AesCode 32B kontra Qoder Cantus: Możesz sprawdzić jeden i uruchomić drugi, nigdy oba.

Oto inwersja warta przemyślenia. AesCode 32B, checkpoint Microsoftu do generowania HTML i CSS, jest najbardziej poddającym się inspekcji modelem w swojej klasie: wagi na licencji Apache 2.0 na Hugging Face, otwarte repozytorium zawierające weryfikatory nagród, konstruktor rubryk i pętlę treningową, w pełni opublikowaną ewaluację na 300 próbkach oraz przepis treningowy opisany aż do współczynnika uczenia i liczby kroków rolloutu. Jego repozytorium na Hugging Face datuje się na 29 września 2026 r.; commit zatytułowany „Release AesCode-32B” pojawił się 7 października 2026 r.; Microsoft nie ogłosił nic z tego. I prawie nikt nie może go uruchomić, ponieważ to checkpoint 33B wymagający około 65 GB pamięci akceleratora, a żaden dostawca go nie udostępnia. Qoder Cantus jest dokładną odwrotnością. Działa już dziś, wewnątrz Qodera, dla każdego, kto ma subskrypcję — a przy tym nie sposób go w ogóle poddać inspekcji. Cały opublikowany opis tego modelu autorstwa Qodera to jedno zdanie: nie ma parametrów, okna kontekstowego, tabeli benchmarków ani wag, a ponieważ nie ma API, nigdy nie będzie też żadnych niezależnych liczb. Jeden model mówi ci wszystko i nie pozwala ci nic zrobić. Drugi pozwala ci zrobić wszystko i nie mówi ci nic. Ciekawe pytanie brzmi, który tryb porażki kosztuje cię więcej.

Co mówi dokumentacja — w całości

Asymetrię najłatwiej dostrzec, po prostu cytując to, co istnieje.

W przypadku AesCode 32B publicznie dostępne informacje obejmują: model bazowy (Qwen3-VL-32B-Instruct), liczbę parametrów, licencję, zamierzone zastosowanie, wolumen danych treningowych, współczynnik uczenia SFT, ustawienia optymalizatora RL, nazwy kanałów nagrody, liczbę promptów i kroków, rozmiar próbki ewaluacyjnej, liczbę generacji na prompt, temperaturę dekodowania i top-p, długość kontekstu użytego do oceniania, trzy osobne opublikowane tabele wyników oraz cytację pracy oznaczonej jako będąca w trakcie recenzji. Brakuje jednak daty wydania i dwucyfrowej liczby pobrań — a uwaga w karcie modelu, że wymaga transformers>=4.57 oraz że automatycznie wygenerowany fragment użycia na stronie nie zgadza się z przykładem podanym w samej karcie, to rodzaj szczegółu, który przetrwa tylko wtedy, gdy artefakt jest prawdziwy.

Jeśli chodzi o Qoder Cantus, publiczny zapis brzmi: „Wbudowany inteligentny model najwyższej klasy Qodera, celujący w rozszerzonym autonomicznym wykonywaniu zadań”. Taki jest opis. Nie ma karty modelu, ponieważ nie ma modelu do pobrania; nie ma tabeli benchmarków, ponieważ Qoder nie opublikował wpisu o premierze ani raportu technicznego; i nie ma wpisu na arenie, ponieważ arena potrzebuje punktu końcowego do wywołania. To, co jeszcze wiadomo, ma charakter strukturalny, a nie techniczny: Cantus pojawia się w selektorze modeli w Qoder Desktop, wtyczce JetBrains, CLI, Cloud Agents i kliencie webowym, a rozliczanie odbywa się poprzez system kredytowy Qodera ze współczynnikiem zastosowanym do wykorzystania modelu.

To nie jest zarzut wobec modelu. To opis tego, co można sprawdzić, a w przypadku Cantusa odpowiedź brzmi: nic.

