AesCode 32B vs Qoder Cantus: Je kunt de ene inspecteren en de andere uitvoeren, maar nooit beide

Hier is een inversie die het waard is om bij stil te staan. AesCode 32B, Microsofts HTML-en-CSS-generatiecheckpoint, is het meest inspecteerbare model in zijn klasse: Apache 2.0-gewichten op Hugging Face, een open repository met de reward-verifiers, de rubricbouwer en de trainingslus, een volledig afgedrukte evaluatie met 300 samples, en een trainingsrecept dat tot in detail is uitgewerkt, tot en met de learning rate en het aantal rolloutstappen. De Hugging Face-repository dateert van 29 september 2026; de commit met de titel "Release AesCode-32B" verscheen op 7 oktober 2026; Microsoft heeft niets ervan aangekondigd. En bijna niemand kan het draaien, want het is een 33B-checkpoint dat ongeveer 65 GB aan acceleratorgeheugen vraagt, en geen enkele aanbieder biedt het aan. Qoder Cantus is het exacte omgekeerde. Het draait vandaag, binnen Qoder, voor iedereen met een abonnement — en je kunt het helemaal niet inspecteren. Qoders volledige gepubliceerde beschrijving van het model bestaat uit één zin; er zijn geen parameters, geen contextvenster, geen benchmarktabel en geen gewichten, en omdat er geen API is, zal er nooit een cijfer van een derde partij zijn. Het ene model vertelt je alles en laat je niets doen. Het andere laat je alles doen en vertelt je niets. De interessante vraag is welke faalmodus je meer kost.

Wat de documentatie zegt, in zijn geheel.

De asymmetrie is het gemakkelijkst te zien door simpelweg te citeren wat bestaat.

Wat AesCode 32B betreft, omvat het openbare dossier: het basismodel (Qwen3-VL-32B-Instruct), het aantal parameters, de licentie, het beoogde gebruik, de omvang van de trainingsgegevens, de SFT-leersnelheid, de RL-optimizerinstellingen, de namen van de reward-kanalen, het aantal prompts en stappen, de steekproefomvang van de evaluatie, het aantal generaties per prompt, de decodingstemperatuur en top-p, de contextlengte die voor de scoring is gebruikt, drie afzonderlijk gepubliceerde tabellen met resultaten, en een citatie voor een paper die als under review staat vermeld. Het bevat geen releasedatum en geen downloadaantal in de dubbele cijfers — en de opmerking in de modelkaart dat het transformers>=4.57 nodig heeft en dat de automatisch gegenereerde gebruikssnippet op de pagina niet overeenkomt met het eigen voorbeeld in de kaart is het soort detail dat alleen standhoudt wanneer het artefact echt is.

Over Qoder Cantus luidt de publieke informatie: "Qoders ingebouwde, intelligente model van topniveau, dat uitblinkt in langdurige autonome taakuitvoering." Dat is de beschrijving. Er is geen modelkaart omdat er geen model is om te downloaden, geen benchmarktabel omdat Qoder geen lanceringsbericht of technisch rapport heeft gepubliceerd, en geen arena-vermelding omdat een arena een endpoint nodig heeft om aan te roepen. Wat verder bekend is, is veeleer structureel dan technisch: Cantus verschijnt in de modelkiezer in Qoder Desktop, de JetBrains-plugin, de CLI, Cloud Agents en de webclient, en de facturering loopt via het creditsysteem van Qoder, met een coëfficiënt die op het gebruik van het model wordt toegepast.

Dat is geen kritiek op het model. Het is een beschrijving van wat gecontroleerd kan worden, en voor Cantus is het antwoord niets.

Waar elk van hen echt sterk in is

De kracht van AesCode 32B is verifieerbaarheid, en dat is ongebruikelijk genoeg om te worden uitgelegd in plaats van te worden beweerd. Het trainingssignaal is niet één score — het zijn zeven kanalen, waarvan zes deterministische verifieerders die eigenschappen uitlezen uit de gegenereerde code en de weergave ervan, plus een visie-taalbeoordelaar die de niet-parseerbare eigenschappen scoort aan de hand van een rubric gekoppeld aan een ontwerpgraph per sample. Elke kandidaat wordt gerenderd in een gesandboxte Playwright-browser met externe verzoeken geblokkeerd, waarbij de DOM, berekende stijlen, bounding boxes, consolestatus en een screenshot worden geëxporteerd. Omdat elke eigenschap toerekenbaar is, kan het lab rapporteren dat het de Visual-component met 22,4 punten heeft verbeterd ten opzichte van zijn eigen Qwen3-VL-32B-backbone en je vertellen welke kanalen aan het einde van de training nog steeds stegen. Dat is een release die je kunt betwisten, reproduceren of uitbreiden.

