AesCode-8B diluncurkan secara senyap: model 8B Microsoft menulis slide dan dasbor sebagai HTML

Angka paling menarik dalam rilis baru Microsoft adalah 1,00. Tahan gambar referensi dari AesCode-8B — model 8 miliar parameter yang menulis slide, poster, dan dasbor sebagai HTML dan CSS yang dapat diedit — dan skor visualnya turun satu poin dari seratus. Tahan referensi yang sama dari Qwen3-VL-8B-Instruct, model berbobot terbuka yang menjadi dasar fine-tuning AesCode-8B, dan penurunannya adalah 19,55 poin. Dari GPT-5.5 penurunannya 10,04. Perbandingan itulah tempat hasil penelitian yang sebenarnya berada, dan letaknya di bawah judul yang juga diterbitkan Microsoft: pada rubrik 300 sampelnya sendiri, skor keseluruhan AesCode-8B sebesar 82,94 sedikit mengungguli GPT-5.5 yang dikondisikan referensi pada 81,28 dan Claude Opus 4.8 pada 80,39, dengan saudara yang lebih besar, AesCode-32B, pada 85,89.

Tidak ada apa pun tentang rilis ini yang diumumkan. Microsoft meng-commit bobotnya di Hugging Face pada 2026-10-07 dengan lisensi Apache 2.0 — AesCode-8B plus pendamping 32B yang dibangun dengan cara yang sama dari Qwen3-VL-32B-Instruct — dan mengunggah kode pelatihan serta evaluasinya ke GitHub pada hari berikutnya. Tidak ada posting blog Microsoft Research, tidak ada catatan rilis, tidak ada halaman produk, dan tidak ada pracetak: kutipan di kartu model berbunyi "Under review", tahun 2027, yang merupakan placeholder, bukan tanggal. Per 2026-10-11, repositori 8B menunjukkan dua unduhan dan satu suka; repositori GitHub menunjukkan satu bintang. Semua hal di bawah ini yang memuat angka adalah entah stempel waktu yang dapat Anda verifikasi sendiri atau angka yang dilaporkan Microsoft tentang kumpulan evaluasinya sendiri — dan perbedaan itu lebih penting daripada biasanya di sini, karena tidak ada bagian dari model ini yang telah diukur oleh pihak lain.

Apa yang sudah dirilis, dan apa yang tidak ada dalam kotak

Tiga tanggal menentukan rilis ini, dan itulah satu-satunya tanggal di dalamnya. Repositori Hugging Face untuk microsoft/AesCode-8B dibuat pada 2026-09-29, bobotnya dikomit dengan pesan "Release AesCode-8B" pada 03:35 UTC tanggal 2026-10-07, dan microsoft/AesCode repositori kode menjadi publik keesokan harinya, 2026-10-08 pukul 23:14 UTC. Bobot 32B masuk dalam jendela komit yang sama. Tidak ada yang diumumkan di mana pun di sela-sela itu.

• Bobot — empat shard safetensors dengan total 17.543.339.408 byte, yang setara dengan kira-kira 8,8 miliar parameter bf16. Microsoft melabeli model ini sebagai 8B; kolom ukuran di Hugging Face membulatkannya menjadi 9B. Itu pembulatan, bukan selisih.

• Arsitektur — fine-tune langsung dari resep Qwen3-VL: Qwen3VLForConditionalGeneration, 36 lapisan tersembunyi, ukuran tersembunyi 4.096, 32 kepala atensi dengan 8 kepala key-value, kosakata 151.936 token dan posisi mrope berselang-seling. Ini membutuhkan transformers 4.57 atau yang lebih baru.

• Konteks dan keluaran — run yang dilaporkan menggunakan konteks 24.576 token dengan hingga 12.000 token keluaran, dihasilkan pada temperature 0,8 dan top-p 0,95 melalui tiga rollout per prompt tanpa seleksi. Perintah penyajian vLLM memungkinkan dua gambar per prompt: referensi, dan tidak ada yang lain, karena keluarannya adalah teks.

• Lisensi — Apache 2.0, dijelaskan mengikuti tulang punggung Qwen3-VL. Sepenuhnya permisif, tanpa gating, tanpa addendum penggunaan yang dapat diterima.

