AesCode-8B вышел без лишнего шума: 8B-модель Microsoft пишет слайды и дашборды в виде HTML

Самое интересное число в новом релизе Microsoft — 1,00. Уберите референсное изображение у AesCode-8B — модели с 8 миллиардами параметров, которая создаёт слайды, постеры и дашборды в виде редактируемых HTML и CSS, — и её визуальная оценка падает на один балл из ста. Уберите тот же референс у Qwen3-VL-8B-Instruct, открытой модели, на основе которой дообучали AesCode-8B, — и падение составит 19,55 балла. У GPT-5.5оно равно 10,04. Именно в этом одном сравнении и заключается настоящий результат исследования, и оно скрывается под заголовком, который Microsoft тоже опубликовала: по её собственной рубрике из 300 примеров итоговая оценка AesCode-8B в 82,94 балла чуть обходит GPT-5.5 с референсом (81,28) и Claude Opus 4.8 (80,39), а более крупный собрат, AesCode-32B, набирает 85,89.

Об этом выпуске ничего не объявлялось. Microsoft закоммитила веса на Hugging Face 2026-10-07 под лицензией Apache 2.0 — AesCode-8B плюс 32B-компаньон, созданный тем же способом на основе Qwen3-VL-32B-Instruct, — и на следующий день запушила код обучения и оценки на GitHub. Нет ни поста в блоге Microsoft Research, ни заметки о выпуске, ни страницы продукта, ни препринта: в разделе цитирования карточки модели указано «Under review», год 2027, что является заглушкой, а не датой. По состоянию на 2026-10-11 в репозитории 8B отображаются две загрузки и один лайк; в репозитории на GitHub — одна звезда. Всё приведённое ниже, где есть число, — это либо метка времени, которую вы можете проверить сами, либо цифра, которую Microsoft сообщила о своём собственном наборе для оценки, — и это различие здесь важнее обычного, потому что ни одну часть этой модели не измерял никто другой.

Что поставлено, а что не входит в комплект

Три даты определяют этот релиз, и это единственные даты в нём. Репозиторий Hugging Face для microsoft/AesCode-8B был создан 2026-09-29, веса были закоммичены с сообщением "Release AesCode-8B" в 03:35 UTC 2026-10-07, а microsoft/AesCode репозиторий с кодом стал публичным на следующий день, 2026-10-08 в 23:14 UTC. Веса 32B попали в то же окно коммитов. Ничего в промежутке нигде не анонсировалось.

• Веса — четыре шарда safetensors общим объёмом 17 543 339 408 байт, что соответствует примерно 8,8 млрд параметров в формате bf16. Microsoft обозначает модель как 8B; поле размера на Hugging Face округляет его до 9B. Это округление, а не расхождение.

• Архитектура — прямое дообучение по рецепту Qwen3-VL: Qwen3VLForConditionalGeneration, 36 скрытых слоёв, размер скрытого слоя 4 096, 32 головы внимания с 8 головками ключ-значение, словарь на 151 936 токенов и чередующиеся позиции mrope. Требуется transformers 4.57 или новее.

• Контекст и вывод — в описанных запусках использовался контекст размером 24 576 токенов с генерацией до 12 000 выходных токенов при температуре 0.8 и top-p 0.95, по три прогона на каждый промпт без отбора. Команда запуска vLLM допускает два изображения на промпт: референсное и ничего больше, потому что на выходе получается текст.

• Лицензия — Apache 2.0, описывается как следующая за основой Qwen3-VL. Полностью разрешительная, без ограничений, без дополнения о допустимом использовании.

• Нет в комплекте — данные для обучения и оценки. Репозиторий поставляет пайплайн и документирует ожидаемые входы и выходы, а также упоминает ожидаемые файлы разделения, но ни в карточке модели, ни в репозитории кода не указан выпуск набора данных. Вы получаете рецепт, а не ингредиенты.

• Также нет в комплекте — ни одного размещённого эндпоинта. Мы нигде не смогли найти API, обслуживающий AesCode-8B, и его нет в нашем собственном каталоге. Пока какой-нибудь провайдер не подхватит его, для оценки придётся загружать веса на собственные GPU.

Формулировка, которую использует Microsoft, стоит того, чтобы её процитировать, ведь это и есть всё техническое задание: кодовые модели «не видят, как компоновка, иерархия и цвет соединяются на холсте», тогда как генераторы изображений «создают визуально привлекательные страницы, но часто неправильно воспроизводят текст, числа и логические связи». AesCode — это попытка взять чувство композиции у первых, а проверяемость — у вторых.

