AesCode-8B vs Gemma 4 12B: โมเดลวิชันขนาดเล็กสองตัว ผลลัพธ์ที่แตกต่างกันอย่างสิ้นเชิงสองแบบ

AesCode-8BและGemma 4 12Bทั้งคู่รับอินพุตเป็นภาพหนึ่งภาพกับประโยคหนึ่งประโยค และทั้งคู่เป็นเช็กพอยต์ Apache-2.0 ที่คุณดาวน์โหลดมาใช้เองแทนที่จะเช่า นี่คือเหตุผลที่เสิร์ชเอนจินยินดีวางสองตัวนี้ไว้เคียงกัน ความคล้ายคลึงนั้นมีอยู่จริง และมันก็ตื้นเขินด้วย Gemma 4 12B คืนกลับมาเป็นคำตอบ — คำบรรยาย คำถอดข้อความ ชิ้นส่วนโค้ด หรือร่องรอยการให้เหตุผล ส่วน AesCode-8B คืนกลับมาเป็นหน้าที่เรนเดอร์แล้ว คือสไลด์ โปสเตอร์ หรือแดชบอร์ดในรูปแบบเอกสาร HTML และ CSS ที่สมบูรณ์ซึ่งคุณเปิดในเบราว์เซอร์และแก้ไขด้วยมือได้ รูปทรงของอินพุตเหมือนกัน ระดับน้ำหนักโดยคร่าวก็อยู่ในช่วงเดียวกัน และเอาต์พุตที่แทบไม่มีอะไรเหมือนกันเลย ความต่างเพียงข้อเดียวนั้นตัดสินคำถามในทางปฏิบัติเกือบทุกข้อด้านล่าง รวมถึงข้อที่ว่าตัวไหนคุณเอาไปวางตรงหน้าผู้ใช้ได้ในวันพรุ่งนี้

ควรพูดไว้ตั้งแต่แรก เพราะมันกำหนดว่าตัวเลขเหล่านี้จะมีความน่าเชื่อถือได้มากน้อยเพียงใด: Gemma 4 12B เปิดตัวโดย DeepMind เมื่อ 2026-06-03 พร้อมการ์ดโมเดล เอกสาร และระบบนิเวศ และได้รับการทดสอบอย่างอิสระตั้งแต่นั้นเป็นต้นมา AesCode-8B ไม่ได้เปิดตัวเลย รีโพซิทอรีของ Microsoft สำหรับมันถูกสร้างเมื่อ 2026-09-29 และเวตลงเอยในคอมมิตชื่อ "Release AesCode-8B" เมื่อ 03:35 UTC ของ 2026-10-07 โดยโค้ดสำหรับการฝึกและการประเมินปรากฏบน GitHub ในวันถัดมา ไม่มีโพสต์จาก Microsoft Research ไม่มีหน้าสินค้า ไม่มีบันทึกการเปิดตัว และไม่มีพรีพรินต์ — การอ้างอิงของการ์ดโมเดลเขียนว่า "Under review" พร้อมปีตัวยึดตำแหน่ง 2027 ณ ขณะเขียนนี้ รีโพซิทอรีของ 8B แสดงยอดดาวน์โหลดสองครั้งและหนึ่งไลก์ ทุกอย่างเชิงปริมาณเกี่ยวกับ AesCode-8B จึงเป็นของ Microsoft เอง และยังไม่มีใครทำซ้ำได้

สองโมเดล ในแบบของตัวเอง

Gemma 4 12B เป็นโมเดลเปิดขนาดกลาง เป็นเช็กพอยต์แบบ dense ที่มีพารามิเตอร์ 11.95 พันล้าน ทางเลือกการออกแบบที่นิยามมันคือการที่มันไม่มีเอนโคเดอร์ภาพหรือเสียงแยกต่างหาก: แพตช์ภาพและรูปคลื่นเสียงจะเข้าสู่ทรานส์ฟอร์เมอร์โดยตรง มันมีคอนเท็กซ์ 256K โทเคน และต้องการ VRAM ประมาณ 16 GB โดยน้ำหนัก BF16 อยู่ที่ราว 27 GB และบิลด์ที่ควอนไทซ์แล้วต่ำกว่า 7 GB การ์ดของผู้ขายเอง — ซึ่งเป็นข้อมูลที่ผู้ขายรายงาน และระบุกำกับไว้เช่นนั้นในที่นี้ — ระบุ DocVQA 94.9, InfoVQA 88.4, MMLU-Pro 77.2, GPQA Diamond 78.8, AIME 2026 77.5 และ LiveCodeBench v6 72.0 ในโหมดคิด การประเมินอิสระคือส่วนที่สำคัญกว่า: Artificial Analysis ให้คะแนนการตั้งค่าการให้เหตุผลที่ Intelligence Index 14 วัดได้ประมาณ 114 โทเคนต่อวินาที และตั้งราคาการเรียกใช้ที่ให้บริการโดยทั่วไปไว้ใกล้ $0.10 ต่อล้านโทเคนอินพุต และ $0.30 ต่อล้านโทเคนเอาต์พุต ผ่านการใช้งานจริงมาแล้วสามเดือนครึ่ง