• Tidak ada di dalam kotak — data pelatihan dan evaluasi. Repositori ini menyertakan pipeline dan mendokumentasikan input serta output yang diharapkan, serta menyebutkan file pemisahan yang diharapkannya, tetapi tidak ada rilis dataset yang dicantumkan baik di model card maupun di repo kode. Anda mendapatkan resepnya, bukan bahannya.

• Juga tidak tersedia secara bawaan — endpoint yang dihosting mana pun. Kami tidak dapat menemukan API yang menyediakan AesCode-8B di mana pun, dan model ini tidak ada dalam katalog kami sendiri. Sampai ada penyedia yang mengadopsinya, mengevaluasinya berarti memuat bobot ke GPU Anda sendiri.

Cara Microsoft membingkai ini layak dikutip karena itulah keseluruhan brief desainnya: model kode "tidak dapat melihat bagaimana tata letak, hierarki, dan warna menyatu di kanvas," sementara generator gambar "menyusun halaman yang memikat secara visual tetapi sering salah merender teks, angka, dan hubungan logis." AesCode adalah upaya untuk mengambil kepekaan komposisi dari yang satu dan kemampuan verifikasi dari yang lain.

Hasil 1,00 poin, dijelaskan

Berikut adalah mekanisme di balik angka pada paragraf pertama. Selama pelatihan, setiap prompt dipasangkan dengan gambar referensi yang dihasilkan dari prompt yang sama — proses internal Microsoft menggunakan GPT-Image-2 untuk gambarnya dan GPT-5.5 untuk memperluas ide singkat menjadi prompt konten yang terperinci. Referensi tersebut tidak memiliki otoritas atas konten; prompt teks tetap menjadi sumber kebenaran. Yang disediakan referensi adalah tata letak dan gaya, dan fungsi reward dibangun untuk menjaga kedua hal itu tetap terpisah.

Konsekuensinya adalah prior visual akhirnya berada di dalam kebijakan, bukan di dalam masukan. AesCode-8B kehilangan 1,00 poin Visual ketika referensi dihapus saat inferensi. Backbone-nya sendiri, yang dievaluasi dengan kondisi referensi pada 44,72 Visual, kehilangan 19,55 poin tanpanya. GPT-5.5 kehilangan 10,04. Versi distilasi dari itu: model tidak lagi membutuhkan gambar.

Paruh kedua hasilnya adalah bagian yang mudah terlewat. Microsoft melaporkan bahwa reward berbasis referensi menaikkan Visual yang hanya menggunakan prompt dari 25,17 menjadi 69,71 — model yang tidak pernah melihat referensi saat inferensi tetap mendapat manfaat karena telah dilatih dengan referensi tersebut. Jika Anda berencana melewatkan langkah pembuatan referensi dalam pipeline Anda sendiri, angka itulah yang mengatakan bahwa sebaiknya Anda juga tidak melewatkannya dalam pelatihan.

Peringatan jujur untuk semuanya: ini adalah rubrik Microsoft, pada 300 sampel infografis Microsoft, dinilai tiga kali per prompt tanpa memilih-milih. Separuh skor berasal dari verifier deterministik, yang bisa direproduksi oleh siapa pun; separuh lainnya, yaitu dimensi daftar periksa, dinilai oleh model visi-bahasa yang identitasnya tidak disebutkan dalam dokumentasi. Anda tidak dapat mereproduksi separuh kedua tanpa mengetahui penilai mana yang menghasilkannya.

Di mana selera meresap ke dalam bobot

Metode pelatihan adalah bagian dari rilis ini dengan gagasan yang paling dapat ditransfer, dan metode ini lebih mekanis daripada yang disiratkan oleh keluarannya.

• Segalanya adalah graf terlebih dahulu. Setiap target direpresentasikan sebagai graf desain: simpul untuk teks, bagan, tabel, kartu, area, dan slot gambar, serta sisi untuk penampungan, perataan, urutan, dan koneksi. Inti dari graf ini adalah atribusi — setiap properti di kanvas dimiliki oleh elemen bernama, sehingga setiap properti dapat dinilai sendiri.

