AesCode 32B vs North Mini Code: Tệp trọng số không phải là cam kết

Cả hai mô hình này đều theo Apache 2.0, đều có thể tải xuống, và cả hai đều được xây dựng cho một công việc hẹp — và đó là lúc sự giống nhau không còn hữu ích. AesCode 32B là checkpoint nghiên cứu của Microsoft để tạo HTML và CSS có thể chỉnh sửa: slide, poster, bảng điều khiển và báo cáo. Kho lưu trữ Hugging Face của nó được tạo vào ngày 29 tháng 9 năm 2026 và commit có tiêu đề "Release AesCode-32B" được đưa vào ngày 7 tháng 10 năm 2026; Microsoft chưa công bố thông báo nào, và thẻ mô hình hoàn toàn không ghi ngày phát hành. North Mini Code là mô hình lập trình agentic trọng số mở của Cohere, một mixture-of-experts 30B với 3B tham số hoạt động, phát hành vào tháng 6 năm 2026, nhắm đến kỹ thuật phần mềm và công việc trên terminal. Cách hiển nhiên để so sánh chúng là dựa trên các benchmark, và cách đó không hiệu quả, vì hai mô hình chưa từng được đo trên cùng một tác vụ và chỉ một trong số chúng từng được đo bởi bất kỳ ai bên ngoài phòng thí nghiệm của chính nó. Phép so sánh thực sự hiệu quả — phép so sánh quyết định liệu bạn có thể thực sự chạy một trong hai — là tệp trọng số.

Hai trạm kiểm soát, hai hóa đơn rất khác nhau

Đây là khía cạnh mà hầu hết các so sánh bỏ qua, và với hai mô hình tự lưu trữ, đây lại là khía cạnh quan trọng nhất.

• Tham số — AesCode 32B: 33B, dày đặc. North Mini Code: tổng 30B, 3B hoạt động, hỗn hợp chuyên gia.

• Bộ nhớ để chạy nó — AesCode 32B: thẻ khuyến nghị nên dự trù khoảng 65 GB bộ nhớ tăng tốc chỉ riêng cho các tham số bf16. North Mini Code: đã lượng tử hóa, khoảng 20–24 GB là đủ, và các triển khai tham chiếu bao gồm một Mac Studio.

• Dạng phục vụ — AesCode 32B: là mô hình thị giác-ngôn ngữ, nên đường phục vụ mang cả hình ảnh lẫn văn bản, và ví dụ của riêng nó dùng song song tensor bốn chiều. North Mini Code: văn bản vào, văn bản ra; các benchmark chỉ dùng một công cụ terminal duy nhất.

• Giấy phép — cả hai đều dùng Apache 2.0, bao gồm cả trọng số. Hàng này là một thế hòa và không phải là điểm khác biệt như mọi người vẫn tưởng.

• Ngữ cảnh — AesCode 32B: 24.576 token trong cấu hình được báo cáo, với prompt và phản hồi trong lúc huấn luyện được giới hạn ở 8.192. North Mini Code: 256K đầu vào, 64K đầu ra.

• Nó phát ra gì — AesCode 32B: một tài liệu HTML hoàn chỉnh, bảng dưới dạng bảng HTML và biểu đồ dưới dạng đặc tả ECharts. North Mini Code: bất kỳ văn bản hoặc lệnh gọi công cụ nào mà harness yêu cầu.

• Đánh giá độc lập — AesCode 32B: chưa có công bố nào; mọi số liệu đều là của Microsoft. North Mini Code: được chấm điểm trên Artificial Analysis, nơi cũng đã chỉ ra tính dài dòng của nó.

Đọc hàng thứ hai hai lần. Một mô hình ngôn ngữ-thị giác dense 32B cần 65 GB và song song bốn chiều là một quyết định mua sắm khác với một MoE hoạt động 3B, khi lượng tử hóa, vừa vặn trong một workstation. Nếu lý do bạn cân nhắc trọng số mở là "chúng tôi muốn thứ này trên phần cứng của riêng mình", thì hàng đó đã là phần lớn câu trả lời trước cả khi bạn chạy một prompt nào.

Giấy phép không phải là lý do để chọn cái nào trong hai

Gần như mọi so sánh open-weights đều mở đầu bằng vấn đề cấp phép, và ở đây nó là một ngõ cụt: cả hai đều là Apache 2.0, cả hai đều phát hành đầy đủ trọng số, và không bên nào có hạn chế sử dụng có thể ngăn cản việc triển khai thương mại. Không có điều khoản chia sẻ dữ liệu nào để cân nhắc đánh đổi lấy giảm giá, không có bậc dành cho người đóng góp, không có ngoại lệ theo lĩnh vực sử dụng. Dù bạn đang dựa trên điều gì để chọn giữa hai cái này, thì đó cũng không phải là sự cho phép.

Điều còn lại sau khi gạt vấn đề cấp phép ra khỏi bàn chính là những gì mà mô hình đã được huấn luyện để làm — và hai mô hình này được huấn luyện theo hai hướng trái ngược nhau.

