AesCode-8B שוחרר בשקט: המודל בעל 8 מיליארד הפרמטרים של מיקרוסופט כותב מצגות ולוחות מחוונים כ-HTML

המספר המעניין ביותר בשחרור החדש של Microsoft הוא 1.00. הסתר את תמונת הייחוס מ־AesCode-8B — מודל בעל 8 מיליארד פרמטרים שכותב שקופיות, פוסטרים ולוחות מחוונים כ-HTML ו-CSS ניתנים לעריכה — והציון שלו יורד בנקודה אחת מתוך 100. הסתר את אותה תמונת ייחוס מ־Qwen3-VL-8B-Instruct, המודל בעל המשקולות הפתוחות שממנו כוונן AesCode-8B, והנפילה היא 19.55 נקודות. מ־GPT-5.5 הוא 10. ההשוואה האחת הזו היא המקום שבו נמצא המחקר האמיתי, והיא נמצאת מתחת לכותרת ש-Microsoft גם מציגה: במבחן 300 הדגימות שלה, הציון הכולל של AesCode-8B, 82.94, עוקף את GPT-5.5 המותנה בייחוס עם 80.39 ואת Claude Opus 4 עם 78.33, כשלאח גדול יותר, AesCode-32B, מוביל.

שום דבר על השחרור הזה לא הוכרז. מיקרוסופט העלתה את המשקולות ל-Hugging Face ב-2026-10-07 תחת Apache 2.0 — AesCode-8B בתוספת דגם נלווה 32B שנבנה באותה דרך מ-Qwen3-VL-32B-Instruct — ודחפה את קוד האימון וההערכה ל-GitHub למחרת. אין פוסט בבלוג של Microsoft Research, אין הערת שחרור, אין דף מוצר ואין טרום-פרסום: הציטוט בכרטיס המודל הוא "Under review", שנת 2027, שהוא ממלא מקום ולא תאריך. נכון ל-2026-10-11, מאגר ה-8B מציג שתי הורדות ולייק אחד; מאגר ה-GitHub מציג כוכב אחד. כל מה שלהלן שנושא מספר הוא או חתימת זמן שאתם יכולים לאמת בעצמכם או נתון שמיקרוסופט דיווחה על מערך ההערכה שלה — וההבחנה הזו חשובה כאן יותר מהרגיל, משום שאף חלק מהמודל הזה לא נמדד על ידי אף אחד אחר.

מה נשלח, ומה לא נמצא בקופסה

שלושה תאריכים מגדירים את המהדורה הזו, והם התאריכים היחידים בה. מאגר Hugging Face עבור microsoft/AesCode-8B נוצר ב-2026-09-29, המשקלים הועלו תחת ההודעה "Release AesCode-8B" בשעה 03:35 UTC ב-2026-10-07, ומאגר הקוד microsoft/AesCode הפך לציבורי למחרת, 2026-10-08 בשעה 23:14 UTC. משקלי 32B הגיעו באותו חלון קומיט. שום דבר בין לבין לא הוכרז בשום מקום.

• משקלים — ארבעה שברי safetensors בסך כולל של 17,543,339,408 בייט, שהם בקירוב 8.8 מיליארד פרמטרים ב-bf16. מיקרוסופט מתייגת את המודל כ-8B; שדה הגודל של Hugging Face מעגל אותו ל-9B. זהו עיגול, לא אי-התאמה.

• ארכיטקטורה — כיוונון עדין ישיר של מתכון Qwen3-VL: Qwen3VLForConditionalGeneration, 36 שכבות נסתרות, גודל נסתר 4,096, 32 ראשי קשב עם 8 ראשי מפתח-ערך, אוצר מילים של 151,936 טוקנים ומיקומי mrope משולבים. הוא דורש transformers 4.57 ואילך.

• הקשר והפלט — הריצות המדווחות השתמשו בהקשר של 24,576 טוקנים עם עד 12,000 טוקני פלט, שנוצרו בטמפרטורה 0.8 וב-top-p 0.95 על פני שלושה רולאאוטים לכל פרומפט, ללא בחירה. פקודת ההגשה של vLLM מאפשרת שתי תמונות לכל פרומפט: תמונת הייחוס, ושום דבר אחר, מפני שהפלט הוא טקסט.

• רישיון — Apache 2.0, המתואר ככזה שעוקב אחר עמוד השדרה של Qwen3-VL. מתירני לחלוטין, ללא הגבלת גישה, ללא נספח שימוש מקובל.

