AesCode-8B è arrivato in sordina: il modello 8B di Microsoft scrive slide e dashboard in HTML

Il numero più interessante nella nuova release di Microsoft è 1.00. Se non si fornisce l'immagine di riferimento a AesCode-8B — un modello da 8 miliardi di parametri che scrive slide, poster e dashboard come HTML e CSS modificabili — e il suo punteggio visivo cala di un punto su cento. Se non si fornisce lo stesso riferimento a Qwen3-VL-8B-Instruct, il modello open-weight da cui è stato fine-tuned AesCode-8B, e il calo è di 19.55 punti. Da GPT-5.5 è di 10.04. È in quel confronto che risiede il vero risultato della ricerca, e si trova sotto un titolo che anche Microsoft ha pubblicato: sulla propria rubrica di 300 campioni, il punteggio complessivo di AesCode-8B, 82.94, supera di poco GPT-5.5 condizionato dal riferimento a 81.28 e Claude Opus 4.8 a 80.39, con un fratello maggiore, AesCode-32B, a 85.89.

Non è stato annunciato nulla di questo rilascio. Microsoft ha pubblicato i pesi su Hugging Face il 2026-10-07 con licenza Apache 2.0 — AesCode-8B più un modello companion da 32B costruito allo stesso modo a partire da Qwen3-VL-32B-Instruct — e ha caricato il codice di training e valutazione su GitHub il giorno successivo. Non esiste alcun post sul blog di Microsoft Research, alcuna nota di rilascio, alcuna pagina prodotto e alcun preprint: la citazione nella model card recita «Under review», anno 2027, che è un segnaposto più che una data. Al 2026-10-11 il repository 8B mostra due download e un like; il repository GitHub mostra una stella. Tutto ciò che, qui sotto, riporta un numero è o un timestamp che puoi verificare da solo o un dato che Microsoft ha riportato sul proprio set di valutazione — e questa distinzione qui conta più del solito, perché nessuna parte di questo modello è stata misurata da nessun altro.

Cosa è stato spedito e cosa non è nella confezione

Tre date definiscono questa release, e sono le uniche date che contiene. Il repository Hugging Face per microsoft/AesCode-8B è stato creato il 2026-09-29, i pesi sono stati inseriti con il messaggio "Release AesCode-8B" alle 03:35 UTC del 2026-10-07, e il microsoft/AesCode repository del codice è diventato pubblico il giorno successivo, 2026-10-08 alle 23:14 UTC. I pesi 32B sono arrivati nella stessa finestra di commit. Nulla nel frattempo è stato annunciato da nessuna parte.

• Pesi — quattro shard safetensors per un totale di 17.543.339.408 byte, che corrispondono a circa 8,8 miliardi di parametri bf16. Microsoft etichetta il modello come 8B; il campo size di Hugging Face lo arrotonda a 9B. Si tratta di un arrotondamento, non di una discrepanza.

• Architettura — un fine-tuning diretto della ricetta Qwen3-VL: Qwen3VLForConditionalGeneration, 36 livelli nascosti, dimensione nascosta 4.096, 32 teste di attenzione con 8 teste chiave-valore, un vocabolario di 151.936 token e posizioni mrope interlacciate. Richiede transformers 4.57 o successiva.

• Contesto e output — le esecuzioni riportate hanno utilizzato un contesto di 24.576 token con fino a 12.000 token di output, generati a temperatura 0,8 e top-p 0,95 su tre rollout per prompt senza selezione. Il comando di servizio vLLM consente due immagini per prompt: il riferimento, e nient'altro, perché l'output è testo.

• Licenza — Apache 2.0, descritta come basata sul backbone Qwen3-VL. Completamente permissiva, nessun gating, nessun addendum sull'uso accettabile.

• Non nella confezione — i dati di addestramento e valutazione. Il repository include la pipeline e documenta gli input e gli output previsti, e menziona i file di split che si aspetta, ma nessun rilascio del dataset è elencato né sulla model card né nel repository del codice. Ottieni la ricetta, non gli ingredienti.

• Inoltre non incluso nella confezione — nessun endpoint ospitato. Non siamo riusciti a trovare da nessuna parte un'API che serva AesCode-8B, e non è nel nostro catalogo. Finché un provider non lo adotta, valutarlo significa caricare i pesi sulle vostre GPU.

L'impostazione usata da Microsoft vale la pena di essere citata perché è l'intero brief di progettazione: i modelli di codice "non riescono a vedere come layout, gerarchia e colore si combinino sul canvas", mentre i generatori di immagini "compongono pagine visivamente accattivanti ma spesso rendono male testo, numeri e relazioni logiche". AesCode è il tentativo di prendere il senso della composizione da uno e la verificabilità dall'altro.

