AesCode-8B wydano po cichu: model 8B Microsoftu pisze slajdy i dashboardy jako HTML

Najciekawszą liczbą w nowym wydaniu Microsoftu jest 1,00. Nie udostępniaj obrazu referencyjnego modelowi AesCode-8B — modelowi o 8 miliardach parametrów, który tworzy slajdy, plakaty i pulpity nawigacyjne jako edytowalny HTML i CSS — a jego wynik wizualny spada o jeden punkt na sto. Nie udostępniaj tego samego obrazu referencyjnego modelowi Qwen3-VL-8B-Instruct, modelowi o otwartych wagach, na podstawie którego dostrojono AesCode-8B, a spadek wynosi 19,55 punktu. W przypadku GPT-5.5 wynosi 10,04. Właśnie w tym jednym porównaniu tkwi rzeczywisty wynik badania, a on znajduje się pod nagłówkiem, który Microsoft również opublikował: według własnej rubryki 300 próbek ogólny wynik AesCode-8B wynoszący 82,94 minimalnie przewyższa wynik GPT-5.5 z warunkowaniem referencyjnym na poziomie 81,28 i Claude Opus 4.8 na poziomie 80,39, a większy brat, AesCode-32B, ma 85,89.

Nic o tym wydaniu nie zostało ogłoszone. Microsoft udostępnił wagi na Hugging Face 2026-10-07 na licencji Apache 2.0 — AesCode-8B plus towarzyszący model 32B zbudowany w ten sam sposób na bazie Qwen3-VL-32B-Instruct — a następnego dnia wypchnął kod treningowy i ewaluacyjny do GitHuba. Nie ma wpisu na blogu Microsoft Research, informacji o wydaniu, strony produktu ani preprintu: cytat w karcie modelu brzmi „Under review”, rok 2027, co jest placeholderem, a nie datą. Na dzień 2026-10-11 repozytorium 8B pokazuje dwa pobrania i jedno polubienie; repozytorium GitHub pokazuje jedną gwiazdkę. Wszystko poniżej, co zawiera liczbę, jest albo znacznikiem czasu, który możesz sam zweryfikować, albo tym, co Microsoft podał o twoim zestawie ewaluacyjnym — a ma to tutaj większe znaczenie, ponieważ żadnej części tego nie zmierzył nikt inny.

Co zostało wysłane, a czego nie ma w pudełku

To wydanie określają trzy daty i są to jedyne daty w nim zawarte. Repozytorium Hugging Face dla microsoft/AesCode-8B zostało utworzone 2026-09-29, wagi zatwierdzono z komunikatem „Release AesCode-8B” o 03:35 UTC dnia 2026-10-07, a microsoft/AesCode repozytorium kodu stało się publiczne następnego dnia, 2026-10-08 o 23:14 UTC. Wagi 32B trafiły w tym samym oknie commitów. Nic pomiędzy nie zostało nigdzie ogłoszone.

• Wagi — cztery shardy safetensors o łącznym rozmiarze 17,543,339,408 bajtów, co przekłada się na około 8,8 miliarda parametrów bf16. Microsoft określa model jako 8B; pole rozmiaru Hugging Face zaokrągla go do 9B. To zaokrąglenie, a nie rozbieżność.

• Architektura — bezpośredni fine-tuning przepisu Qwen3-VL: Qwen3VLForConditionalGeneration, 36 warstw ukrytych, rozmiar ukryty 4,096, 32 głowy uwagi z 8 głowami klucz-wartość, słownik 151 936 tokenów i przeplatane pozycje mrope. Wymaga transformers w wersji 4.57 lub nowszej.

• Kontekst i dane wyjściowe — opisane przebiegi wykorzystywały kontekst o długości 24 576 tokenów, generując do 12 000 tokenów wyjściowych, przy temperaturze 0,8 i top-p 0,95, w trzech przebiegach na prompt, bez selekcji. Polecenie serwowania vLLM pozwala na dwa obrazy na prompt: obraz referencyjny i nic więcej, ponieważ dane wyjściowe są tekstem.

• Licencja — Apache 2.0, opisana jako oparta na szkielecie Qwen3-VL. W pełni permisywna, bez bramkowania, bez aneksu dotyczącego dopuszczalnego użytku.

