AesCode 32B vs Qoder Cantus: Du kan inspektera den ena och köra den andra, aldrig båda

Här är en inversion värd att fundera över. AesCode 32B, Microsofts checkpoint för HTML- och CSS-generering, är den mest inspekterbara modellen i sin klass: Apache 2.0-vikter på Hugging Face, ett öppet arkiv som innehåller belöningsverifierarna, bedömningsmatrisbyggaren och träningsloopen, en utvärdering med 300 exempel utskriven i sin helhet, och ett träningsrecept detaljerat ända ner till inlärningshastigheten och antalet rollout-steg. Dess Hugging Face-arkiv är daterat till den 29 september 2026; committen med titeln "Release AesCode-32B" landade den 7 oktober 2026; Microsoft har inte tillkännagivit något av detta. Och nästan ingen kan köra den, eftersom det är en 33B-checkpoint som kräver ungefär 65 GB acceleratorminne och ingen leverantör tillhandahåller den. Qoder Cantus är den exakta motsatsen. Den körs idag, inuti Qoder, för alla med en prenumeration — och du kan inte inspektera den alls. Qoders hela publicerade beskrivning av modellen är en mening, det finns inga parametrar, inget kontextfönster, ingen benchmarktabell och inga vikter, och eftersom det inte finns något API kommer det aldrig att finnas någon tredjepartssiffra. En modell berättar allt för dig och låter dig inte göra någonting. Den andra låter dig göra allt och berättar ingenting. Den intressanta frågan är vilket felmod som kostar dig mer.

Vad dokumentationen säger, i sin helhet

Asymmetrin är enklast att se genom att helt enkelt citera vad som finns.

För AesCode 32B omfattar den offentliga dokumentationen: basmodellen (Qwen3-VL-32B-Instruct), parameterantalet, licensen, den avsedda användningen, träningsdatamängden, SFT-inlärningshastigheten, RL-optimerarens inställningar, namnen på belöningskanalerna, antalet prompter och steg, utvärderingens urvalsstorlek, antalet genereringar per prompt, dekodningstemperaturen och top-p, kontextlängden som används för poängsättning, tre separata publicerade resultattabeller och en citering för en artikel som anges vara under granskning. Det stannar strax innan ett releasedatum och ett tvåsiffrigt nedladdningsantal — och modellkortets notering att det behöver transformers>=4.57 och att det automatiskt genererade användningsutdraget på sidan inte stämmer överens med kortets eget exempel är den typ av detalj som bara överlever när artefakten är verklig.

Om Qoder Cantus lyder den offentliga beskrivningen: "Qoders inbyggda intelligenta modell i toppklass, som utmärker sig vid långvarig autonom uppgiftskörning." Det är beskrivningen. Det finns inget modellkort eftersom det inte finns någon modell att ladda ner, ingen benchmarktabell eftersom Qoder inte publicerade något lanseringsinlägg eller någon teknisk rapport, och ingen arena-listning eftersom en arena behöver en endpoint att anropa. Vad mer som är känt är strukturellt snarare än tekniskt: Cantus visas i modellväljaren i Qoder Desktop, JetBrains-pluginen, CLI:t, Cloud Agents och webbklienten, och det faktureras via Qoders kreditsystem med en koefficient som tillämpas på modellens användning.

Det är inte en kritik av modellen. Det är en beskrivning av vad som kan kontrolleras, och för Cantus är svaret ingenting.

Där var och en är genuint stark

AesCode 32B:s styrka är verifierbarhet, och den är tillräckligt ovanlig för att vara värd att förklara snarare än att bara påstå. Träningssignalen är inte en enda poäng — den består av sju kanaler, varav sex är deterministiska verifierare som läser egenskaper ur den genererade koden och dess rendering, plus en vision-språk-domare som bedömer de icke-parserbara egenskaperna mot en bedömningsmall knuten till en designgraf per prov. Varje kandidat renderas i en sandboxad Playwright-webbläsare med externa förfrågningar blockerade, och exporterar DOM:en, beräknade stilar, avgränsningsrutor, konsolstatus och en skärmbild. Eftersom varje egenskap kan tillskrivas kan labbet rapportera att modellen förbättrade den visuella komponenten med 22,4 poäng jämfört med sin egen Qwen3-VL-32B-backbone och berätta vilka kanaler som fortfarande klättrade i slutet av träningen. Det är ett släpp du kan argumentera emot, reproducera eller bygga vidare på.