Результат в 1,00 балла — с объяснением

Вот механизм, стоящий за числом в первом абзаце. Во время обучения каждый промпт сопоставляется с референсным изображением, сгенерированным из того же самого промпта — собственные прогоны Microsoft использовали GPT-Image-2 для изображения и GPT-5.5, чтобы развернуть краткую идею в подробный контент-промпт. Референс не обладает содержательным авторитетом; текстовый промпт остаётся источником истины. Референс обеспечивает компоновку и стиль, и функция вознаграждения построена так, чтобы разделять эти две вещи.

Следствие состоит в том, что визуальный приор оказывается в политике, а не во входных данных. AesCode-8B теряет 1,00 балла Visual, когда референс убирают при инференсе. Его собственный бэкбон, оценённый с обусловливанием на референс на уровне 44,72 по Visual, без него теряет 19,55 балла. GPT-5.5 теряет 10,04. Дистиллированная версия этого: модель перестала нуждаться в картинке.

Вторая половина результата — это то, что легко упустить. Microsoft сообщает, что вознаграждения на основе эталонов подняли показатель Visual в режиме «только промпт» с 25,17 до 69,71 — модель, которая во время инференса никогда не видит эталонов, всё равно выигрывает от того, что обучалась с опорой на них. Если вы планировали пропустить этап генерации эталонов в собственном пайплайне, именно это число говорит о том, что и в обучении не стоит его пропускать.

Честная оговорка по поводу всего этого: это рубрика Microsoft, на 300 образцах инфографики Microsoft, с оценкой три раза на каждый промпт и без отбора удачных вариантов. Половина оценки складывается из детерминированных верификаторов, которые может воспроизвести кто угодно; другая половина — измерения из контрольного списка — оценивается визуально-языковой моделью, чью идентичность документация не называет. Вы не можете воспроизвести вторую половину, не зная, какой оценщик её выставил.

Где вкус попадает в веса

Метод обучения — это та часть данного релиза, в которой больше всего переносимых идей, и он более механистичен, чем можно судить по результату.

• Всё — в первую очередь граф.Каждый целевой объект представлен в виде графа дизайна: узлы для текста, диаграмм, таблиц, карточек, областей и слотов изображений, а рёбра — для вложенности, выравнивания, порядка и соединения. Смысл графа — в атрибуции: каждое свойство на холсте принадлежит именованному элементу, поэтому каждое свойство можно оценить отдельно.

• Семь каналов вознаграждения. Шесть детерминированных верификаторов проверяют парсируемые вещи — выполнение, точный текст, границы, данные таблиц и диаграмм, семантическую компоновку, пробельные символы — а специфичная для образца рубрика Visual Graph Rubric, построенная как привязанные к графу вопросы с ответами «да/нет» о геометрии и размещении, оценивает остальное. Каналы — это выполнение, текст, граница, tablechart, компоновка, пробелы и дизайн.

• Каналы нормализуются перед объединением.GDPO нормализует каждый канал внутри своей rollout-группы, поэтому плотный сигнал на основе правил не может заглушить разреженный визуальный. Microsoft измеряет это как 5,12 балла Visual сверх обычного скалярного GRPO при той же конфигурации — по данным производителя, но это конкретная абляция, а не голословное утверждение.

• Оценка выполняется путём рендеринга. HTML кандидата рендерится в изолированном браузере Playwright с заблокированными внешними запросами, а тестовый стенд считывает DOM, вычисленные стили, ограничивающие прямоугольники, состояние консоли и скриншот. Таблицы должны быть HTML-таблицами; диаграммы должны быть спецификациями ECharts. Это ограничение выполняет реальную работу — оно заставляет вывод принять форму, которую может разобрать верификатор.

• Сам рецепт. Холодный старт: дообучение с учителем на 3 000 демонстрациях при скорости обучения 1e-5, затем GDPO на 7 408 промптах в течение 400 шагов на гибридном движке FSDP-vLLM от verl, без критика и без отдельно обученной модели вознаграждения. AdamW с постоянным значением 5e-6, без разогрева, затухание весов 0,01, 128 промптов на шаг, по 8 роллаутов на каждый, коэффициенты KL и энтропии оба равны 0,001, длина промпта и длина ответа ограничены 8 192 токенами. В опубликованных запусках использовался один узел с восемью NVIDIA B200. AesCode-32B использует тот же рецепт в течение 520 шагов.

