft no ha dicho que exista.

Eso cambia cuando puedes adoptarlo. Con North Mini Code, la pregunta abierta es si su verbosidad lo hace poco económico a escala — una pregunta que puedes responder ejecutándolo. Con AesCode 32B, la pregunta abierta es qué pretende hacer Microsoft con él: si esto es un artefacto de investigación, el primer lanzamiento de una línea de productos, o algo que será reemplazado silenciosamente por una versión de 70B en seis semanas. Nada en el repositorio responde eso, y ninguna cantidad de lectura de la ficha del modelo lo hará. Estate atento a tres señales — un anuncio oficial, una reproducción independiente del 85.89, o un proveedor de inferencia que adopte el checkpoint — y considera la ausencia de las tres como el estado actual de la evidencia en lugar de como una razón por la que el modelo no sea interesante.