Gdzie każdy z nich jest naprawdę mocny

Mocną stroną AesCode 32B jest weryfikowalność, a to jest na tyle nietypowe, że warto o tym dyskutować, a nie tylko to twierdzić. Sygnał treningowy to nie jeden wynik — to siedem kanałów, z których sześć stanowią deterministyczne weryfikatory, które wyodrębniają właściwości z wygenerowanego kodu i jego renderowania, a do tego sędzia wizyjny oceniający właściwości niepodlegające parsowaniu według rubryki powiązanej z grafem projektu dla każdej próbki. Każdy kandydat jest renderowany w przeglądarce Playwright w piaskownicy z zablokowanymi żądaniami zewnętrznymi, co eksportuje DOM, style obliczone, prostokąty ograniczające, status konsoli i zrzut ekranu. Ponieważ każdą właściwość można przypisać, laboratorium może zaraportować, że poprawiło komponent Visual o 22,4 punktu względem własnego szkieletu Qwen3-VL-32B, i powiedzieć, które kanały wciąż rosły pod koniec treningu. To wydanie, z którym można polemizować, które można odtworzyć lub rozszerzyć.

Koszt jest równie konkretny. Karta zaleca zaplanowanie około 65 GB wyłącznie na parametry bf16; jej przykład serwowania wykorzystuje czterokierunkową równoległość tensorową; raportowane liczby opierają się na kontekście 24 576 tokenów; podczas uczenia ze wzmocnieniem prompty i odpowiedzi ograniczano do 8 192 tokenów. Zestaw to z faktem, że żaden dostawca inferencji nie wdraża tego checkpointu, a bariera nie jest filozoficzna. Albo masz własny sprzęt, albo go wynajmujesz, a multimodalną ścieżkę serwowania budujesz samodzielnie.

Atut Cantusa jest odwrotnością: on po prostu jest. Bez pobierania, bez GPU, bez stosu serwowania, bez harnessu do wyboru. Pojawia się w selektorze modeli w IDE, w którym już pracujesz, i jest pozycjonowany dokładnie pod to, co jest głównym argumentem sprzedażowym narzędzi do kodowania agentowego — długotrwałe autonomiczne wykonywanie zadań. Niezależnie od tego, co jeszcze jest w nim niepewne, problem wdrożenia został za ciebie rozwiązany, a Qoder prawdopodobnie wie o zbudowanym przez siebie modelu więcej, niż opublikował.

Trzy pytania, na które nie możesz odpowiedzieć na temat Cantus

Warto być precyzyjnym co do tego, ile kosztuje brakująca dokumentacja, ponieważ „brak benchmarków” to niedopowiedzenie.

• Jak duży jest — nie ujawniono. Liczba parametrów nie została ujawniona. W modelu rozliczanym kredytowo to nie jest błahostka: to główny czynnik decydujący o tym, czy zadanie, które gdzie indziej kosztuje cię $6, można tutaj wykonać tylko za $6.

• Ile kontekstu obsługuje — nieujawnione, a dyskusje osób trzecich sugerują coś w okolicach 200K, bez źródła. Długoterminowa praca agentowa żyje i umiera na tej liczbie, a ta nie została opublikowana.

• Czy jest w ogóle dobry — w ścisłym sensie bez odpowiedzi. Argument Qodera, domyślnie zawarty w pozycjonowaniu, jest taki, że długotrwałe autonomiczne wykonywanie zadań lepiej mierzyć tym, jak model radzi sobie z kontekstem, odzyskiwaniem i setkami wywołań narzędzi, niż wynikami kodowania w pojedynczych turach. To uczciwy argument. Trafiłby mocniej, gdyby model dało się przetestować, a nie da się, ponieważ nic poza Qoderem nie może go wywołać.