• Tujuh kanal reward. Enam pemverifikasi deterministik memeriksa hal-hal yang dapat diparsing — eksekusi, teks persis, batas, data tabel dan bagan, tata letak semantik, whitespace — dan Visual Graph Rubric yang spesifik untuk sampel, yang dibangun sebagai pertanyaan ya/tidak terikat grafik tentang geometri dan penempatan, menilai sisanya. Kanalnya adalah execution, text, boundary, tablechart, layout, whitespace dan design.

• Kanal-kanal dinormalisasi sebelum digabungkan. GDPO menormalisasi setiap kanal dalam grup rollout-nya, sehingga sinyal padat berbasis aturan tidak dapat menenggelamkan sinyal visual yang jarang. Microsoft mengukur ini pada 5,12 poin Visual dibandingkan GRPO skalar biasa dengan pengaturan yang sama — dilaporkan vendor, tetapi merupakan ablasi yang konkret, bukan sekadar pernyataan.

• Penilaian dilakukan melalui rendering. HTML kandidat dirender di browser Playwright yang di-sandbox dengan permintaan eksternal diblokir, dan harness membaca kembali DOM, gaya terkomputasi, kotak pembatas, status konsol, serta tangkapan layar. Tabel harus berupa tabel HTML; bagan harus berupa spesifikasi ECharts. Batasan itu benar-benar berperan — ini memaksa output ke dalam bentuk yang dapat diurai oleh pemeriksa.

• Resepnya sendiri. Fine-tuning terawasi cold-start pada 3.000 demonstrasi dengan laju pembelajaran 1e-5, lalu GDPO atas 7.408 prompt selama 400 langkah pada mesin hibrida FSDP-vLLM milik verl, tanpa critic dan tanpa model reward yang dilatih secara terpisah. AdamW pada konstanta 5e-6, tanpa warmup, weight decay 0,01, 128 prompt per langkah dengan 8 rollout masing-masing, koefisien KL dan entropi keduanya 0,001, prompt dan respons masing-masing dibatasi pada 8.192 token. Run yang dirilis menggunakan satu node dengan delapan NVIDIA B200s. AesCode-32B menggunakan resep yang sama selama 520 langkah.

Dibaca secara keseluruhan, ini adalah makalah desain reward yang memakai rilis model sebagai kostum — dan itu konsisten dengan sitasi yang berbunyi "Under review" alih-alih menunjuk ke pracetak.

Papan skor, dan siapa yang menjaminnya

Semua yang berikut ini adalah evaluasi Microsoft sendiri, yang dilaporkan dalam kartu model, pada 300 sampel infografis. Rule merata-ratakan pemeriksaan Text, Bound, dan Chart yang terprogram; Visual merata-ratakan dimensi checklist Content, Layout, dan Style; Overall adalah rata-rata dari keduanya. Skor adalah persentase yang dirata-ratakan atas tiga generasi per prompt tanpa seleksi. "Ref." menandai apakah model diberi referensi yang dihasilkan bersama prompt.

• AesCode-8B dengan referensi — Teks 94.06, Batas 88.36, Bagan 87.79, Aturan 90.07; Konten 86.41, Tata letak 87.80, Gaya 53.21, Visual 75.80; Keseluruhan 82.94.

• Dibandingkan dengan backbone-nya sendiri — Qwen3-VL-8B-Instruct yang dikondisikan referensi memperoleh skor Visual 44,72 dan Overall 51,93. Itu berarti kenaikan Visual sebesar 31,1 poin dan kenaikan Overall sebesar 31,0 poin, dan ini adalah perbandingan yang paling tidak mengejutkan dalam tabel, karena inti dari pelatihan ini adalah bagian visualnya.

• Terhadap GPT-5.5, dengan kondisi referensi — Secara keseluruhan 81,28, Konten 82,44, Tata Letak 89,93, dan Gaya 57,91.

• Dibandingkan dengan Claude Opus 4.8, dengan kondisi referensi — Secara keseluruhan 80,39, Konten 86,42, Tata Letak 89,76.

• AesCode-32B, dengan pengondisian referensi — Teks 95,34, Batas 97,27, Diagram 90,37, Aturan 94,33, Tata Letak 90,58, Visual 77,44, Keseluruhan 85,89. Dua puluh dua koma empat poin Visual lebih tinggi daripada backbone 32B-nya sendiri.