Kostnaden är lika specifik. Kortet rekommenderar att man planerar för ungefär 65 GB enbart för bf16-parametrarna; dess serveringsexempel använder fyrvägs tensorparallellism; de rapporterade siffrorna använder en kontext på 24 576 token; under förstärkningsinlärning begränsades promptarna och svaren till 8 192 token. Ställ det mot det faktum att ingen inferensleverantör driftsätter checkpointen och att barriären inte är filosofisk. Antingen äger du hårdvaran eller hyr den, och du bygger den multimodala serveringsvägen själv.

Cantus styrka är motsatsen: den finns helt enkelt bara där. Ingen nedladdning, ingen GPU, ingen serving-stack, ingen harness att välja. Den visas i modellväljaren i den IDE du redan befinner dig i, och den är positionerad för exakt det som agentiska kodverktyg säljs in på – lång autonom uppgiftskörning. Vad som än annars är osäkert kring den har distributionsproblemet lösts åt dig, och Qoder vet förmodligen mer om modellen som byggts än vad som har publicerats.

De tre frågorna du inte kan besvara om Cantus

Det är värt att vara precis om vad den saknade dokumentationen kostar, eftersom "inga benchmarks" underskattar det.

• Hur stor är den — okänt. Antalet parametrar avslöjas inte. I en modell där användningen mäts i krediter är detta ingen bagatell: det är den viktigaste faktorn för om en uppgift som kostar dig $2 någon annanstans bara kan utföras för $6 här.

• Hur mycket kontext rymmer den — inte avslöjat, med tredjepartsdiskussioner som antyder något i 200K-området och ingen källa för det. Långsiktigt agentiskt arbete står och faller med den här siffran, och den är inte publicerad.

• Är den något bra — omöjligt att besvara i strikt mening. Qoders argument, underförstått i positioneringen, är att långvarig autonom körning mäts bättre utifrån hur en modell hanterar kontext, återhämtning och hundratals verktygsanrop än utifrån kodningspoäng för enstaka turer. Det är ett rimligt argument. Det skulle få större genomslag om modellen gick att testa, och det går inte, eftersom ingenting utanför Qoder kan anropa den.

Jämför det med den tredje frågans spegelbild på AesCode-sidan: siffrorna finns och är detaljerade, men de är Microsofts siffror, framställda av Microsofts testramverk, på Microsofts 300 sampel, och inget utomstående labb har reproducerat någon av dem. AesCode 32B har ett dokumenterat tak på 55,99 i sin egen stildimension och en felfrekvens på 4,3 % för allvarliga canvasgränsfel – båda publicerade av leverantören – och ingen oberoende bekräftelse på att någon av siffrorna stämmer. Så de två felmoderna är: siffror du inte kan lita på, och inga siffror. Det är ett sämre val än "en är bra, en är dålig", och det är det val som den här matchningen faktiskt erbjuder.

Vad det kostar dig på vardera sidan

Cantus fakturerar via Qoders kreditsystem i stället för en publicerad token-taxa. Qoder tillämpar en koefficient på en modells användning, och Cantus lanserades med en multiplikator på 3,2×, sänkt till 1,6× under en kampanj med 50 % rabatt som pågick till den 31 juli 2026. Om man rekonstruerar utifrån Qoders egna publicerade kredituppskattningar i stället för någon per-token-siffra — Qoder har aldrig publicerat någon sådan för Cantus — blir det ungefär 0,38 USD per vända i redigeringsläge, 1,60 USD per Quest-uppgift och 2,40 USD per Quest i Experts-läge. Dessa är rekonstruktioner, märkta som sådana eftersom det inte finns någon primärkälla som säger något annat.

Kostnaden för AesCode 32B är en kapitalkostnad i stället för en styckkostnad. Vikterna är gratis under Apache 2.0, och räkningen kommer i form av GPU-timmar – 65 GB acceleratorminne för att hålla parametrarna, plus visionstornet, plus vilken genomströmning du än behöver. Om du redan kör en nod av B200-klass för annat arbete är marginalkostnaden nära noll. Om du inte gör det är den ärliga jämförelsen inte ”$0 per miljon tokens” mot Qoders krediter; det är ett hårdvarubeslut kontra en prenumeration.

Skillnaden i komponerbarhet

Det finns ytterligare en konsekvens av åtkomstmodellen, och det är den som en routingplattform lägger märke till först.