Если читать текст целиком, это статья о дизайне вознаграждений, переодетая в релиз модели, — и это согласуется с тем, что в цитировании указано «Under review», а не ссылка на препринт.

Табло, и кто за него ручается

Всё нижеследующее — собственная оценка Microsoft, приведённая в карточке модели, на 300 образцах инфографики. Rule усредняет программные проверки Text, Bound и Chart; Visual усредняет критерии контрольного списка Content, Layout и Style; Overall — среднее двух. Баллы — это процентные значения, усреднённые по трём генерациям на каждый промпт без отбора. «Ref.» указывает, был ли модели предоставлен сгенерированный эталон вместе с промптом.

• AesCode-8B с эталоном — Текст 94.06, Границы 88.36, Диаграмма 87.79, Правило 90.07; Содержание 86.41, Макет 87.80, Стиль 53.21, Визуальный 75.80; Общий 82.94.

• Против собственной базовой модели — Qwen3-VL-8B-Instruct с conditioning по референсу набирает 44,72 балла за визуальную часть и 51,93 в целом. Это прирост на 31,1 балла за визуальную часть и на 31,0 балла за общий показатель, и это наименее удивительное сравнение в таблице, поскольку весь смысл обучения заключается именно в визуальной половине.

• В сравнении с GPT-5.5, с опорой на референс — общий балл 81,28, содержание 82,44, вёрстка 89,93 и стиль 57,91.

• В сравнении с Claude Opus 4.8, с опорой на эталон — Общий балл 80.39, содержание 86.42, вёрстка 89.76.

• AesCode-32B, с обусловливанием по референсу — Текст 95.34, Границы 97.27, Диаграмма 90.37, Правила 94.33, Вёрстка 90.58, Визуал 77.44, Общий 85.89. На 22.4 балла выше по визуалу относительно собственного бэкбона 32B.

• Потолок Style — ни одна модель в таблице не набирает больше 60, и 57,91 у GPT-5.5 — лучший результат среди них. AesCode-8B находится на 53,21. Собственное определение Microsoft беспощадно: Style засчитывает дизайн, только если ему не требуется дальнейшая визуальная доработка перед сдачей. Так что по единственному измерению, которое показывает, действительно ли человек выпустил бы страницу без правок, модель 8B не является лидером.

• Сбои на границах — серьёзный сбой переполнения canvas повторяется в 4,3% из 300 образцов против 34,7% у GPT-5.5. Переполнение — это режим отказа, из-за которого сгенерированный HTML становится непригодным для использования, а не просто некрасивым.

Теперь часть, которая важна не меньше таблицы. Все приведённые выше цифры заявлены вендором и не воспроизведены. AesCode-8B не фигурирует ни в одном независимом рейтинге, который нам удалось найти, а сравнение с GPT-5.5 и Claude Opus 4.8 проводится по рубрике Microsoft, на задаче, для которой эти модели не настраивались, с определением «Layout», которое вознаграждает сам факт создания страницы. Оценка 94,06 в категории Text не означает, что эта модель превосходит GPT-5.5 в тексте. Она означает, что она расставляет подписи, не противореча промпту, на страницах инфографики, а это гораздо более скромное утверждение. Результат Style — это признак того, что рубрика не подстроена в пользу AesCode: самая крупная победа в таблице сопровождается самой крупной нелестной цифрой прямо рядом с ней.

Что подтверждено, а что нет

Поскольку это было выпущено без лишнего шума, стоит явно разграничить эти две вещи.

• Подтверждено — веса существуют и доступны для скачивания под лицензией Apache 2.0; обе метки времени релиза указаны в репозиториях; архитектура, число параметров, длина контекста и настройки сэмплирования приведены в опубликованных конфигурации и карточке модели; рецепт обучения и дизайн вознаграждения задокументированы достаточно подробно, чтобы с ними можно было спорить; код, стек верификаторов и конструктор рубрик находятся в открытом доступе; существует сопутствующая модель на 32B.

• Не подтверждено — ни одна из цифр бенчмарков, никем, кроме вендора. Статья, которую сама документация описывает как находящуюся на рецензировании. Личность визуально-языкового судьи, стоящего за визуальной половиной оценок. Будет ли его хостить какой-либо провайдер. Выдержит ли контекст в 24 576 токенов реальные многослайдовые презентации, ведь заявленная оценка проводилась на одиночных страницах-инфографиках. И хоть что-нибудь о поведении за пределами английского — языковой тег в карточке модели — только «en».