De kosten zijn net zo specifiek. De modelkaart adviseert om alleen al voor de bf16-parameters ongeveer 65 GB te plannen; het serveervoorbeeld gebruikt vierweg-tensorparallellisme; de gerapporteerde cijfers gebruiken een context van 24.576 tokens; tijdens reinforcement learning waren de prompts en responses beperkt tot 8.192 tokens. Combineer dat met het feit dat geen enkele inferentieprovider de checkpoint deployt en de barrière niet filosofisch is. Je bezit de hardware of je huurt die, en je bouwt het multimodale serveerpad zelf.

Cantus' kracht is het tegenovergestelde: het is er gewoon. Geen download, geen GPU, geen serving-stack, geen harness om te kiezen. Het verschijnt in de modelkiezer van de IDE waarin je al werkt, en het is gepositioneerd voor precies datgene waar agentische codingtools op worden verkocht — langdurige autonome taakuitvoering. Wat er verder ook onzeker over is, het deploymentprobleem is voor jou opgelost, en Qoder weet vermoedelijk meer over het model dat het heeft gebouwd dan het heeft gepubliceerd.

De drie vragen die je niet kunt beantwoorden over Cantus

Het is de moeite waard om precies te zijn over wat de ontbrekende documentatie kost, want "geen benchmarks" doet het tekort.

• Hoe groot is het — onbekend. Het aantal parameters wordt niet bekendgemaakt. Bij een model dat met credits wordt afgerekend is dit geen bijzaak: het is de belangrijkste input voor de vraag of een taak die je elders $2 kost, hier alleen voor $6 kan worden gedaan.

• Hoeveel context houdt het vast — niet bekendgemaakt, met discussie van derden die hint op iets in de orde van 200K en zonder bron ervoor. Agentisch werk met een lange horizon staat of valt met dit getal, en het is niet gepubliceerd.

• Is het wat? — in strikte zin onbeantwoordbaar. Qoders argument, impliciet in de positionering, is dat langdurige autonome uitvoering beter wordt gemeten aan hoe een model omgaat met context, herstel en honderden tool-aanroepen dan aan coderingsscores voor één beurt. Dat is een redelijk argument. Het zou harder aankomen als het model testbaar was, en dat kan niet, omdat niets buiten Qoder het kan aanroepen.

Vergelijk dat met het spiegelbeeld van de derde vraag aan de AesCode-kant: de cijfers bestaan en zijn gedetailleerd, maar het zijn Microsofts cijfers, geproduceerd door Microsofts testomgeving, op Microsofts 300 samples, en geen enkel extern lab heeft er ook maar één ervan gereproduceerd. AesCode 32B heeft een gedocumenteerd plafond van 55,99 op zijn eigen stijldimensie en een ernstig foutpercentage van 4,3% op de canvasgrens — beide gepubliceerd door de leverancier — en geen onafhankelijke bevestiging dat een van beide cijfers juist is. De twee faalmodi zijn dus: cijfers die je niet kunt vertrouwen, en geen cijfers. Dat is een slechtere keuze dan 'de ene is goed, de andere is slecht', en het is de keuze die deze confrontatie daadwerkelijk voorlegt.

Wat het je aan elke kant kost

Cantus factureert via het creditsysteem van Qoder in plaats van via een gepubliceerd tokentarief. Qoder past een coëfficiënt toe op het gebruik van een model, en Cantus ging live met een multiplier van 3,2×, verlaagd naar 1,6× tijdens een actie met 50% korting die liep tot 31 juli 2026. Als je dit reconstrueert op basis van Qoders eigen gepubliceerde creditramingen in plaats van enig bedrag per token — Qoder heeft er nooit een gepubliceerd voor Cantus — komt dat neer op ongeveer $0,38 per beurt in editor-modus, $1,60 per Quest-taak en $2,40 per Quest in Experts-modus. Dat zijn reconstructies, als zodanig aangeduid omdat er geen primaire bron is die het tegendeel zegt.

De kosten van AesCode 32B zijn een kapitaalinvestering in plaats van een prijs per eenheid. De gewichten zijn gratis onder Apache 2.0, en de rekening komt binnen in de vorm van GPU-uren — 65 GB acceleratorgeheugen voor de parameters, plus de vision-toren, plus de doorvoer die je nodig hebt. Als je al een node uit de B200-klasse draait voor ander werk, zijn de marginale kosten bijna nul. Zo niet, dan is de eerlijke vergelijking niet "$0 per miljoen tokens" tegenover de credits van Qoder; het is een hardwarebeslissing tegenover een abonnement.

Het verschil in composeerbaarheid

Er is nog een gevolg van het toegangsmodel, en dat is precies het gevolg dat een routingplatform als eerste opmerkt.