• Batas atas Gaya — tidak ada model di tabel yang melewati 60, dan 57,91 milik GPT-5.5 adalah yang terbaik di antara semuanya. AesCode-8B berada di 53,21. Definisi Microsoft sendiri tidak kenal ampun: Gaya hanya memberikan kredit pada sebuah desain jika desain itu tidak memerlukan revisi visual lebih lanjut sebelum pengiriman. Jadi pada satu dimensi yang mengukur apakah manusia benar-benar akan mengirim halaman itu tanpa disunting, model 8B bukan yang terdepan.

• Kegagalan batas — kegagalan luapan kanvas yang parah berulang pada 4,3% dari 300 sampel, dibandingkan dengan 34,7% untuk GPT-5.5. Luapan adalah mode kegagalan yang membuat HTML yang dihasilkan tidak dapat digunakan, bukan sekadar jelek.

Sekarang bagian yang sama pentingnya dengan tabel. Setiap angka di atas dilaporkan oleh vendor dan tidak direproduksi. AesCode-8B tidak muncul di papan peringkat independen mana pun yang bisa kami temukan, dan perbandingan terhadap GPT-5.5 dan Claude Opus 4.8 sedang dijalankan dengan rubrik Microsoft, pada tugas yang model-model itu tidak disetel untuk mengerjakannya, dengan definisi "Layout" yang menghargai sekadar berhasil membuat halaman. Skor Text 94,06 tidak berarti model ini mengalahkan GPT-5.5 pada teks. Ini berarti model ini menempatkan label tanpa bertentangan dengan prompt pada halaman infografis, yang merupakan klaim yang jauh lebih kecil. Hasil Style adalah tanda bahwa rubrik itu tidak dicurangi agar menguntungkan AesCode — kemenangan terbesar di papan skor datang bersama angka paling tidak mengenakkan yang berada tepat di sebelahnya.

Apa yang dikonfirmasi, dan apa yang tidak

Karena ini dirilis secara diam-diam, ada baiknya membedakan keduanya secara eksplisit.

• Terkonfirmasi — bobotnya ada dan dapat diunduh di bawah Apache 2.0; dua stempel waktu rilis ada di repositori; arsitektur, jumlah parameter, panjang konteks, dan pengaturan sampling semuanya ada di config dan kartu model yang dipublikasikan; resep pelatihan dan desain reward didokumentasikan cukup rinci untuk diperdebatkan; kode, stack verifier, dan pembuat rubrik tersedia publik; ada pendamping 32B.

• Belum dikonfirmasi — angka benchmark mana pun, oleh siapa pun selain vendor. Makalahnya, yang oleh dokumentasi itu sendiri disebut masih dalam peninjauan. Identitas penilai vision-language di balik separuh visual dari skor tersebut. Apakah ada penyedia yang akan menghostingnya. Apakah konteks 24.576 token tetap bertahan pada dek multi-slide sungguhan, karena evaluasi yang dilaporkan hanya pada halaman infografis tunggal. Dan apa pun sama sekali tentang perilaku di luar bahasa Inggris — tag bahasa pada kartu model hanya "en".

Jika Anda ingin menjalankannya, dan berapa biayanya

Qwen3-VL-8B-Instruct — model yang menjadi dasar fine-tuning AesCode-8B, dan perbandingan tunggal terkuat yang tersedia sampai seseorang menerbitkan hasil AesCode independen — adalah persoalan yang berbeda:

Jalur penyajian untuk AesCode-8B sendiri singkat, dan kartu model memberikannya secara langsung: vllm serve microsoft/AesCode-8B --limit-mm-per-prompt image=2 --max-model-len 24576, dengan transformers 4.57 atau lebih baru untuk rute non-vLLM, dan potongan kode Python yang menerima gambar referensi opsional sebelum prompt teks.