Il risultato di 1,00 punti, spiegato

Ecco il meccanismo dietro il numero nel primo paragrafo. Durante l'addestramento, ogni prompt è abbinato a un'immagine di riferimento generata da quello stesso prompt — le esecuzioni di Microsoft stessa hanno usato GPT-Image-2 per l'immagine e GPT-5.5 per espandere una breve idea nel prompt dettagliato dei contenuti. Il riferimento non ha alcuna autorità sul contenuto; il prompt testuale rimane la fonte di verità. Ciò che il riferimento fornisce è layout e stile, e la funzione di ricompensa è costruita per tenere separate queste due cose.

La conseguenza è che il prior visivo finisce nella policy anziché nell'input. AesCode-8B perde 1,00 punto Visual quando il riferimento viene rimosso in fase di inferenza. Il suo stesso backbone, valutato con condizionamento al riferimento a 44,72 Visual, perde 19,55 punti senza riferimento. GPT-5.5 ne perde 10,04. La versione distillata di ciò: il modello ha smesso di aver bisogno dell'immagine.

La seconda metà del risultato è quella che si tende a trascurare. Microsoft riporta che le ricompense basate sui riferimenti hanno fatto salire Visual in modalità solo prompt da 25,17 a 69,71: il modello che non vede mai un riferimento al momento dell'inferenza trae comunque beneficio dall'essere stato addestrato su di essi. Se pensavi di saltare la fase di generazione dei riferimenti nella tua pipeline, questo è il numero che dice che non conviene saltarla nemmeno in addestramento.

L'onesta avvertenza su tutto ciò: questa è la rubrica di Microsoft, sui 300 campioni di infografiche di Microsoft, valutata tre volte per cherry-picking. La metà del punteggio proviene da verificatori deterministici, che chiunque potrebbe riprodurre; l'altra metà, le dimensioni della checklist, è giudicata da un modello vision-language la cui identità la documentazione non nomina. Non puoi riprodurre la seconda metà senza sapere quale giudice l'ha prodotta.

Dove il gusto entra nei pesi

Il metodo di addestramento è la parte di questa release con le idee più trasferibili, ed è più meccanico di quanto l'output suggerisca.

• Tutto è innanzitutto un grafo. Ogni target è rappresentato come un grafo di design: nodi per testo, grafici, tabelle, card, regioni e slot immagine, e archi per contenimento, allineamento, ordine e connessione. Lo scopo del grafo è l'attribuzione — ogni proprietà sulla tela appartiene a un elemento con nome, così ogni proprietà può essere valutata singolarmente.

• Sette canali di ricompensa. Sei verificatori deterministici controllano le cose analizzabili — esecuzione, testo esatto, confini, dati di tabelle e grafici, layout semantico, spazi bianchi — e una Rubrica a Grafo Visiva specifica per il campione, costruita come domande sì/no vincolate al grafo su geometria e posizionamento, valuta il resto. I canali sono esecuzione, testo, confine, tablechart, layout, spazi bianchi e design.

• I canali vengono normalizzati prima di essere combinati.GDPO normalizza ciascun canale all'interno del proprio gruppo di rollout, così un segnale denso basato su regole non può soffocare quello visivo sparso. Microsoft lo misura a 5,12 punti Visual rispetto al semplice GRPO scalare con la stessa configurazione — dato riportato dal fornitore, ma un ablation concreto anziché un'asserzione.

• La valutazione avviene tramite il rendering. L'HTML candidato viene renderizzato in un browser Playwright in sandbox con richieste esterne bloccate, e il sistema di test rilegge il DOM, gli stili calcolati, i bounding box, lo stato della console e uno screenshot. Le tabelle devono essere tabelle HTML; i grafici devono essere specifiche ECharts. Quel vincolo svolge un lavoro concreto — costringe l'output in una forma che un verificatore può analizzare.

• La ricetta stessa.Fine-tuning supervisionato con partenza a freddo su 3.000 dimostrazioni a un learning rate di 1e-5, poi GDPO su 7.408 prompt per 400 step sul motore ibrido FSDP-vLLM di verl, senza critic e senza un reward model addestrato separatamente. AdamW a 5e-6 costante, nessun warmup, weight decay 0,01, 128 prompt per step con 8 rollout ciascuno, coefficienti KL ed entropia entrambi a 0,001, prompt e risposta ciascuno limitati a 8.192 token. Le run rilasciate hanno utilizzato un singolo nodo con otto NVIDIA B200. AesCode-32B usa la stessa ricetta per 520 step.