• לא כלול בחבילה — נתוני האימון וההערכה. המאגר מספק את הצינור ומתעד את הקלט והפלט הצפויים, ומזכיר את קובצי החלוקה שהוא מצפה להם, אך אין שום אזכור לשחרור מערך נתונים, לא בכרטיס המודל ולא במאגר הקוד. אתה מקבל את המתכון, לא את המרכיבים.

• גם לא כלול בחבילה — שום נקודת קצה מתארחת. לא הצלחנו למצוא API שמשרת את AesCode-8B בשום מקום, והוא אינו בקטלוג שלנו. עד שספק יאמץ אותו, הערכתו משמעה טעינת משקולות על ה-GPU שלכם.

המסגור שבו משתמשת Microsoft ראוי לציטוט, כי הוא הבריף העיצובי כולו: מודלים של קוד "לא יכולים לראות כיצד פריסה, היררכיה וצבע מתחברים על הקנבס", בעוד שמחוללי תמונות "יכולים להרכיב דפים מרשימים חזותית אך לעיתים קרובות מציגים באופן שגוי טקסט, מספרים וקשרים לוגיים". AesCode הוא הניסיון לקחת את חוש הקומפוזיציה מאחד ואת יכולת האימות מהאחר.

התוצאה של 1.00 נקודה, מוסברת

הנה המנגנון שמאחורי המספר בפסקה הראשונה. במהלך האימון, כל פרומפט משויך לתמונת ייחוס שנוצרה מאותו פרומפט. בהרצות של OpenAI עצמה השתמשו ב-GPT-Image-2 עבור התמונה וב-GPT-5.5 כדי להרחיב לפרומפט מפורט. לתמונת הייחוס אין סמכות תוכן; הפרומפט הוא מקור האמת. מה שתמונת הייחוס מספקת הוא פריסה וסגנון, ופונקציית התגמול בנויה כך שתשמור על שני הדברים האלה נפרדים.

ההשלכה היא שהפריור החזותי מגיע בסופו של דבר למדיניות ולא לקלט. AesCode-8B מאבד 1.00 נקודת Visual כאשר ההפניה מוסרת בעת ההסקה. עמוד השדרה שלה עצמו, המוערך כשהוא מותנה בהפניה ב-44.72 Visual, מאבד 19.55 נקודות בלעדיה. GPT-5.5 מאבד 10.04. הגרסה המזוקקת של זה: המודל הפסיק להזדקק לתמונה.

המחצית השנייה של התוצאה היא זו שקל לפספס. מיקרוסופט מדווחת שתגמולים מבוססי רפרנס העלו את Visual במצב פרומפט בלבד מ-25.17 ל-69.71 — המודל שלעולם אינו רואה רפרנס בזמן אינפרנס עדיין מפיק תועלת מכך שאומן מולם. אם תכננתם לדלג על שלב יצירת הרפרנסים בפייפליין שלכם, זה המספר שאומר שגם באימון אין טעם לדלג עליו.

ההסתייגות הכנה בכל זה: זוהי הרובריקה של Microsoft, על 300 דוגמאות האינפוגרפיקה של Microsoft, עם ניקוד שלוש פעמים לכל פרומפט וללא ברירה סלקטיבית. חצי מהניקוד מגיע ממאמתים דטרמיניסטיים, שכל אחד יכול לשחזרם; החצי השני, ממדי רשימת הבדיקה, נשפט על ידי מודל שפה-ראייה שהתיעוד אינו נוקב בשמו. לא ניתן לשחזר את החצי השני בלי לדעת איזה שופט הפיק אותו.

איפה הטעם נכנס למשקלים

שיטת האימון היא החלק בגרסה הזו שיש בו את הרעיונות הניתנים להעברה הרבים ביותר, והיא מכנית יותר ממה שהפלט מרמז.

• הכול הוא בראש ובראשונה גרף. כל יעד מיוצג כגרף עיצוב: צמתים לטקסט, תרשימים, טבלאות, כרטיסים, אזורים ומשבצות תמונה, וקשתות להכלה, יישור, סדר וחיבור. מטרת הגרף היא ייחוס — כל מאפיין על הקנבס שייך לרכיב בעל שם, כך שכל מאפיין יכול לקבל ציון בפני עצמו.

