AesCode 32B vs Qoder Cantus: Você Pode Inspecionar Um e Executar o Outro, Nunca Ambos

Eis uma inversão que vale a pena contemplar. AesCode 32B, o checkpoint de geração de HTML e CSS da Microsoft, é o modelo mais inspecionável de sua classe: pesos Apache 2.0 no Hugging Face, um repositório aberto contendo os verificadores de recompensa, o construtor de rubricas e o loop de treinamento, uma avaliação de 300 amostras impressa na íntegra, e uma receita de treinamento detalhada até a taxa de aprendizado e o número de etapas de rollout. Seu repositório no Hugging Face data de 29 de setembro de 2026; o commit intitulado "Release AesCode-32B" foi publicado em 7 de outubro de 2026; a Microsoft não anunciou nada disso. E quase ninguém consegue executá-lo, porque é um checkpoint de 33B que exige cerca de 65 GB de memória de acelerador e nenhum provedor o disponibiliza. Qoder Cantus é o inverso exato. Ele funciona hoje, dentro do Qoder, para qualquer pessoa com uma assinatura — e você não consegue inspecioná-lo de forma alguma. Toda a descrição publicada do modelo pelo Qoder é uma única frase, não há parâmetros, nem janela de contexto, nem tabela de benchmark e nem pesos, e, como não há API, nunca haverá um número de terceiros. Um modelo conta tudo e não deixa você fazer nada. O outro deixa você fazer tudo e não conta nada. A pergunta interessante é qual modo de falha custa mais a você.

O que a documentação diz, na íntegra

A assimetria é mais fácil de perceber simplesmente citando o que existe.

No AesCode 32B, o registro público inclui: o modelo base (Qwen3-VL-32B-Instruct), o número de parâmetros, a licença, o uso pretendido, o volume de dados de treinamento, a taxa de aprendizado do SFT, as configurações do otimizador de RL, os nomes dos canais de recompensa, o número de prompts e etapas, o tamanho da amostra de avaliação, o número de gerações por prompt, a temperatura de decodificação e top-p, o comprimento de contexto usado para pontuação, três tabelas separadas de resultados publicadas e uma citação para um artigo listado como em revisão. Ele não chega a incluir uma data de lançamento nem uma contagem de downloads na casa dos dois dígitos — e a observação na ficha do modelo de que ele precisa de transformers>=4.57 e que o trecho de uso gerado automaticamente na página diverge do próprio exemplo da ficha é o tipo de detalhe que só sobrevive quando o artefato é real.

Sobre o Qoder Cantus, o registro público é: "Modelo inteligente de primeira linha integrado ao Qoder, com excelência em execução autônoma estendida de tarefas." Essa é a descrição. Não há ficha técnica do modelo porque não há modelo para baixar, não há tabela de benchmark porque a Qoder não publicou nenhum post de lançamento nem relatório técnico, e não há listagem em arena porque uma arena precisa de um endpoint para chamar. O que mais se sabe é estrutural, e não técnico: o Cantus aparece no seletor de modelos em todo o Qoder Desktop, o plugin para JetBrains, a CLI, o Cloud Agents e o cliente web, e é cobrado por meio do sistema de créditos da Qoder, com um coeficiente aplicado ao uso do modelo.

Isso não é uma crítica ao modelo. É uma descrição do que pode ser verificado e, para o Cantus, a resposta é nada.

Onde cada um é genuinamente forte

A força do AesCode 32B é a verificabilidade, e é incomum o suficiente para valer a pena explicar em vez de apenas afirmar. O sinal de treinamento não é uma única pontuação — são sete canais, seis deles verificadores determinísticos que leem propriedades do código emitido e de sua renderização, além de um juiz de visão e linguagem que pontua as propriedades não analisáveis contra uma rubrica vinculada a um grafo de design por amostra. Cada candidato é renderizado em um navegador Playwright em sandbox com solicitações externas bloqueadas, exportando o DOM, estilos computados, caixas delimitadoras, status do console e uma captura de tela. Como cada propriedade é atribuível, o laboratório pode relatar que melhorou o componente Visual em 22,4 pontos em relação ao seu próprio backbone Qwen3-VL-32B e dizer quais canais ainda estavam subindo no final do treinamento. Esse é um lançamento que você pode contestar, reproduzir ou estender.