AesCode-8B เป็นไฟน์จูนของ Qwen3-VL-8B-Instruct ซึ่งเผยแพร่พร้อมชาร์ด safetensors สี่ชาร์ด รวมทั้งหมด 17,543,339,408 ไบต์ — ประมาณ 8.8 พันล้านพารามิเตอร์ bf16 ซึ่งเป็นเหตุผลที่ฟิลด์ขนาดแบบปัดเศษของ Hugging Face แสดง 9B ขณะที่ผู้จำหน่ายระบุว่า 8B คอนฟิกที่เผยแพร่เป็นสูตร Qwen3-VL ตรง ๆ: 36 เลเยอร์ซ่อน ขนาดซ่อน 4,096 32 หัวความสนใจพร้อม 8 หัวคีย์-แวลู คำศัพท์ 151,936 โทเคน และต้องใช้ transformers 4.57 หรือใหม่กว่า การรันที่ Microsoft รายงานใช้บริบท 24,576 โทเคน โดยมีโทเคนเอาต์พุตสูงสุด 12,000, อุณหภูมิ 0.8, top-p 0.95 และสร้างสามครั้งต่อพรอมป์ต์โดยไม่มีการเลือก สัญญาอนุญาตคือ Apache 2.0, ไม่ต้องขอสิทธิ์เข้าถึง, ไม่มีภาคผนวกการใช้งานที่ยอมรับได้ สิ่งที่ไม่มีมาในกล่องคือข้อมูลการฝึกและการประเมิน รวมถึงเอนด์พอยต์ที่โฮสต์ไว้ใด ๆ — เราไม่พบ AesCode-8B ที่ให้บริการที่ไหนเลย และมันไม่อยู่ในแคตตาล็อกของเราเอง

สิ่งที่โมเดลเหล่านี้ได้รับการฝึกมาให้ทำจริง ๆ

บรีฟการออกแบบถูกอ้างไว้ในโมเดลการ์ด และคุ้มค่าที่จะอ่านในฐานะแก่นข้อเสนอทั้งหมด: โมเดลโค้ด "มองไม่เห็นว่าเลย์เอาต์ ลำดับชั้น และสีมาบรรจบกันบนแคนวาสได้อย่างไร" ขณะที่ตัวสร้างภาพ "จัดองค์ประกอบหน้าได้ดึงดูดสายตา แต่บ่อยครั้งก็เรนเดอร์ข้อความ ตัวเลข และความสัมพันธ์เชิงตรรกะผิดพลาด" AesCode คือความพยายามที่จะรักษาทั้งความเข้าใจในการจัดองค์ประกอบและความสามารถตรวจสอบได้ไว้พร้อมกัน

กลไกนี้มีความแปลกเฉพาะในแง่หนึ่ง นั่นคือพรอมป์ต์ฝึกทุกอันจะถูกจับคู่กับภาพอ้างอิงที่สร้างจากพรอมป์ต์เดียวกันนั้น ซึ่งทำหน้าที่ให้เลย์เอาต์และสไตล์ ในขณะที่พรอมป์ต์ข้อความยังคงเป็นตัวชี้ขาดด้านเนื้อหา จากนั้น ณ ขั้นตอนการอนุมาน โมเดลแทบไม่จำเป็นต้องใช้ภาพเลย หากไม่ให้ภาพอ้างอิงแก่ AesCode-8B คะแนน Visual ของมันจะลดลง 1.00 จุดจากหนึ่งร้อย หากไม่ให้แก่ Qwen3-VL-8B-Instruct การลดลงคือ 19.55 หากไม่ให้แก่ GPT-5.5 ซึ่งประเมินภายใต้ฮาร์เนสเดียวกัน การลดลงคือ 10.04 ไพรเออร์ด้านภาพไปอยู่ในเวตแทนที่จะอยู่ในอินพุต และนั่นคือผลการวิจัยที่แท้จริงซึ่งอยู่ใต้พาดหัวข่าว