• Nie w zestawie — dane treningowe i ewaluacyjne. Repozytorium dostarcza potok przetwarzania i dokumentuje oczekiwane dane wejściowe oraz wyjściowe, a także wspomina o plikach podziału, których oczekuje, ale żadne wydanie zbioru danych nie jest wymienione ani na karcie modelu, ani w repozytorium kodu. Dostajesz przepis, a nie składniki.

• Też nie ma go w zestawie — żadnego hostowanego endpointu. Nigdzie nie udało nam się znaleźć API obsługującego AesCode-8B, a w naszym własnym katalogu go nie ma. Dopóki jakiś dostawca go nie przejmie, ocena oznacza wczytywanie wag na własne GPU.

Sposób, w jaki Microsoft to ujmuje, warto zacytować, ponieważ to cały brief projektowy: modele kodu „nie widzą, jak układ, hierarchia i kolor łączą się na kanwie”, podczas gdy generatory obrazów „komponują atrakcyjne wizualnie strony, ale często błędnie renderują tekst, liczby i relacje logiczne”. AesCode to próba zaczerpnięcia wyczucia kompozycji z jednego i weryfikowalności z drugiego.

Wynik 1,00 punktu — wyjaśnienie

Oto mechanizm stojący za liczbą w pierwszym akapicie. Podczas treningu każde polecenie jest łączone z obrazem referencyjnym wygenerowanym na podstawie tego samego polecenia — własne przebiegi Microsoftu wykorzystywały GPT-Image-2 do obrazu oraz GPT-5.5 do rozwinięcia krótkiego pomysłu w szczegółowe polecenie treści. Obraz referencyjny nie ma władzy nad treścią; źródłem prawdy pozostaje polecenie tekstowe. Obraz referencyjny dostarcza układ i styl, a funkcja nagrody jest skonstruowana tak, aby te dwie rzeczy pozostawały rozdzielone.

Konsekwencją jest to, że wizualny prior trafia do polityki, a nie do danych wejściowych. AesCode-8B traci 1,00 punktu Visual, gdy referencja zostaje usunięta podczas inferencji. Jej własny backbone, oceniany z warunkowaniem na referencji na poziomie 44,72 Visual, traci 19,55 punktu bez niej. GPT-5.5 traci 10,04. Destylowana wersja tego: model przestał potrzebować obrazu.

Druga połowa wyniku to ta, którą łatwo przeoczyć. Microsoft informuje, że nagrody oparte na referencjach podniosły wynik Visual w trybie prompt-only z 25,17 do 69,71 — model, który w czasie wnioskowania nigdy nie widzi referencji, wciąż odnosi korzyści z tego, że trenowano go z ich użyciem. Jeśli planowałeś pominąć etap generowania referencji we własnym potoku, ta liczba mówi, że nie warto pomijać go również podczas treningu.

Szczera uwaga do tego wszystkiego: to jest rubryka Microsoftu, na 300 próbkach infografik Microsoftu, oceniana trzy razy na prompt, bez cherry-pickingu. Połowa wyniku pochodzi od deterministycznych weryfikatorów, które każdy mógłby odtworzyć; druga połowa, wymiary listy kontrolnej, jest oceniana przez model wizyjno-językowy, którego tożsamości dokumentacja nie podaje. Nie można odtworzyć drugiej połowy bez wiedzy, który sędzia ją wygenerował.

Gdzie smak przenika do wag

Metoda treningowa to część tego wydania, która zawiera najbardziej uniwersalne pomysły, a sama jest bardziej mechaniczna, niż sugeruje wynik.

• Wszystko jest najpierw grafem. Każdy cel jest reprezentowany jako graf projektowy: węzły dla tekstu, wykresów, tabel, kart, regionów i slotów obrazów, a krawędzie dla zawierania, wyrównania, kolejności i połączeń. Sedno grafu to przypisanie — każda właściwość na kanwie należy do nazwanego elementu, więc każdą właściwość można ocenić osobno.