O custo é igualmente específico. O card aconselha planejar cerca de 65 GB apenas para os parâmetros bf16; seu exemplo de serving usa paralelismo de tensores em quatro vias; os números relatados usam um contexto de 24.576 tokens; durante o aprendizado por reforço, os prompts e as respostas foram limitados a 8.192 tokens. Contraponha isso ao fato de que nenhum provedor de inferência implanta o checkpoint, e a barreira não é filosófica. Ou você possui o hardware, ou o aluga, e constrói você mesmo o caminho de serving multimodal.

A força do Cantus é o oposto: ele não envolve download, nem GPU, nem harness para escolher. Ele aparece no seletor de modelos da IDE em que você já está, e está posicionado exatamente para o principal atrativo das ferramentas de codificação — execução autônoma de tarefas longas. Independentemente de qualquer outra incerteza sobre ele, o problema de implantação já foi resolvido para você, e a Qoder presumivelmente sabe mais sobre o modelo que criou do que publicou.

As três perguntas que você não consegue responder sobre o Cantus

Vale a pena ser preciso sobre quanto custa a documentação que falta, porque “sem benchmarks” subestima isso.

• Qual é o seu tamanho — desconhecido. A contagem de parâmetros não é divulgada. Num modelo medido por créditos, isso não é trivia: é o principal fator para determinar se uma tarefa que custa US$ 2 em outro lugar só pode ser feita por US$ 6 aqui.

• Quanto contexto ele comporta — não divulgado, com discussões de terceiros sugerindo algo na faixa dos 200K e sem nenhuma fonte para isso. O trabalho agêntico de longo horizonte vive e morre por esse número, e ele não é publicado.

• Será que é bom — impossível de responder no sentido estrito. O argumento do Qoder, implícito no posicionamento, é que a execução autônoma prolongada é melhor medida pela forma como um modelo lida com contexto, recuperação e centenas de chamadas de ferramentas do que por pontuações de codificação de turno único. É um argumento justo. Teria mais impacto se o modelo fosse testável, e não pode ser, porque nada fora do Qoder consegue chamá-lo.

Compare isso com a imagem espelhada da terceira pergunta no lado do AesCode: os números existem e são detalhados, mas são os números da Microsoft, produzidos pelo harness da Microsoft, sobre as 300 amostras da Microsoft, e nenhum laboratório externo reproduziu nenhum deles. O AesCode 32B tem um teto documentado de 55,99 em sua própria dimensão de estilo e uma taxa de 4,3% de falhas graves na fronteira do canvas — ambos publicados pelo fornecedor — e nenhuma confirmação independente de que qualquer uma das duas cifras esteja correta. Então, os dois modos de falha são: números em que você não pode confiar, e nenhum número. Essa é uma escolha pior do que "um é bom, um é ruim", e é a escolha que este confronto de fato apresenta.

O que isso lhe custa de cada lado

Cantus cobra por meio do sistema de créditos do Qoder, em vez de uma tarifa por token publicada. O Qoder aplica um coeficiente ao uso de um modelo, e Cantus entrou no ar com um multiplicador de 3,2×, reduzido para 1,6× em uma promoção de 50% de desconto que vigorou até 31 de julho de 2026. Reconstruindo a partir das próprias estimativas de créditos publicadas pelo Qoder, em vez de qualquer valor por token — o Qoder nunca publicou um para Cantus —, isso equivale a aproximadamente US$ 0,38 por turno no modo editor, US$ 1,60 por tarefa do Quest e US$ 2,40 por Quest no modo Experts. Essas são reconstruções, rotuladas como tal porque não há nenhuma fonte primária que diga o contrário.

O custo do AesCode 32B é um valor de capital, e não um valor por unidade. Os pesos são gratuitos sob a Apache 2.0, e a conta chega em horas de GPU — 65 GB de memória de acelerador para armazenar os parâmetros, mais a torre de visão, mais a vazão que você precisar. Se você já executa um nó da classe B200 para outros trabalhos, o custo marginal é próximo de zero. Se não, a comparação honesta não é "US$ 0 por milhão de tokens" contra os créditos do Qoder; é uma decisão de hardware versus uma assinatura.

A diferença de composabilidade

Há mais uma consequência do modelo de acesso, e é a que uma plataforma de roteamento nota primeiro.