Một được huấn luyện trên terminal, cái kia trên canvas.

Thẻ mô hình của North Mini Code nêu rõ mục tiêu của nó: tạo mã, kỹ thuật phần mềm dạng tác tử và các tác vụ terminal. Cohere đã huấn luyện nó trên nhiều harness tác tử — SWE-Agent, mini-SWE-Agent, OpenCode, Terminus 2 — đặc biệt để nó hoạt động bên trong bất kỳ cái nào bạn đang dùng, và đánh giá nó trên SWE-Bench Verified, SWE-Bench Pro, Terminal-Bench v2 và Terminal-Bench Hard. Điểm yếu được công bố của nó là điểm yếu thật, và được một đơn vị đánh giá bên ngoài phát hiện thay vì do nhà cung cấp tự nguyện nêu ra: nó phát ra lượng token đầu ra gấp khoảng ba lần mức trung vị cùng phân khúc kích thước. Các mô hình dài dòng viết ra những quỹ đạo tác tử dài, và quỹ đạo dài chính là thứ bạn phải trả tiền sau khi giá khuyến mại kết thúc.

AesCode 32B được huấn luyện trên một thứ hoàn toàn khác, và tấm thẻ nêu rõ một cách bất thường rằng mục tiêu chính là tạo tác phẩm. Toàn bộ ý đồ của thiết kế nằm ở chỗ một mô hình mã nguồn không thể nhìn ra cách bố cục, thứ bậc và màu sắc kết hợp với nhau trên một khung vẽ, nên AesCode dùng một hình ảnh được tạo từ chính prompt đó làm tham chiếu thẩm mỹ, đồng thời vẫn giữ prompt làm nguồn chân lý cho nội dung. Việc giám sát là một "đồ thị thiết kế" gồm các nút và cạnh, bảy kênh thưởng — thực thi, văn bản, đường biên, bảng/biểu đồ, bố cục, khoảng trắng, thiết kế — trong đó sáu kênh là bộ kiểm định tất định và một kênh là giám khảo thị giác-ngôn ngữ làm việc dựa trên rubric riêng cho từng mẫu. Các ứng viên được kết xuất trong một trình duyệt Playwright chạy trong sandbox với các yêu cầu bên ngoài bị chặn, và được chấm điểm từ DOM, các kiểu dáng tính toán, hộp bao và ảnh chụp màn hình.

Cỗ máy đó tồn tại để làm cho một điều trở thành sự thật: đầu ra là một trang đã được kết xuất mà con người sẽ mở ra và chỉnh sửa, chứ không phải một bản vá được áp dụng lên một kho chứa mã. AesCode 32B chưa bao giờ được huấn luyện để sử dụng shell, và không có gì trong thiết kế phần thưởng lại sẽ thưởng cho nó vì đã thử.

Sự bất đối xứng về bằng chứng, được nói một cách trung thực

North Mini Code đã được một bên thứ ba chạy thử. Artificial Analysis cho nó 33,4 điểm trên Coding Index và 27,6 điểm trên Intelligence Index, đồng thời công bố phát hiện về độ rườm rà. Con số nổi bật của chính Cohere — 61,0% pass@1 trên SWE-Bench Verified — do nhà cung cấp báo cáo nhưng có thể kiểm chứng dựa trên một mô hình mà bất kỳ ai cũng có thể tải về, và model card thẳng thắn về các lựa chọn harness của mình, thậm chí còn ghi chú rằng đối với Terminal-Bench Hard, nó đã tuân theo chính phương pháp luận của Artificial Analysis để giữ cho so sánh được công bằng.

AesCode 32B không có mô hình tương đương. Đánh giá đồ họa thông tin 300 mẫu của nó, ba lượt sinh cho mỗi prompt mà không chọn lọc, tạo ra 85.89 Overall so với 81.28 của GPT-5.5 và 80.39 của Claude Opus 4.8 — tất cả đều được đo bên trong hệ thống kiểm thử của Microsoft, trên các mẫu của Microsoft, với các kênh tính điểm mà Microsoft đã huấn luyện mô hình theo đó. Có một khả năng thực sự rằng các con số là công bằng; thiết kế minh bạch hơn hầu hết bảng của nhà cung cấp, ngăn xếp xác minh và công cụ tạo rubric đều được mở mã nguồn, và thẻ mô hình công bố sự thật rằng không mô hình nào trong so sánh vượt qua 60 ở chiều phong cách của nó. Nhưng chưa có phòng thí nghiệm bên ngoài nào tái lập được bất kỳ phần nào trong đó, và không có niêm yết trên arena, không có vị trí trên bảng xếp hạng và không có kiểm thử thông lượng độc lập. Nếu một benchmark của nhà cung cấp mà tình cờ lại ưu ái chính benchmark của nhà cung cấp — một tác vụ đồ họa thông tin — đang đóng vai trò lớn trong quyết định của bạn, thì bạn đang được yêu cầu phải chấp nhận cách diễn giải duy nhất hiện có.