• שבעה ערוצי תגמול. שישה מאמתים דטרמיניסטיים בודקים את הדברים הניתנים לפענוח — ביצוע, טקסט מדויק, גבולות, נתוני טבלאות ותרשימים, פריסה סמנטית, רווחים — ורובריקת גרף חזותי (Visual Graph Rubric) המותאמת לדגימה, הבנויה כשאלות כן/לא הקשורות לגרף בנוגע לגאומטריה ולמיקום, נותנת ציון לשאר. הערוצים הם ביצוע, טקסט, גבול, טבלה-תרשים, פריסה, רווחים ועיצוב.

• הערוצים מנורמלים לפני שהם משולבים.GDPO מנרמל כל ערוץ בתוך קבוצת ה-rollout שלו, כך שאות סמיך מבוסס-כללים לא יכול להטביע את האות החזותי הדליל. Microsoft מודדת זאת ב-5.12 Visual points מעל GRPO סקלרי רגיל עם אותן הגדרות — דיווח ספק, אבל אבלציה קונקרטית ולא הצהרה גרידא.

• הניקוד מתבצע על ידי רינדור. HTML של המועמד מרונדר בדפדפן Playwright בארגז חול עם בקשות חיצוניות חסומות, ורתמת הבדיקה קוראת בחזרה את ה-DOM, הסגנונות המחושבים, תיבות התיחום, מצב המסוף וצילום מסך. טבלאות חייבות להיות טבלאות HTML; תרשימים חייבים להיות מפרטי ECharts. האילוץ הזה עושה עבודה אמיתית — הוא כופה על הפלט צורה שמאמת יכול לנתח.

• המתכון עצמו. כיוונון עדין מפוקח עם התחלה קרה על 3,000 הדגמות בקצב למידה של 1e-5, לאחר מכן GDPO על 7,408 פרומפטים במשך 400 צעדים על המנוע ההיברידי FSDP-vLLM של verl, ללא קריטיק וללא מודל תגמול שאומן בנפרד. AdamW בקצב קבוע של 5e-6, ללא חימום, דעיכת משקל 0.01, 128 פרומפטים בכל צעד עם 8 רולאאוטים בכל אחד, מקדמי KL ואנטרופיה שניהם 0.001, הפרומפט והתגובה מוגבלים כל אחד ל-8,192 טוקנים. ההרצות שפורסמו השתמשו בצומת אחת עם שמונה NVIDIA B200s. AesCode-32B משתמש באותו מתכון במשך 520 צעדים.

בקריאה כמכלול, זהו מאמר לעיצוב תגמולים שלובש תחפושת של השקת מודל — וזה עולה בקנה אחד עם כך שהציטוט מצוין כ״בתהליך סקירה״ ולא מפנה לטרום־פרסום.

לוח התוצאות, ומי ערב לו

כל האמור להלן הוא הערכה של מיקרוסופט עצמה, כפי שדווחה בכרטיס המודל, על 300 דגימות אינפוגרפיות. Rule ממצע את הבדיקות התוכנתיות Text, Bound ו-Chart; Visual ממצע את ממדי רשימת התיוג Content, Layout ו-Style; Overall הוא הממוצע של השניים. הציונים הם אחוזים שממוצעים על פני שלוש הפקות לכל פרומפט, ללא בחירה. "Ref." מסמן אם למודל ניתן רפרנס שנוצר לצד הפרומפט.

• AesCode-8B עם ייחוס — טקסט 94.06, גבול 88.36, תרשים 87.79, כלל 90.07; תוכן 86.41, פריסה 87.80, סגנון 53.21, חזותי 75.80; סה"כ 82.94.

• לעומת עמוד השדרה של עצמו — Qwen3-VL-8B-Instruct המותנה בהפניה מקבל ציון חזותי 44.72 וציון כולל 51.93. זהו שיפור של 31.1 נקודות בציון החזותי ושל 31.0 נקודות בציון הכולל, וזו ההשוואה הפחות מפתיעה בטבלה, שכן כל מטרת האימון היא החצי החזותי.

• מול GPT-5.5, מותנה בהפניה — סה״כ 81.28, תוכן 82.44, פריסה 89.93 וסגנון 57.91.

• מול Claude Opus 4.8, מותנה בהתייחסות — ציון כולל 80.39, תוכן 86.42, פריסה 89.76.