Cantus não pode ser composto com nada. A ausência de API significa que não há fallback, não há A/B contra outro modelo na mesma tarefa, não há cascata de um modelo barato para um caro no meio da requisição, não há como incluí-lo em uma estrutura de avaliação que você escreveu. Ele é uma opção dentro de um produto, e a única alavanca que você tem é o seletor. Essa é uma escolha de design deliberada por parte da Qoder e perfeitamente razoável se é no IDE que você quer viver — mas significa que sua arquitetura herda o roadmap da Qoder.

AesCode 32B tem a propriedade oposta em teoria e uma lacuna na prática. Pesos significam que ele pode ir a qualquer lugar: seu cluster, uma instância alugada, suas próprias ferramentas, sua própria avaliação. O que ele não pode fazer hoje é ser chamado, porque nenhum provedor o disponibiliza — a Microsoft publicou um checkpoint e parou por aí. Então, o modelo que é estruturalmente componível ainda não é praticamente componível, e o modelo que está praticamente disponível está estruturalmente bloqueado.

Onde isso deixa o argumento de roteamento é mais restrito do que o habitual, e vale a pena dizer com honestidade: nenhum dos modelos desta comparação está no nosso catálogo, e esta página não vai fingir o contrário. O que um único endpoint com mais de 200 modelos pelo preço de tabela do provedor realmente lhe oferece aqui é a camada ao redor — a capacidade de construir o fluxo de trabalho que consome a saída do AesCode 32B e de rotear as partes dela que um modelo geral deve lidar, sem criar um segundo contrato para cada. Se você quiser testar essa camada antes de se comprometer com uma implantação auto-hospedada de visão-linguagem, o caminho mais barato é um modelo chamável da mesma família: o AesCode 32B é um ajuste fino do Qwen3-VL-32B-Instruct, e o Qwen3-VL 235B A22B Instruct está disponível a US$ 0,40 por milhão de tokens de entrada e US$ 1,60 de saída, com o menor Qwen3-VL 8B Instruct a US$ 0,18 e US$ 0,70. Esses são modelos diferentes, não substitutos do ajuste fino — mas respondem "um VLM hospedado consegue ler esta captura de tela e escrever código bem o suficiente para nosso pipeline" por centavos em vez de 65 GB, e o failover entre provedores fica sob a mesma chave se a resposta for sim e o tráfego se tornar real.

Como escolher

Escolha o Cantus se você já está dentro do Qoder, se valoriza a ausência de trabalho de infraestrutura e se a impossibilidade de verificação é um preço que você está disposto a pagar por isso. Tenha clareza de que você está comprando uma capacidade, não um modelo: você não pode submetê-la a benchmarks antes de adotá-la, não pode comparar seu preço com nada em uma base por token, e não pode levá-la com você se o Qoder mudar seus preços ou seu roteiro.

Escolha o AesCode 32B se você precisar dele e puder arcar com a implantação — e, especificamente, se precisar de um modelo que emita HTML editável que você possa comparar (diff), revisar e. Seja igualmente lúcido: ele não foi anunciado, não foi reproduzido, é grande demais para a maioria dos hardwares e está documentado para um contexto de 24K que vai limitar documentos longos.

Se você não quer nem o lock-in do primeiro nem o custo de capital do segundo, a atitude honesta é obter a mesma capacidade de um modelo que você pode chamar. Um modelo de visão e linguagem por trás de uma chave de API lerá uma captura de tela e escreverá marcação estruturada. Ele não será treinado com sete canais de recompensa ajustados para qualidade de design, e não igualará o AesCode 32B no benchmark de infográficos que a Microsoft criou. Mas custará um cartão cadastrado em vez de uma aquisição de GPU, e você poderá medi-lo por conta própria — que é a única coisa sobre a qual toda essa comparação gira.

O que assistir

O Cantus torna-se um modelo normal no dia em que a Qoder expõe um endpoint ou disponibiliza os pesos; até lá, todas as afirmações sobre ele são afirmações sobre o produto da Qoder e não sobre um modelo, e a lacuna de evidências é estrutural e não uma falha de documentação. O AesCode 32B torna-se um modelo normal no dia em que um fornecedor de inferência adotar o checkpoint ou um laboratório externo reproduzir os 85,89 — e se isso acontecer em simultâneo com a Microsoft a anunciar efetivamente a coisa, a barreira dos 65 GB é a única que resta. Aquilo que surgir primeiro diz-lhe qual dos dois modos de falha esta indústria decidiu deixar de tolerar.