Cantus kan met niets worden gecombineerd. Geen API betekent geen fallback, geen A/B tegen een ander model op dezelfde taak, geen cascadering van een goedkoop model naar een duur model midden in een verzoek, geen manier om het op te nemen in een evaluatieharnas dat je zelf hebt geschreven. Het is één optie binnen één product, en de enige hefboom die je in handen hebt, is de picker. Dat is een bewuste ontwerpkeuze van Qoder en een volkomen redelijke keuze als de IDE de plek is waar je wilt leven — maar het betekent dat je architectuur de roadmap van Qoder erft.

AesCode 32B heeft in theorie de tegenovergestelde eigenschap en in de praktijk een kloof. Gewichten betekenen dat het overal terechtkan: je cluster, een gehuurde instantie, je eigen tooling, je eigen evaluatie. Wat het vandaag niet kan, is aangeroepen worden, omdat geen enkele provider het aanbiedt — Microsoft publiceerde een checkpoint en stopte daar. Dus het model dat structureel composeerbaar is, is nog niet praktisch composeerbaar, en het model dat praktisch beschikbaar is, is structureel vergrendeld.

Waar dat het routeringsargument laat, is smaller dan gebruikelijk, en het is de moeite waard om eerlijk te zeggen: geen van beide modellen in deze match-up staat in onze catalogus, en deze pagina gaat niet doen alsof dat anders is. Wat een enkel eindpunt met meer dan 200 modellen tegen de lijstprijs van de aanbieder je hier echt oplevert, is de omringende laag — de mogelijkheid om de workflow te bouwen die de output van AesCode 32B consumeert en de delen ervan te routeren die een algemeen model zou moeten afhandelen, zonder voor elk daarvan een tweede contract op te tuigen. Als je die laag wilt testen voordat je je vastlegt op een zelfgehoste visietaal-implementatie, is de goedkoopste manier een aanroepbaar model in dezelfde familie: AesCode 32B is een fine-tune van Qwen3-VL-32B-Instruct, en Qwen3-VL 235B A22B Instruct is beschikbaar voor $0,40 per miljoen inputtokens en $1,60 output, met het kleinere Qwen3-VL 8B Instruct voor $0,18 en $0,70. Dat zijn andere modellen, geen vervangers voor de fine-tune — ze beantwoorden de vraag "kan een gehoste VLM deze screenshot lezen en code schrijven die goed genoeg is voor onze pipeline" voor centen in plaats van 64 GB, en failover tussen aanbieders zit onder dezelfde sleutel als het antwoord ja is en het verkeer echt wordt.

Hoe te kiezen

Kies Cantus als je al in Qoder zit, je het niet hoeven doen van infrastructuurwerk waardeert, en de onverifieerbaarheid een prijs is die je daarvoor bereid bent te betalen. Wees je ervan bewust dat je een capaciteit koopt, geen model: je kunt het niet benchmarken voordat je het in gebruik neemt, je kunt de prijs ervan niet met iets anders vergelijken op per-tokenbasis, en je kunt het niet meenemen als Qoder zijn prijsstelling of zijn routekaart wijzigt.

Kies AesCode 32B als je het artefact nodig hebt en je de deployment kunt betalen — en specifiek als je een model nodig hebt dat bewerkbare HTML produceert die je kunt diffen, reviewen en shippen. Wees even nuchter: het is onaangekondigd, niet gereproduceerd, te groot voor de meeste hardware, en gedocumenteerd voor een context van 24K die lange documenten zal beperken.

Als je noch de lock-in van de eerste, noch de kapitaalkosten van de tweede wilt, is de eerlijke zet om dezelfde capaciteit te halen uit een model dat je kunt aanroepen. Een vision-languagemodel achter een API-sleutel leest een screenshot en schrijft gestructureerde markup. Het wordt niet getraind met zeven beloningskanalen die op ontwerpkwaliteit zijn afgestemd, en het zal AesCode 32B niet evenaren op de infographic-benchmark die Microsoft heeft gebouwd. Maar het kost je een opgeslagen betaalkaart in plaats van een GPU-aankoop, en je zult het zelf kunnen meten — wat het enige is waar deze hele vergelijking om draait.

Wat te kijken

Cantus wordt een normaal model op de dag dat Qoder een endpoint beschikbaar stelt of gewichten uitlevert; tot dan is elke bewering erover een bewering over Qoders product in plaats van een bewering over een model, en de bewijskloof is structureel in plaats van een documentatieomissie. AesCode 32B wordt een normaal model op de dag dat een inferenceprovider de checkpoint oppikt of een extern lab de 85,89 reproduceert — en als dat samenvalt met Microsoft die het ding daadwerkelijk aankondigt, is de 65 GB-barrière de enige die nog overblijft. Wat het eerst komt, vertelt je welke van de twee faalmodi deze industrie heeft besloten niet langer te tolereren.