• Siedem kanałów nagród. Sześć deterministycznych weryfikatorów sprawdza to, co da się przeanalizować — wykonanie, dokładny tekst, granice, dane tabel i wykresów, układ semantyczny, białe znaki — a specyficzna dla danej próbki Visual Graph Rubric, zbudowana jako powiązane z grafem pytania zamknięte tak/nie o geometrię i rozmieszczenie, ocenia resztę. Kanały to wykonanie, tekst, granice, tablechart, układ, białe znaki i projekt.

• Kanały są normalizowane, zanim zostaną połączone.GDPO normalizuje każdy kanał w obrębie swojej grupy rolloutów, dzięki czemu gęsty sygnał oparty na regułach nie może zagłuszyć rzadkiego sygnału wizualnego. Microsoft mierzy to jako wynik o 5,12 punktu Visual wyższy niż zwykły skalarny GRPO w tej samej konfiguracji — raportowane przez dostawcę, ale to konkretna ablacja, a nie twierdzenie.

• Ocenianie odbywa się przez renderowanie. Kandydacki HTML jest renderowany w piaskownicy przeglądarki Playwright z zablokowanymi żądaniami zewnętrznymi, a harness odczytuje z powrotem DOM, obliczone style, pola otaczające, status konsoli i zrzut ekranu. Tabele muszą być tabelami HTML; wykresy muszą być specyfikacjami ECharts. To ograniczenie naprawdę coś robi — wymusza na wyniku kształt, który weryfikator może sparsować.

• Sam przepis. Nadzorowane dostrajanie z zimnym startem na 3000 demonstracji przy współczynniku uczenia 1e-5, następnie GDPO na 7408 promptach przez 400 kroków na hybrydowym silniku FSDP-vLLM od verl, bez krytyka i bez osobno trenowanego modelu nagrody. AdamW przy stałym 5e-6, bez warmupu, weight decay 0,01, 128 promptów na krok z 8 rollouts każdy, współczynniki KL i entropii oba 0,001, prompt i odpowiedź ograniczone do 8192 tokenów każdy. Udostępnione przebiegi wykorzystywały pojedynczy węzeł z ośmioma NVIDIA B200. AesCode-32B używa tego samego przepisu przez 520 kroków.

Czytana jako całość, to praca o projektowaniu nagród przebrana za wydanie modelu — i jest to spójne z tym, że w cytowaniu widnieje „Under review”, a nie wskazanie na preprint.

Tablica wyników i kto za nią ręczy

Wszystkie poniższe informacje pochodzą z własnej oceny Microsoftu, raportowanej w karcie modelu, na 300 próbkach infografik. Rule uśrednia programowe testy Text, Bound i Chart; Visual uśrednia wymiary listy kontrolnej Content, Layout i Style; Overall to średnia z tych dwóch. Wyniki to wartości procentowe uśrednione po trzech generacjach na prompt, bez selekcji. „Ref.” oznacza, czy model otrzymał wygenerowane odniesienie wraz z promptem.

• AesCode-8B z referencją — Tekst 94,06, Granica 88,36, Wykres 87,79, Reguła 90,07; Treść 86,41, Układ 87,80, Styl 53,21, Wizualny 75,80; Ogólny 82,94.

• W porównaniu z własnym backbone'em — Qwen3-VL-8B-Instruct warunkowany referencją uzyskuje wynik 44,72 w kategorii Visual i 51,93 w kategorii Overall. To wzrost o 31,1 punktu w kategorii Visual i o 31,0 punktu w kategorii Overall, a to najmniej zaskakujące porównanie w tabeli, ponieważ cały sens treningu tkwi w połowie wizualnej.

• W porównaniu z GPT-5.5, z warunkowaniem odniesienia — Ogółem 81,28, Treść 82,44, Układ 89,93 i Styl 57,91.

• W porównaniu z Claude Opus 4.8, warunkowane referencją — Ogólnie 80,39, Treść 86,42, Układ 89,76.

• AesCode-32B, warunkowany referencją — Tekst 95,34, Granica 97,27, Wykres 90,37, Reguła 94,33, Układ 90,58, Wizualny 77,44, Ogólny 85,89. 22,4 punktu przewagi w kategorii wizualnej nad własnym backbone’em 32B.