Perhitungan yang harus Anda lakukan sendiri adalah memori. Bobot bf16 sebesar 17,5 GB harus muat bersama cache KV untuk konteks 24.576 token dan hingga dua gambar, jadi satu kartu 24 GB secara teknis cukup untuk bobotnya dan terasa sempit untuk hal lainnya; 40–48 GB, atau dua kartu 24 GB, adalah batas bawah yang realistis. Pendamping 32B adalah masalah yang berbeda tingkatnya — total shard-nya 66,7 GB, jadi ia memerlukan paralelisme tensor dan node multi-GPU. Sediakan juga renderer: model menghasilkan dokumen HTML lengkap, dan setiap klaim kualitas tentangnya dibuat dengan merender dokumen tersebut, jadi menilai keluaran Anda sendiri berarti menyiapkan Playwright dengan permintaan eksternal diblokir.

Anda tidak perlu menghasilkan gambar referensi pada waktu inferensi — itulah tepatnya yang Anda dapatkan dari hasil 1,00 poin — tetapi dokumentasinya jelas bahwa kualitas tetap paling tinggi ketika gambar referensi disediakan, jadi pengaturan yang jujur adalah referensi opsional, bukan tanpa referensi.

AesCode-8B bukanlah sesuatu yang dirutekan OrcaRouter, dan kami juga tidak dapat menemukannya dihosting di tempat lain, jadi evaluasi saat ini berarti bobot di perangkat keras Anda sendiri. Backbone-nya adalah cerita yang berbeda. Qwen3-VL-8B-Instruct dapat dirutekan melalui OrcaRouter hari ini dengan $0.18 per juta token masukan dan $0.70 per juta token keluaran, dengan konteks 131,072 token — yang menjadikannya cara murah untuk melihat apa yang dilakukan versi tanpa penyetelan dari arsitektur ini pada prompt infografis Anda sendiri sebelum Anda menghabiskan satu minggu GPU untuk mereproduksi resep orang lain. OrcaRouter meneruskan harga daftar penyedia dengan markup 0% dan melakukan failover secara otomatis antar penyedia, sehingga perbandingan itu hanya memerlukan satu kunci dan tidak memerlukan kontrak kedua; jika AesCode-8B suatu saat hadir di penyedia yang kami rutekan, ia akan ada di katalog pada hari yang sama. Dan jika Anda melakukan self-host, model-model yang akan Anda gunakan sebagai cadangan di produksi adalah model-model yang sudah berada di balik satu endpoint itu — yang merupakan sikap yang wajar untuk model yang dirilis secara senyap tanpa evaluasi independen.

Apa yang harus ditonton

Dua hal, dan tidak satu pun merupakan tabel tolok ukur lainnya.

Yang pertama adalah makalahnya. "AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards" dikutip sebagai sedang ditinjau untuk 2027, yang terbaca seperti placeholder yang diketik ke entri BibTeX, bukan jadwal. Sampai pracetak atau camera-ready muncul, penjelasan kanal reward di atas hanyalah ringkasan dari abstrak yang tidak dapat dibaca siapa pun di luar lab — dan pertanyaan-pertanyaan menarik, seperti bagaimana Visual Graph Rubric menangani graf desain yang sendirinya salah, hanya terjawab dalam teks lengkapnya.

Yang kedua adalah hosting. Model 8.8B Apache-2.0 yang menghasilkan HTML terstruktur dan dapat diverifikasi adalah bentuk yang tepat untuk diadopsi oleh sebuah platform, karena output-nya dapat diperiksa dengan cara yang tidak bisa dilakukan pada JPEG. Begitu seseorang menyajikannya, ini berhenti menjadi keputusan self-hosting dan menjadi keputusan routing — dan perbandingan biayanya berhenti berkisar pada GPU-jam.

Hal yang tidak perlu diharapkan adalah putusan yang bersih. Gaya adalah batas atas bagi setiap sistem di tabel itu, termasuk yang ini, dan Gaya adalah satu-satunya dimensi yang menanyakan apakah seorang manusia akan merilis halaman itu apa adanya. Pembacaan yang dapat dipertahankan atas AesCode-8B bersifat sempit namun nyata: model ini sangat baik pada bagian-bagian desain visual yang dapat diperiksa oleh mesin, biasa saja pada bagian yang tidak dapat diperiksa, dan ini adalah model berbobot terbuka pertama di ceruk ini yang kesenjangan antara kedua hal tersebut menjadi inti dari rilisnya, bukan sekadar kebetulan belaka.