เป้าหมายการฝึกของ Gemma 4 12B คือเป้าหมายแบบมัลติโมดัลทั่วไป และการพูดเช่นนั้นก็ไม่ถือเป็นการวิจารณ์: อ่านภาพ ตอบคำถาม ทำตามคำสั่ง เรียกใช้เครื่องมือ ไม่มีสิ่งใดในการ์ดของมันที่บ่งชี้ว่ามันเคยถูกมุ่งไปที่การสร้างชิ้นงานที่เรนเดอร์ออกมา และไม่มีการประเมิน Gemma 4 12B ที่เผยแพร่ใดที่วัดคุณภาพเลย์เอาต์เอกสาร การล้นของแคนวาส หรือความสอดคล้องของการออกแบบ เพราะสิ่งเหล่านั้นไม่ใช่ตัวชี้วัดของโมเดลนี้

กระดานคะแนน และเกณฑ์นั้นเป็นของใคร

• พารามิเตอร์ — AesCode-8B: 8.8B bf16 แบบเดนส์ Gemma 4 12B: 11.95B แบบเดนส์

• ข้อมูลนำเข้า — AesCode-8B: ข้อความพร้อมรูปภาพอ้างอิง (ไม่บังคับ) Gemma 4 12B: ข้อความ รูปภาพ เสียง และวิดีโอ

• เอาต์พุต — AesCode-8B: เอกสาร HTML และ CSS ที่สมบูรณ์ Gemma 4 12B: ข้อความ รวมถึงการเรียกใช้เครื่องมือ

• บริบท — AesCode-8B: 24,000 โทเคนในการกำหนดค่าที่รายงาน Gemma 4 12B: 256K โทเคน

• สัญญาอนุญาต — ทั้งสองเป็น Apache 2.0 แบบไม่มีข้อจำกัดการเข้าถึง และรวมไฟล์น้ำหนักไว้ด้วย

• หลักฐาน — AesCode-8B: เกณฑ์วัดอินโฟกราฟิก 300 ตัวอย่างของ Microsoft เอง สร้างสามครั้งต่อพรอมต์ ไม่มีการทำซ้ำโดยอิสระ Gemma 4 12B: การ์ดผู้ขายบวกกับ Intelligence Index อิสระที่ 14 และ throughput ที่วัดได้บน Artificial Analysis

ตอนนี้คือส่วนที่กระดานคะแนนแบกไว้ไม่ได้ Microsoft รายงานว่า AesCode-8B ได้ Overall 82.94 บนชุดตัวอย่าง 300 ชิ้นนั้น นำหน้า GPT-5.5 ที่ปรับด้วย reference ซึ่งได้ 81.28 และ Claude Opus 4.8 ที่ 80.39 และนำหน้า backbone Qwen3-VL-8B ของตัวเองอยู่ 31.1 คะแนน Visual ให้อ่านทั้งหมดนี้ในฐานะที่ผู้ขายเป็นผู้รายงานและยังไม่มีใครทำซ้ำได้ บน rubric ที่ผู้ขายสร้างขึ้น บนตัวอย่างที่ผู้ขายเลือก และให้ harness ที่ผู้ขายฝึกโมเดลมาสู้กับมันเป็นตัวให้คะแนน การ์ดนี้ซื่อตรงพอที่จะเผยแพร่มิติหนึ่งที่ไม่มีโมเดลใดในการเปรียบเทียบผ่าน 60 — Style ซึ่ง AesCode-8B อยู่ที่ 53.21 และ GPT-5.5 นำที่ 57.91 — และนิยามของ Microsoft เองสำหรับมิตินั้นคือดีไซน์ที่ไม่ต้องแก้ไขด้านภาพเพิ่มเติมก่อนส่งมอบ บนแกนเดียวที่ถามว่ามนุษย์จะส่งหน้าเว็บนี้โดยไม่แก้ไขหรือไม่ โมเดล 8B ไม่ใช่ผู้นำ นั่นคือตัวเลขที่ต้องจดจำไว้เมื่อมีใครอ้าง 82.94