Letto nel suo insieme, questo è un articolo sulla progettazione delle ricompense che indossa un rilascio di modello come un costume — e ciò è coerente con la citazione che riporta «Under review» anziché rimandare a un preprint.

Il tabellone dei punteggi, e chi lo garantisce

Tutto quanto segue è una valutazione di Microsoft stessa, riportata nella scheda del modello, su 300 campioni di infografica. Rule calcola la media dei controlli programmatici Text, Bound e Chart; Visual calcola la media delle dimensioni della checklist Content, Layout e Style; Overall è la media delle due. I punteggi sono percentuali mediate su tre generazioni per prompt, senza selezione. "Ref." indica se al modello è stato fornito un riferimento generato insieme al prompt.

• AesCode-8B con riferimento — Testo 94.06, Limite 88.36, Grafico 87.79, Regola 90.07; Contenuto 86.41, Impaginazione 87.80, Stile 53.21, Visuale 75.80; Complessivo 82.94.

• Rispetto al proprio backbone — Qwen3-VL-8B-Instruct condizionato dal riferimento ottiene 44,72 in Visual e 51,93 in Overall. Si tratta di un guadagno di 31,1 punti in Visual e di 31,0 punti in Overall, ed è il confronto meno sorprendente della tabella, dato che lo scopo stesso dell'addestramento è la metà visiva.

• Rispetto a GPT-5.5, condizionato dal riferimento — Complessivo 81.28, Contenuto 82.44, Layout 89.93 e Stile 57.91.

• Rispetto a Claude Opus 4.8, condizionato dal riferimento — Punteggio complessivo 80.39, Contenuto 86.42, Layout 89.76.

• AesCode-32B, condizionato al riferimento — Text 95,34, Bound 97,27, Chart 90,37, Rule 94,33, Layout 90,58, Visual 77,44, Overall 85,89. Ventidue virgola quattro punti di Visual in più rispetto al proprio backbone 32B.

• Il tetto di Style — nessun modello nella tabella supera 60, e il 57,91 di GPT-5.5 è il migliore tra loro. AesCode-8B si attesta a 53,21. La definizione stessa di Microsoft è impietosa: Style riconosce un design solo quando non necessita di ulteriori revisioni visive prima della consegna. Quindi sulla dimensione che misura se un essere umano pubblicherebbe davvero la pagina senza modifiche, il modello 8B non è il leader.

• Errori di confine — un grave errore di overflow del canvas si ripresenta sul 4,3% dei 300 campioni, contro il 34,7% di GPT-5.5. L'overflow è la modalità di errore che rende l'HTML generato inutilizzabile anziché semplicemente brutto.

Ora, la parte che conta quanto la tabella. Tutte le cifre qui sopra sono dichiarate dal fornitore e non riprodotte. AesCode-8B non compare su nessuna classifica indipendente che siamo riusciti a trovare, e il confronto con GPT-5.5 e Claude Opus 4.8 viene condotto sulla griglia di valutazione di Microsoft, su un compito per cui quei modelli non sono stati ottimizzati, con una definizione di «Layout» che premia il fatto stesso di produrre una pagina. Un punteggio Text di 94,06 non significa che questo modello batta GPT-5.5 nel testo. Significa che posiziona etichette senza contraddire il prompt nelle pagine infografiche, un'affermazione molto più modesta. Il risultato Style è ciò che rivela che la griglia di valutazione non è truccata a favore di AesCode: la più grande vittoria in classifica arriva con il numero più grande e più impietoso proprio accanto.

Cosa è confermato, e cosa no.

Poiché questo è stato rilasciato in sordina, vale la pena separare esplicitamente i due.

• Confermato — i pesi esistono e sono scaricabili sotto Apache 2.0; i due timestamp di rilascio sono nei repository; l'architettura, il numero di parametri, la lunghezza del contesto e le impostazioni di campionamento sono tutte nella configurazione pubblicata e nella model card; la ricetta di addestramento e il design del reward sono documentati con dettagli sufficienti per poterne discutere; il codice, lo stack di verifica e il generatore di rubriche sono pubblici; esiste un companion da 32B.

• Non confermato — nessuno dei numeri del benchmark, da parte di chiunque non sia il fornitore. Il paper, che la documentazione stessa descrive come in fase di revisione. L'identità del giudice vision-language dietro la metà visiva dei punteggi. Se qualche provider lo ospiterà. Se il contesto da 24.576 token regge su presentazioni reali con più slide, dato che la valutazione riportata riguarda singole pagine infografiche. E qualunque cosa sul comportamento al di fuori dell'inglese — il tag di lingua della model card è soltanto "en".