Если вы хотите запустить это, и сколько это стоит

Qwen3-VL-8B-Instruct — модель, на основе которой была дообучена AesCode-8B, и сильнейшее отдельное сравнение, доступное до тех пор, пока кто-нибудь не опубликует независимый результат AesCode, — это совсем другое дело:

Путь обслуживания для самого AesCode-8B короток, и карточка модели приводит его напрямую: vllm serve microsoft/AesCode-8B --limit-mm-per-prompt image=2 --max-model-len 24576, с transformers версии 4.57 или новее для маршрута без vLLM, а также фрагмент кода на Python, который принимает необязательное референсное изображение перед текстовым промптом.

Арифметика, которую приходится считать самому, — это память. 17,5 ГБ весов bf16 должны уместиться вместе с KV-кэшем для контекста на 24 576 токенов и до двух изображений, так что одной карты на 24 ГБ технически достаточно для весов, но для всего остального это некомфортно впритык; 40–48 ГБ или две карты по 24 ГБ — это реалистичный минимум. Компаньон на 32B — задача совсем другого порядка: его шарды в сумме занимают 66,7 ГБ, поэтому ему нужен тензорный параллелизм и узел с несколькими GPU. Предусмотрите также рендерер: модель выдаёт полный HTML-документ, и любое утверждение о его качестве делается путём рендеринга этого документа, поэтому для оценки собственных выходных данных нужно поднять Playwright с заблокированными внешними запросами.

Вам не нужно генерировать референсное изображение во время инференса — именно это и даёт результат в 1,00 балла, — но документация ясно говорит, что качество всё равно выше, когда оно предоставлено, поэтому честная конфигурация — это необязательный референс, а не полное отсутствие референса.

AesCode-8B не маршрутизируется через OrcaRouter, и мы также не смогли найти её размещённой где-либо ещё, так что оценка сейчас означает веса на вашем собственном оборудовании. А вот её базовая модель — совсем другое дело. Qwen3-VL-8B-Instruct сегодня маршрутизируется через OrcaRouter по цене $0.18 за миллион входных токенов и $0.70 за миллион выходных, с контекстом в 131,072 токена — что делает его дешёвым способом увидеть, как версия этой архитектуры без тонкой настройки справляется с вашими собственными промптами для инфографики, прежде чем вы потратите неделю GPU на воспроизведение чужого рецепта. OrcaRouter передаёт прейскурантную цену провайдера без наценки (0%) и автоматически переключается между провайдерами при сбоях, так что такое сравнение стоит одного ключа и не требует второго контракта; если AesCode-8B когда-нибудь появится у провайдера, которого мы маршрутизируем, он будет в каталоге в тот же день. А если вы разместите её самостоятельно, модели, на которые вы бы переключились в продакшене, — это те, что уже стоят за тем самым одним эндпоинтом — что является разумной позицией для тихо выпущенной модели без независимых оценок.

Что посмотреть

Две вещи, и ни одна из них — не очередная таблица с бенчмарками.

Первое — это статья. «AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards» указана как находящаяся на рецензировании для 2027 года, что выглядит скорее как заполнитель, введённый в BibTeX-запись, а не как график публикации. Пока не появится препринт или финальная версия (camera-ready), приведённое выше объяснение канала вознаграждения остаётся пересказом аннотации, которую никто за пределами лаборатории не может прочитать, — а интересные вопросы, например, как Visual Graph Rubric обрабатывает граф дизайна, который сам по себе неверен, получают ответы только в полном тексте.

Второе — хостинг. Модель на 8,8 млрд параметров с лицензией Apache-2.0, которая выдаёт структурированный, проверяемый HTML, — это именно тот формат, который подхватывает платформа, потому что результат можно инспектировать, а JPEG — нет. Как только кто-то запускает её как сервис, это перестаёт быть самостоятельным хостингом и становится решением о маршрутизации — и сравнение затрат перестаёт сводиться к GPU-часам.

То, чего не стоит ожидать, — это однозначного вердикта. Style — это потолок для каждой системы в той таблице, включая эту, и Style — единственное измерение, которое задаёт вопрос, выпустил бы человек страницу как есть. Оправданная трактовка AesCode-8B узка и реальна: она очень хороша в тех частях визуального дизайна, которые можно проверить машиной, посредственна в той, которую нельзя, и это первая модель с открытыми весами в этой нише, где разрыв между этими двумя вещами — суть релиза, а не случайное его свойство.