Cantus kan inte kombineras med något. Inget API innebär ingen reservlösning, ingen A/B mot en annan modell på samma uppgift, ingen kaskad från en billig modell till en dyr mitt i en förfrågan, inget sätt att inkludera den i en utvärderingsram du har skrivit. Det är ett alternativ inuti en produkt, och den enda spaken du håller är väljaren. Det är ett medvetet designval från Qoders sida och ett fullständigt rimligt sådant om IDE:n är där du vill leva — men det innebär att din arkitektur ärver Qoders färdplan.

AesCode 32B har den motsatta egenskapen i teorin och ett gap i praktiken. Vikter innebär att den kan köras var som helst: ditt kluster, en hyrd instans, dina egna verktyg, din egen utvärdering. Det den inte kan göra idag är att anropas, eftersom ingen leverantör tillhandahåller den – Microsoft publicerade en checkpoint och stannade där. Så modellen som är strukturellt komponerbar är ännu inte praktiskt komponerbar, och modellen som är praktiskt tillgänglig är strukturellt låst.

Det gör att routingargumentet blir snävare än vanligt, och det är värt att säga ärligt: ingen av modellerna i den här matchningen finns i vår katalog, och den här sidan tänker inte låtsas något annat. Vad en enda slutpunkt med över 200 modeller till leverantörens listpris faktiskt ger dig här är det omgivande lagret – möjligheten att bygga arbetsflödet som konsumerar AesCode 32B:s utdata och att routa de delar av det som en generell modell bör hantera, utan att sätta upp ett andra avtal för var och en. Om du vill testa det lagret innan du binder dig till en självhostad vision-language-driftsättning, är det billigaste sättet en anropbar modell i samma familj: AesCode 32B är en finjustering av Qwen3-VL-32B-Instruct, och Qwen3-VL 235B A22B Instruct finns tillgänglig för $0.40 per miljon indatatoken och $1.60 utdata, med den mindre Qwen3-VL 8B Instruct för $0.18 och $0.70. De är olika modeller, inte ersättare för finjusteringen – men de svarar på "kan en hostad VLM läsa den här skärmbilden och skriva kod tillräckligt bra för vår pipeline" för några cent i stället för 65 GB, och failover mellan leverantörer ligger under samma nyckel om svaret är ja och trafiken blir verklig.

Hur man väljer

Välj Cantus om du redan är inne i Qoder, om du värdesätter avsaknaden av infrastrukturarbete och om overifierbarheten är ett pris du är villig att betala för det. Var klarsynt inför att du köper en förmåga, inte en modell: du kan inte benchmarka den innan du inför den, du kan inte jämföra dess pris med något per token, och du kan inte ta med den om Qoder ändrar sin prissättning eller sin färdplan.

Välj AesCode 32B om du behöver artefakten och har råd med driftsättningen – och särskilt om du behöver en modell som producerar redigerbar HTML som du kan diffa, granska och leverera. Var lika klarsynt: den är oannonserad, inte reproducerad, för stor för de flesta hårdvaror och dokumenterad för ett 24K-kontext som kommer att begränsa långa dokument.

Om du varken vill ha inlåsningen hos det första eller kapitalkostnaden hos det andra, är det ärliga draget att skaffa samma kapacitet från en modell som du kan anropa. En visions-språkmodell bakom en API-nyckel läser en skärmbild och skriver strukturerad markup. Den kommer inte att tränas med sju belöningskanaler justerade för designkvalitet, och den kommer inte att matcha AesCode 32B i det infografikbenchmark som Microsoft byggde. Men den kommer att kosta dig ett registrerat kort i stället för en GPU-upphandling, och du kommer att kunna mäta den själv — vilket är det enda som hela den här jämförelsen handlar om.

Vad du ska titta på

Cantus blir en normal modell den dag Qoder exponerar en slutpunkt eller släpper vikter; fram till dess är varje påstående om den ett påstående om Qoders produkt snarare än ett påstående om en modell, och bevisgapet är strukturellt snarare än en dokumentationsmiss. AisCode 32B blir en normal modell den dag en inferensleverantör plockar upp checkpointen eller ett utomstående labb reproducerar 85,89 — och om det sker samtidigt som Microsoft faktiskt tillkännager saken, är 65 GB-barriären den enda som återstår. Vilket som än landar först talar om för dig vilket av de två fellägena den här branschen har beslutat sig för att sluta tolerera.