Se vuoi eseguirlo, e quanto costa farlo

Qwen3-VL-8B-Instruct — il modello da cui è stato fine-tuned AesCode-8B, e il confronto singolo più forte disponibile finché qualcuno non pubblica un risultato indipendente di AesCode — è un'altra questione:

Il percorso di serving per AesCode-8B stesso è breve, e la model card lo fornisce direttamente: vllm serve microsoft/AesCode-8B --limit-mm-per-prompt image=2 --max-model-len 24576, con transformers 4.57 o versione successiva per la via non-vLLM, e uno snippet Python che accetta un'immagine di riferimento opzionale prima del prompt testuale.

Il calcolo che devi fare da solo è quello della memoria. 17,5 GB di pesi bf16 devono trovare posto insieme a una KV cache per un contesto di 24.576 token e fino a due immagini, quindi una singola scheda da 24 GB è tecnicamente sufficiente per i pesi e scomodamente stretta per tutto il resto; 40-48 GB, o due schede da 24 GB, sono il minimo realistico. Il modello complementare da 32B è un problema di tutt'altro ordine — i suoi shard totalizzano 66,7 GB, quindi richiede parallelismo tensoriale e un nodo multi-GPU. Prevedi anche un renderer: il modello emette un documento HTML completo, e ogni affermazione sulla qualità che lo riguarda si basa sul rendering di quel documento, quindi valutare i tuoi stessi output significa mettere in piedi Playwright con le richieste esterne bloccate.

Non è necessario generare un'immagine di riferimento in fase di inferenza — è esattamente ciò che ti garantisce il risultato da 1.00 punti — ma la documentazione è chiara sul fatto che la qualità è comunque massima quando ne viene fornita una, quindi la configurazione onesta è con riferimento opzionale anziché senza riferimento.

AesCode-8B non è qualcosa che OrcaRouter instrada, e non siamo riusciti a trovarlo ospitato da nessun'altra parte, quindi al momento una valutazione significa pesi sul tuo hardware. Il suo backbone è un'altra storia. Qwen3-VL-8B-Instruct è instradabile tramite OrcaRouter oggi a $0,18 per milione di token di input e $0,70 per milione di token di output, con un contesto di 131.072 token — il che lo rende il modo economico per vedere cosa fa la versione non ottimizzata di questa architettura sui tuoi prompt per infografiche prima di spendere una settimana di GPU per riprodurre la ricetta di qualcun altro. OrcaRouter applica il prezzo di listino del provider con markup dello 0% e gestisce automaticamente il failover tra provider, quindi quel confronto costa una sola chiave e nessun secondo contratto; se AesCode-8B dovesse mai approdare su un provider che instradiamo, sarà nel catalogo lo stesso giorno. E se lo ospiti tu stesso, i modelli su cui faresti fallback in produzione sono quelli già dietro quell'unico endpoint — che è la posizione ragionevole per un modello rilasciato in sordina con zero valutazioni indipendenti.

Cosa guardare

Due cose, e nessuna delle due è un'altra tabella di benchmark.

Il primo è l'articolo. "AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards" è citato come in revisione per il 2027, il che si legge come un segnaposto digitato in una voce BibTeX piuttosto che un programma. Finché non appare un preprint o una versione camera-ready, la spiegazione del canale di ricompensa di cui sopra è un riassunto di un abstract che nessuno fuori dal laboratorio può leggere — e le domande interessanti, come il modo in cui Visual Graph Rubric gestisce un grafo di progettazione che è esso stesso sbagliato, trovano risposta solo nel testo completo.

Il secondo è l'hosting. Un modello Apache-2.0 da 8,8B che emette HTML strutturato e verificabile è esattamente la forma che una piattaforma adotta, perché l'output è ispezionabile in un modo in cui un JPEG non lo è. Nel momento in cui qualcuno lo serve, questa smette di essere una decisione di self-hosting e diventa una decisione di routing — e il confronto dei costi smette di riguardare le ore GPU.

La cosa da non aspettarsi è un verdetto netto. Lo stile è il tetto per ogni sistema in quella tabella, incluso questo, e lo stile è l'unica dimensione che chiede se un umano pubblicherebbe la pagina così com'è. La lettura difendibile di AesCode-8B è ristretta e reale: è molto bravo nelle parti di design visivo che possono essere verificate da una macchina, è nella media nella parte che non può esserlo, ed è il primo modello open-weight in questa nicchia in cui il divario tra queste due cose è il motivo del rilascio anziché un suo incidente.