ในจุดที่它們ทับซ้อนกันอย่างแท้จริง

มีชั้นวางที่ใช้ร่วมกันเพียงหนึ่งเดียว และมันแคบกว่าที่ดู หากคุณกำลังประเมินโมเดลวิชันแบบเปิดขนาดเล็กสำหรับไปป์ไลน์ที่เน้นเอกสารเป็นหลัก ทั้งสองก็เป็นตัวเลือก — ตัวหนึ่งสำหรับอ่านเอกสาร อีกตัวสำหรับสร้างเอกสาร ทีมที่สร้างแดชบอร์ดภายในเป็น HTML และยังต้องดึงค่าตัวเลขจาก PDF ที่อัปโหลด จะได้ใช้งานทั้งสองผลิตภัณฑ์ภายในสัปดาห์เดียวกัน

การแบ่งแยกภายในส่วนที่ทับซ้อนกันนั้นชัดเจน Gemma 4 12B คือโมเดลที่คุณชี้ไปที่เอกสารขาเข้า AesCode-8B คือโมเดลที่คุณชี้ไปที่บรีฟเมื่อสิ่งที่ต้องส่งมอบคือหน้าเพจ ไม่มีตัวใดทดแทนอีกตัวได้ และไปป์ไลน์ที่ต้องการทั้งสองอย่างก็เป็นไปป์ไลน์แบบสองโมเดล ไม่ใช่การเลือกอย่างใดอย่างหนึ่ง

การนำไปใช้งาน ซึ่งเป็นจุดที่ความไม่สมมาตรส่งผลจริง ๆ

เรื่องราวการเสิร์ฟของ Gemma 4 12B จบแล้ว คุณดาวน์โหลดมันมา ควอนไทซ์มันถ้าต้องการ รันบน VRAM 16 GB และมีเครื่องมือจำนวนมากที่ทำแบบนี้อยู่แล้ว หากคุณไม่อยากรันมันเลย การเรียกใช้ผ่านเซิร์ฟเวอร์มีราคาถูกและตั้งราคาแยกอิสระ

เรื่องราวการให้บริการของ AesCode-8B คือบรรทัดคำสั่งหนึ่งบรรทัดกับการคำนวณนิดหน่อย การ์ดโมเดลบอกเส้นทางไว้ตรง ๆ เลย — vllm serve microsoft/AesCode-8B --limit-mm-per-prompt image=2 --max-model-len 24576 โดยใช้ transformers เวอร์ชัน 4.57 ขึ้นไปสำหรับเส้นทางที่ไม่ใช้ vLLM น้ำหนัก bf16 ขนาด 17.5 GB ต้องอยู่ร่วมกับ KV cache สำหรับ 24,576 โทเคนและรูปภาพได้ถึงสองรูป ดังนั้นการ์ด 24 GB ใบเดียวจึงเพียงพอในทางทฤษฎีและคับแคบอย่างน่าอึดอัด ส่วน 40-48 GB หรือการ์ด 24 GB สองใบคือขั้นต่ำที่เป็นจริง ควรเผื่องบสำหรับ renderer ไว้ด้วย เพราะคำกล่าวอ้างเรื่องคุณภาพทั้งหมดเกี่ยวกับโมเดลนี้มาจากการเรนเดอร์ผลลัพธ์ HTML ของมันในเบราว์เซอร์แบบแซนด์บ็อกซ์ ดังนั้นการให้คะแนนผลลัพธ์ของคุณเองจึงหมายถึงการตั้งอะไรสักอย่างในรูปแบบ Playwright โดยบล็อกคำขอภายนอก

จากนั้นก็มีเรื่องของความพร้อมใช้งานที่ต้องพูดกันตามตรง เราไม่ได้ route AesCode-8B และเท่าที่เราหาได้ ก็ไม่มีใครอื่นทำเช่นกัน การประเมินผลในวันนี้จึงหมายถึงการนำเวตไปรันบนฮาร์ดแวร์ของคุณเอง สิ่งที่ใกล้เคียงที่สุดที่เรียกใช้งานได้คือสถาปัตยกรรมที่โมเดลนี้ถูก fine-tune มาจาก Qwen3-VL-8B-Instructนั้นสามารถ route ผ่าน OrcaRouter ได้แล้วในราคา $0.18 ต่ออินพุตหนึ่งล้านโทเคน และ $0.70 ต่อเอาต์พุตหนึ่งล้านโทเคน บนคอนเท็กซ์ 131,072 โทเคนและเช็คพอยต์สองตัวที่เรามีให้บริการก็ตั้งราคาในรูปแบบเดียวกัน — Gemma 4 26B-A4B ที่ $0.06 และ $0.33, Gemma 4 31B ที่ $0.13 และ $0.38 ราคาตามรายการของผู้ให้บริการจะส่งผ่านไปโดยไม่มีการบวกเพิ่ม และการสลับไปยังผู้ให้บริการรายอื่นจะเกิดขึ้นโดยอัตโนมัติ ดังนั้นวิธีที่ประหยัดในการหาว่า prompt ของคุณให้ผลลัพธ์ออกมาดีหรือไม่ก็คือทดสอบกับ backbone ที่ยังไม่ได้ fine-tune ก่อน แล้วค่อยใช้เวลากับ GPU หนึ่งสัปดาห์เฉพาะกับ prompt ที่ผ่านไปได้