Porównaj to z lustrzanym odbiciem trzeciego pytania po stronie AesCode: liczby istnieją i są szczegółowe, ale to liczby Microsoftu, wygenerowane przez środowisko testowe Microsoftu, na 300 próbkach Microsoftu, i żadne zewnętrzne laboratorium nie odtworzyło żadnej z nich. AesCode 32B ma udokumentowany pułap 55,99 we własnym wymiarze stylu i 4,3% wskaźnika poważnych awarii na granicy płótna — jedno i drugie opublikowane przez dostawcę — oraz brak niezależnego potwierdzenia, że którakolwiek z tych wartości jest prawidłowa. Zatem dwa tryby awarii to: liczby, którym nie można zaufać, oraz brak liczb. To gorszy wybór niż „jedno jest dobre, jedno złe”, i to jest wybór, który faktycznie przedstawia to starcie.

Ile cię to kosztuje z każdej strony

Cantus rozlicza się przez system kredytowy Qoder, a nie według opublikowanej stawki za token. Qoder stosuje współczynnik do użycia modelu, a Cantus wystartował z mnożnikiem 3,2×, obniżonym do 1,6× w ramach promocji z 50% zniżki, która trwała do 31 lipca 2026 r. Odtwarzając to na podstawie opublikowanych przez Qoder szacunków kredytowych, a nie jakiejkolwiek stawki za token — Qoder nigdy nie opublikował takiej dla Cantus — przekłada się to na około 0,38 USD za turę w trybie edytora, 1,60 USD za zadanie Quest i 2,40 USD za Quest w trybie Experts. Są to rekonstrukcje, oznaczone jako takie, ponieważ nie istnieje źródło pierwotne, które mówiłoby inaczej.

Koszt AesCode 32B to wydatek kapitałowy, a nie jednostkowy. Wagi są darmowe na licencji Apache 2.0, a rachunek przychodzi w godzinach GPU — 65 GB pamięci akceleratora do przechowywania parametrów, plus wieża wizyjna, plus taka przepustowość, jakiej potrzebujesz. Jeśli już używasz węzła klasy B200 do innych zadań, koszt krańcowy jest bliski zeru. Jeśli nie, uczciwe porównanie nie polega na zestawieniu „0 USD za milion tokenów” z kredytami Qoder; to decyzja sprzętowa kontra subskrypcja.

Różnica w kompozycyjności

Model dostępu ma jeszcze jedną konsekwencję — i jest to ta, którą platforma routingu zauważa jako pierwszą.

Cantusa nie da się z niczym komponować. Brak API oznacza brak fallbacku, brak porównania A/B z innym modelem na tym samym zadaniu, brak kaskadowego przechodzenia od taniego modelu do drogiego w trakcie żądania i brak możliwości włączenia go do napisanego przez siebie środowiska ewaluacyjnego. Jest jedną opcją w jednym produkcie, a jedyną dźwignią, jaką masz, jest selektor. To celowa decyzja projektowa ze strony Qodera i całkowicie rozsądna, jeśli IDE jest miejscem, w którym chcesz żyć — ale oznacza to, że twoja architektura dziedziczy plan rozwoju Qodera.

AesCode 32B ma teoretycznie odwrotną właściwość, a w praktyce lukę. Wagi oznaczają, że może trafić wszędzie: do twojego klastra, na wynajętą instancję, do własnych narzędzi, do własnej ewaluacji. Czego jednak dzisiaj nie może zrobić, to zostać wywołanym, ponieważ żaden dostawca go nie udostępnia — Microsoft opublikował checkpoint i na tym poprzestał. Zatem model, który jest strukturalnie kompozycyjny, nie jest jeszcze praktycznie kompozycyjny, a model, który jest praktycznie dostępny, jest strukturalnie zablokowany.