• Pułap w kategorii Style — żaden model w tabeli nie przekracza 60, a najlepszym z nich jest wynik 57,91 GPT-5.5. AesCode-8B plasuje się na 53,21. Definicja samego Microsoftu jest bezwzględna: Style zalicza projekt tylko wtedy, gdy nie wymaga on już żadnych dalszych poprawek wizualnych przed przekazaniem. Zatem w jedynym wymiarze, który mierzy, czy człowiek rzeczywiście wypuściłby stronę bez żadnych zmian, model 8B nie jest liderem.

• Awarie granic — poważna awaria przepełnienia kanwy powraca w 4,3% z 300 próbek, wobec 34,7% dla GPT-5.5. Przepełnienie to tryb awarii, który czyni wygenerowany HTML bezużytecznym, a nie tylko brzydkim.

Teraz część, która liczy się tak samo jak tabela. Każda liczba powyżej jest raportowana przez dostawcę i nie została odtworzona. AesCode-8B nie pojawia się w żadnym niezależnym rankingu, jaki udało nam się znaleźć, a porównanie z GPT-5.5 i Claude Opus 4.8 odbywa się według kryteriów Microsoftu, na zadaniu, do którego tamte modele nie były dostrajane, przy definicji „Layout”, która nagradza samo to, że strona w ogóle powstaje. Wynik 94,06 w Text nie oznacza, że ten model bije GPT-5.5 w tekście. Oznacza, że umieszcza etykiety na stronach infograficznych tak, by nie były sprzeczne z promptem, co jest znacznie mniejszą tezą. Wynik w Style to sygnał, że kryteria nie są ustawione na korzyść AesCode — największej wygranej na tablicy wyników towarzyszy tuż obok największa niepochlebna liczba.

Co jest potwierdzone, a co nie

Ponieważ zostało to wydane po cichu, warto wyraźnie rozdzielić te dwie kwestie.

• Potwierdzone — wagi istnieją i można je pobrać na licencji Apache 2.0; dwie daty wydania znajdują się w repozytoriach; architektura, liczba parametrów, długość kontekstu i ustawienia próbkowania są zawarte w opublikowanej konfiguracji i karcie modelu; przepis treningowy i projekt nagrody są udokumentowane wystarczająco szczegółowo, by można było z nimi polemizować; kod, stos weryfikatora i kreator rubryk są publiczne; istnieje towarzyszący model 32B.

• Niepotwierdzone — żadna z liczb benchmarkowych, przez nikogo innego niż dostawcę. Artykuł, który sama dokumentacja opisuje jako będący w recenzji. Tożsamość sędziego vision-language stojącego za wizualną połową wyników. Czy jakikolwiek dostawca będzie go hostować. Czy kontekst 24 576 tokenów sprawdza się na prawdziwych, wieloslajdowych prezentacjach, skoro raportowana ewaluacja dotyczy pojedynczych stron infograficznych. I czegokolwiek na temat zachowania poza językiem angielskim — etykieta językowa karty modelu to wyłącznie „en”.

Jeśli chcesz to uruchomić, i ile to kosztuje

Qwen3-VL-8B-Instruct — model, na podstawie którego dostrojono AesCode-8B, oraz najsilniejsze pojedyncze porównanie dostępne, dopóki ktoś nie opublikuje niezależnego wyniku AesCode — to inna sprawa:

Ścieżka serwowania dla samego AesCode-8B jest krótka, a karta modelu podaje ją wprost: vllm serve microsoft/AesCode-8B --limit-mm-per-prompt image=2 --max-model-len 24576, z transformers w wersji 4.57 lub nowszej dla ścieżki nieopartej na vLLM oraz fragment kodu w Pythonie, który przyjmuje opcjonalny obraz referencyjny przed promptem tekstowym.