• AesCode-32B, מותנה בייחוס — טקסט 95.34, גבול 97.27, תרשים 90.37, כלל 94.33, פריסה 90.58, ויזואלי 77.44, סך הכל 85.89. 22.4 נקודות של ויזואלי מעל עמוד השדרה 32B של עצמו.

• תקרת ה-Style — אף מודל בטבלה לא עובר את ה-60, וה-57.91 של GPT-5.5 הוא הטוב שבהם. AesCode-8B עומד על 53.21. ההגדרה של מיקרוסופט עצמה אינה סלחנית: Style מזכה עיצוב רק כשהוא אינו זקוק לתיקון חזותי נוסף לפני מסירה. לכן בממד היחיד שמודד אם אדם היה באמת שולח את העמוד ללא עריכה, מודל ה-8B אינו המוביל.

• כשלי גבולות — כשל חמור של גלישת קנבס חוזר ב-4.3% מתוך 300 הדגימות, לעומת 34.7% אצל GPT-5.5. גלישה היא אופן הכשל שהופך את ה-HTML שנוצר לבלתי שמיש ולא רק למכוער.

עכשיו החלק שחשוב לא פחות מהטבלה. כל נתון לעיל מדווח על ידי הספק ואינו משוחזר. AesCode-8B אינו מופיע באף לוח דירוג עצמאי שהצלחנו למצוא, וההשוואה מול GPT-5.5 ו-Claude Opus 4.8 נערכת לפי המחוון של מיקרוסופט, במשימה שאותם מודלים לא כווננו עבורה, עם הגדרה של "Layout" שמתגמלת יצירת עמוד בכלל. ציון Text של 94.06 לא אומר שהמודל הזה גובר על GPT-5.5 בטקסט. הוא אומר שהוא ממקם תוויות בלי לסתור את הפרומפט בעמודי אינפוגרפיקה, וזו טענה קטנה בהרבה. תוצאת ה-Style היא הסימן המסגיר שהמחוון אינו מכור לטובת AesCode — הניצחון הגדול ביותר בלוח התוצאות מגיע כשהמספר הכי לא מחמיא יושב ממש לצידו.

מה מאומת, ומה לא

מכיוון שזה יצא בשקט, כדאי להפריד בין השניים במפורש.

• מאומת — המשקולות קיימות וניתנות להורדה תחת Apache 2.0; שתי חותמות הזמן של השחרור נמצאות במאגרים; הארכיטקטורה, מספר הפרמטרים, אורך ההקשר והגדרות הדגימה נמצאים כולם בקונפיג ובכרטיס המודל שפורסמו; מתכון האימון ועיצוב התגמול מתועדים בפירוט מספיק כדי להתווכח איתם; הקוד, מחסנית המאמת ובונה הרובריקה פומביים; קיים מודל נלווה 32B.

• לא מאומת — אף אחד מנתוני הבנצ'מרק, בידי מי שאינו הספק. המאמר, שהתיעוד עצמו מתאר כמצוי בבדיקה. זהותו של השופט החזותי-לשוני שמאחורי החצי החזותי של הציונים. האם ספק כלשהו יארח אותו. האם ההקשר של 24,576 טוקנים מחזיק מעמד במצגות אמיתיות מרובות שקופיות, מאחר שההערכה המדווחת היא על עמודי אינפוגרפיקה בודדים. וכל דבר בכלל על התנהגות מחוץ לאנגלית — תג השפה בכרטיס המודל הוא "en" בלבד.

אם אתה רוצה להריץ אותו, ומה זה עולה

Qwen3-VL-8B-Instruct — המודל שממנו עבר AesCode-8B כיוונון עדין, וההשוואה הבודדת החזקה ביותר הזמינה עד שמישהו יפרסם תוצאת AesCode עצמאית — הוא עניין אחר:

מסלול ההגשה של AesCode-8B עצמו קצר, וכרטיס המודל מספק אותו ישירות: vllm serve microsoft/AesCode-8B --limit-mm-per-prompt image=2 --max-model-len 24576, עם transformers 4.57 או חדש יותר עבור המסלול שאינו vLLM, וקטע קוד Python שמקבל תמונת ייחוס אופציונלית לפני הנחיית הטקסט.