คุณอยากได้อันไหนจริงๆ

เลือก AesCode-8B หากสิ่งที่ต้องส่งมอบเป็นหน้าเพจ โมเดลนี้สร้าง HTML ที่มีโครงสร้างและแก้ไขได้ — ตารางเป็นตาราง HTML แผนภูมิเป็นสเปก ECharts — ซึ่งหมายความว่าเอาต์พุตจะแสดง diff ใน Git และนักออกแบบสามารถปรับสไตล์ใหม่ได้โดยไม่ต้องสร้างใหม่ ยอมรับข้อแลกเปลี่ยนนี้: เช็กพอยต์งานวิจัยที่ไม่ได้ประกาศ ซึ่งมียอดดาวน์โหลดสองหลัก ไม่มีการประเมินอิสระ ไม่มีปลายทางโฮสต์ คอนเท็กซ์ 24K ที่ได้รับการตรวจสอบเฉพาะบนหน้า infographic เดียว และแท็กภาษาที่ระบุว่าใช้ได้เฉพาะภาษาอังกฤษบนการ์ด

เลือก Gemma 4 12B สำหรับทุกอย่างอื่น มันอ่านเอกสารได้ดีกว่าโมเดลส่วนใหญ่ที่มีขนาดใหญ่เป็นสองเท่า จัดการเสียงได้ ทำตามคำสั่งของเครื่องมือได้ มีบริบทสองแสนห้าหมื่นโทเค็น และมีประสบการณ์จากผู้คนอื่นๆ สามเดือนครึ่งรองรับอยู่เบื้องหลัง หากคุณกำลังเลือกระหว่างสองตัวนี้เพื่อเป็นโมเดลวิชันขนาดเล็กของคุณ และคุณไม่ได้ถูกขอให้สร้างสไลด์เป็นโค้ดโดยเฉพาะ นี่คือคำตอบ

และหากความต้องการที่แท้จริงคือทั้งสองอย่าง อย่าถือว่ามันเป็นตัวตัดสินเมื่อเสมอกัน ให้ส่งงานด้านการอ่านไปยังโมเดลที่โฮสต์ไว้ และเก็บงานด้านการเรนเดอร์ไว้บนเครื่องใดก็ตามที่สามารถเก็บน้ำหนักได้

อะไรจะเปลี่ยนหน้านี้

สัญญาณสามประการ การทำซ้ำอย่างอิสระของคะแนน 82.94 และการลดลง 1.00 จุดจากค่าอ้างอิง จะเปลี่ยน AesCode-8B จากการกล่าวอ้างของผู้ขายให้กลายเป็นผลลัพธ์ และจะทำให้คำถามเรื่องขนาด 8B กับ 12B น่าสนใจอย่างแท้จริง ไม่ใช่แค่ในนาม ผู้ให้บริการ inference ที่นำ checkpoint นี้ไปใช้จะทำให้คอลัมน์ deployment ยุบหายไป ซึ่งปัจจุบันคือความแตกต่างในทางปฏิบัติทั้งหมด และเปเปอร์ที่ Microsoft อ้างว่าอยู่ระหว่างการพิจารณา — "AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards" — จะตอบคำถามที่ model card ตอบไม่ได้ เริ่มจากว่า visual rubric ทำงานอย่างไรเมื่อ design graph เองผิด จนกว่าหนึ่งในนั้นจะเกิดขึ้นจริง การตีความที่ป้องกันได้ก็ยังแคบและเป็นจริง: AesCode-8B เก่งมากในส่วนของ visual design ที่เครื่องตรวจสอบได้ ปานกลางในส่วนที่เครื่องตรวจไม่ได้ และ Gemma 4 12B เป็นผลิตภัณฑ์ที่เสร็จสมบูรณ์ซึ่งทำงานคนละอย่าง