Arytmetyka, którą musisz wykonać samodzielnie, to pamięć. 17,5 GB wag bf16 musi zmieścić się razem z pamięcią podręczną KV dla kontekstu 24 576 tokenów i maksymalnie dwóch obrazów, więc pojedyncza karta 24 GB wystarcza technicznie na same wagi, ale jest niewygodnie ciasno na wszystko inne; 40–48 GB, czyli dwie karty 24 GB, to realistyczne minimum. Towarzyszący model 32B to problem innego rzędu — jego shardy sumują się do 66,7 GB, więc wymaga równoległości tensorowej i węzła z wieloma GPU. Uwzględnij w budżecie także renderer: model generuje kompletny dokument HTML, a wszelkie twierdzenia o jego jakości opierają się na wyrenderowaniu tego dokumentu, więc ocena własnych wyników oznacza uruchomienie Playwrighta z zablokowanymi żądaniami zewnętrznymi.

Nie musisz generować obrazu referencyjnego w czasie wnioskowania — to dokładnie to, co daje ci wynik 1,00 punktu — ale dokumentacja jasno mówi, że jakość jest nadal najwyższa, gdy taki obraz zostanie dostarczony, więc uczciwa konfiguracja to opcjonalna referencja, a nie całkowity brak referencji.

AesCode-8B nie jest modelem, który OrcaRouter kieruje w routingu, i nie udało się nam znaleźć go hostowanego nigdzie indziej, więc ocena oznacza obecnie wagi na własnym sprzęcie. Jego szkielet to jednak inna historia. Qwen3-VL-8B-Instruct można dziś routować przez OrcaRouter za 0,18 USD za milion tokenów wejściowych i 0,70 USD za milion tokenów wyjściowych, z kontekstem 131 072 tokenów — co czyni go tanim sposobem, by zobaczyć, jak niedostrojona wersja tej architektury radzi sobie z twoimi własnymi promptami do infografik, zanim poświęcisz tydzień pracy GPU na odtwarzanie cudzej receptury. OrcaRouter przekazuje ceny katalogowe dostawców bez marży (0%) i automatycznie przełącza się między dostawcami, więc takie porównanie kosztuje jeden klucz i nie wymaga drugiej umowy; jeśli AesCode-8B kiedykolwiek trafi do dostawcy, którego obsługujemy, tego samego dnia pojawi się w katalogu. A jeśli zdecydujesz się hostować go samodzielnie, modele, do których w produkcji sięgnąłbyś awaryjnie, to te, które już stoją za tym jednym endpointem — co jest rozsądnym podejściem w przypadku po cichu wydanego modelu bez żadnej niezależnej oceny.

Co obejrzeć

Dwie rzeczy, i żadna z nich nie jest kolejną tabelą benchmarków.

Pierwsza kwestia to artykuł. „AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards” jest cytowany jako będący w recenzji na 2027 rok, co brzmi jak symbol zastępczy wpisany w pole BibTeX, a nie jak termin. Dopóki nie pojawi się preprint lub wersja camera-ready, powyższe wyjaśnienie kanału nagrody jest streszczeniem abstraktu, którego nikt spoza laboratorium nie może przeczytać — a na interesujące pytania, takie jak to, jak Visual Graph Rubric radzi sobie z grafem projektu, który sam jest błędny, odpowiedzi pojawiają się dopiero w pełnym tekście.

Drugim jest hosting. Model 8.8B na licencji Apache-2.0, który emituje ustrukturyzowany, weryfikowalny HTML, ma dokładnie taki kształt, jaki platforma chętnie przejmuje, ponieważ wynik można sprawdzić w sposób, w jaki nie da się sprawdzić JPEG-a. W momencie, gdy ktoś zacznie go serwować, przestaje to być decyzja o self-hostingu i staje się decyzją o routingu — a porównanie kosztów przestaje dotyczyć godzin GPU.

Tego nie należy oczekiwać: jednoznacznego werdyktu. Styl jest górną granicą dla każdego systemu w tej tabeli, w tym dla tego, a Styl to jedyny wymiar, który pyta, czy człowiek wypuściłby tę stronę taką, jaka jest. Obronna interpretacja AesCode-8B jest wąska i prawdziwa: jest bardzo dobry w tych częściach projektowania wizualnego, które da się sprawdzić maszynowo, jest przeciętny w tej części, której nie da się tak sprawdzić, i jest pierwszym modelem o otwartych wagach w tej niszy, w którym różnica między tymi dwiema rzeczami jest sednem wydania, a nie jego przypadkiem.