החשבון שעליכם לעשות בעצמכם הוא הזיכרון. 17.5 GB של משקולות bf16 צריכים להיכנס לצד מטמון KV עבור הקשר של 24,576 טוקנים ועד שני תמונות, כך שכרטיס בודד של 24 GB מספיק מבחינה טכנית עבור המשקולות אבל צפוף באופן לא נוח עבור כל השאר; 40-48 GB, או שני כרטיסי 24 GB, הם הרף המינימלי. ה-companion של 32 הוא סדר גודל שונה של בעיה — המקטעים שלו מסתכמים ל-66.7 GB, ולכן הוא דורש מקביליות טנזורית וצומת multi-GPU. תקצבו גם רנדרר: המודל פולט מסמך HTML שלם, וכל טענת איכות לגביו נעשית על ידי רינדור של אותו מסמך, כך שדירוג הפלטים שלכם בעצמכם פירושו להקים את Playwright כשבקשות חיצוניות חסומות.

אין צורך ליצור תמונת ייחוס בזמן הסקה — זה בדיוק מה שתוצאת 1.00 הנקודות קונה לך — אבל בתיעוד כתוב בבירור שהאיכות עדיין גבוהה ביותר כשמספקים אחת, כך שההגדרה הישרה היא אופציונלית מבחינת ייחוס ולא נטולת ייחוס.

AesCode-8B אינו משהו ש-OrcaRouter מנתב, וגם לא הצלחנו למצוא אותו מתארח בשום מקום אחר, כך שהערכה כרגע משמעה משקולות על החומרה שלכם. עמוד השדרה שלו הוא סיפור אחר. Qwen3-VL-8B-Instruct ניתן לנתב אותו דרך OrcaRouter היום במחיר של $0.18 למיליון טוקנים בקלט ו-$0.70 למיליון בפלט, עם חלון הקשר של 131,072 טוקנים — מה שהופך אותו לדרך הזולה לראות מה עושה הגרסה הלא-מכווננת של הארכיטקטורה הזו על פרומפטים האינפוגרפיים שלכם, לפני שאתם מבזבזים שבוע GPU על שחזור המתכון של מישהו אחר. OrcaRouter מעביר הלאה את מחיר המחירון של הספק עם 0% תוספת ועובר אוטומטית בין ספקים בעת כשל, כך שההשוואה הזו עולה מפתח אחד ובלי חוזה שני; אם AesCode-8B יגיע אי-פעם לספק שאנחנו מנתבים, הוא יהיה בקטלוג באותו יום. ואם בכל זאת תארחו אותו בעצמכם, המודלים שאליהם תחזרו בפרודקשן הם אלה שכבר נמצאים מאחורי נקודת הקצה האחת הזו — וזו העמדה הסבירה עבור מודל שיצא בשקט עם אפס הערכה עצמאית.

מה לצפות

שני דברים, ואף אחד מהם אינו עוד טבלת בנצ׳מרק.

הראשון הוא המאמר. "AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards" מצוטט כנמצא בבדיקה לקראת 2027, מה שנשמע כמו מציין מקום שהוקלד ברשומת BibTeX ולא כלוח זמנים. עד שיופיע טרום-פרסום או גרסה מוכנה להדפסה, ההסבר על ערוץ התגמול שלמעלה הוא סיכום של תקציר שאיש מחוץ למעבדה לא יכול לקרוא — והשאלות המעניינות, כמו איך Visual Graph Rubric מתמודד עם גרף עיצוב שהוא עצמו שגוי, נענות רק בטקסט המלא.

השני הוא אירוח. מודל 8.8B Apache-2.0 שמפיק HTML מובנה וניתן לאימות הוא בדיוק הצורה שפלטפורמה מאמצת, מפני שאת הפלט ניתן לבדוק באופן שתמונת JPEG לא מאפשרת. ברגע שמישהו מגיש אותו כשירות, זו מפסיקה להיות החלטת אירוח עצמי והופכת להחלטת ניתוב — והשוואת העלויות מפסיקה להיות על שעות GPU.

הדבר שלא צריך לצפות לו הוא הכרעה נקייה. Style הוא התקרה עבור כל מערכת בטבלה ההיא, כולל זו, ו-Style הוא הממד היחיד ששואל אם אדם היה משיק את העמוד כפי שהוא. הקריאה שניתן להגן עליה של AesCode-8B היא צרה ואמיתית: הוא טוב מאוד בחלקים של עיצוב חזותי שאפשר לבדוק במכונה, הוא בינוני בחלק שאי אפשר, והוא המודל הראשון במשקולות פתוחות בנישה הזו שבו הפער בין שני הדברים האלה הוא עיקר השחרור ולא מקרה אגבי שלו.