W efekcie argument o routingu jest węższy niż zwykle i warto powiedzieć to uczciwie: żaden z modeli w tym zestawieniu nie znajduje się w naszym katalogu, a ta strona nie zamierza udawać, że jest inaczej. To, co pojedynczy endpoint z ponad 200 modelami w cenie katalogowej dostawcy faktycznie daje ci w tym przypadku, to warstwa wokół niego — możliwość zbudowania przepływu pracy, który konsumuje dane wyjściowe AesCode 32B, i kierowania tych jego części, którymi powinien zajmować się model ogólny, bez tworzenia drugiej umowy dla każdego. Jeśli chcesz przetestować tę warstwę przed zdecydowaniem się na samodzielnie hostowane wdrożenie modelu wizyjno-językowego, najtańszym sposobem jest model wywoływalny z tej samej rodziny: AesCode 32B to dostrojona wersja Qwen3-VL-32B-Instruct, a Qwen3-VL 235B A22B Instruct jest dostępny w cenie 0,40 USD za milion tokenów wejściowych i 1,60 USD za tokeny wyjściowe, a mniejszy Qwen3-VL 8B Instruct w cenie 0,18 USD i 0,70 USD. To inne modele, a nie zamienniki dla dostrojonego modelu — ale odpowiadają na pytanie „czy hostowany VLM potrafi odczytać ten zrzut ekranu i napisać kod wystarczająco dobrze dla naszego pipeline’u” za grosze zamiast 65 GB, a przełączanie awaryjne między dostawcami działa w ramach tego samego klucza, jeśli odpowiedź brzmi „tak”, a ruch stanie się realny.

Jak wybrać

Wybierz Cantus, jeśli jesteś w Qoder, brak prac infrastrukturalnych, a niezweryfikowalność to cena, którą jesteś gotów za to zapłacić. Miej świadomość, że kupujesz zdolność, a nie model: nie możesz wykonać na niej benchmarku przed wdrożeniem, nie możesz porównać jej ceny z niczym w przeliczeniu na token i nie możesz jej zabrać ze sobą, jeśli Qoder zmieni swój cennik lub plan rozwoju.

Wybierz AesCode 32B, jeśli potrzebujesz artefaktu i stać cię na wdrożenie — a konkretnie jeśli potrzebujesz modelu, który generuje edytowalny HTML, który możesz diffować, przeglądać i wdrażać. Zachowaj równie trzeźwe spojrzenie: nie został zapowiedziany, nie został odtworzony, jest zbyt duży dla większości sprzętu i udokumentowany dla kontekstu 24K, który ograniczy długie dokumenty.

Jeśli nie chcesz ani uzależnienia od pierwszego rozwiązania, ani kosztu kapitałowego drugiego, uczciwym posunięciem jest uzyskanie tej samej możliwości od modelu, który możesz wywołać. Model językowo-wizyjny za kluczem API odczyta zrzut ekranu i zapisze ustrukturyzowany markup. Nie będzie trenowany z siedmioma kanałami nagród dostrojonymi pod jakość projektową i nie dorówna AesCode 32B w benchmarku infografik, który zbudował Microsoft. Ale będzie cię kosztować kartę zapisaną na koncie, a nie zakup GPU, i będziesz mógł zmierzyć go samodzielnie — co jest jedyną rzeczą, wokół której toczy się całe to starcie.

Co obejrzeć

Cantus stanie się zwykłym modelem w dniu, w którym Qoder udostępni endpoint albo wyda wagi; do tego czasu każde twierdzenie o nim jest twierdzeniem o produkcie Qodera, a nie o modelu, a luka w dowodach ma charakter strukturalny, a nie przeoczenia w dokumentacji. AesCode 32B stanie się zwykłym modelem w dniu, w którym dostawca usług inferencji przejmie checkpoint albo zewnętrzne laboratorium odtworzy wynik 85.89 — a jeśli stanie się to równocześnie z faktycznym ogłoszeniem tego przez Microsoft, pozostanie już tylko bariera 65 GB. To, która z tych rzeczy nastąpi pierwsza, powie ci, który z dwóch trybów awarii ta branża zdecydowała się przestać tolerować.