Lưu ý điều này có ý nghĩa gì cụ thể đối với màn so tài: không có một con số chung nào. Không hề. Một mô hình được chấm điểm dựa trên việc các nhiệm vụ kỹ thuật phần mềm có đạt hay không, mô hình kia dựa trên việc văn bản có dễ đọc và bố cục có không tràn ra khỏi khung hay không. Bất kỳ trang nào đặt 33,4 cạnh 85,89 đều đang so sánh Coding Index với điểm Overall của infographic, và cả hai mô hình đều không biết mô hình kia được kiểm tra trên cái gì.

Cả hai đều không phải là mô hình đa dụng, và đó mới chính là cái giá thực sự

Đây là cái bẫy trong cả hai nửa của phép so sánh này. Chấp nhận một trong hai mô hình đồng nghĩa với việc duy trì một đường phục vụ tự host cho một mô hình chuyên biệt: 65 GB VRAM và một ngăn xếp đa phương thức cho mô hình kết xuất trang; một chỗ cho MoE 3B-active cho mô hình xử lý tác vụ terminal. Cả hai đều giỏi việc của mình và không cái nào làm được việc của cái kia, nghĩa là một đội ngũ muốn có cả hai năng lực giờ đang vận hành hai triển khai suy luận — và với mọi thứ ở khoảng giữa, mô hình không phải trình kết xuất trang cũng chẳng phải tác nhân terminal, họ đang vận hành thêm cái thứ ba.

Đó chính là trường hợp mà một lớp định tuyến xứng đáng có chỗ đứng, thay vì bị gắn thêm một cách khiên cưỡng. Một khóa duy nhất dùng cho hơn 200 mô hình ở mức giá niêm yết của nhà cung cấp, không phụ phí, nghĩa là công việc chuyên biệt vẫn nằm trên phần cứng của chính bạn — nơi bài toán kinh tế và việc xử lý dữ liệu hợp lý — còn công việc thường nhật thì chuyển đến bất kỳ mô hình lưu trữ nào tốt nhất cho nó vào tuần đó. Dòng mô hình nền Qwen3-VL là một minh họa tốt cho thấy ranh giới trở nên mong manh đến mức nào: Microsoft đã xây dựng AesCode 32B trên Qwen3-VL-32B-Instruct, và các thành viên thị giác–ngôn ngữ của dòng họ đó đều có thể gọi được trên danh mục OrcaRouter — Qwen3-VL 235B A22B Instruct ở mức $0.40 cho mỗi triệu token đầu vào và $1.60 cho đầu ra, hoặc bản nhỏ hơn Qwen3-VL 8B Instruct ở mức $0.18 và $0.70. Cả hai đều không phải AesCode 32B: bản tinh chỉnh đó là của Microsoft và không nhà cung cấp nào phục vụ nó. Nhưng nếu điều bạn muốn ở AesCode 32B là một mô hình đọc ảnh chụp màn hình và viết mã, và bạn không thực sự cần bản tinh chỉnh về thiết kế thẩm mỹ, thì lựa chọn có thể gọi được vẫn tồn tại và chỉ tốn một phần nhỏ chi phí GPU. Tính năng chuyển đổi dự phòng tự động bên dưới cùng một endpoint chính là khác biệt giữa việc thử điều đó và việc đặt cược cả một đường dẫn production vào nó.

Làm thế nào để thực sự đưa ra quyết định

Trước tiên hãy gạt giấy phép ra khỏi bàn, vì nó là một thế hòa và nó sẽ chẳng quyết định được điều gì.

Sau đó hãy tự hỏi bạn muốn đầu ra là gì. Nếu câu trả lời là một trang có thể hiển thị và chỉnh sửa — một bộ slide, một báo cáo, một bảng điều khiển — thì North Mini Code không giúp được bạn, và AesCode 32B là cái duy nhất trong hai cái hướng tới bài toán đó. Hãy bước vào với đôi mắt tỉnh táo về dung lượng 65 GB, ngữ cảnh 24K, việc thiếu đánh giá độc lập và thực tế rằng đây là một mô hình chưa được công bố với số lượt tải ở mức hai chữ số. Đây là một bản phát hành nghiên cứu, và các bản phát hành nghiên cứu tưởng thưởng cho những đội ngũ có đủ điều kiện để tò mò.

Nếu câu trả lời là một thay đổi đối với repository — một cuộc migration, một bản fix, một tác vụ terminal gồm nhiều bước — thì North Mini Code là lựa chọn có huấn luyện harness, cửa sổ 256K, cấu hình triển khai 3B-active và một phép đo độc lập về cả chất lượng lẫn độ dài dòng của nó. Hãy dự trù ngân sách theo số token, chứ không phải theo mức giá quảng cáo.

Và nếu danh sách những việc cần làm trong quý này của bạn có cả một design artifact lẫn một đợt migration repo, thì đừng xem đây là quyết định hai mô hình khi thực ra nó là quyết định sáu mô hình. Hãy chạy mô hình chuyên biệt ở nơi đáng đầu tư, còn lại thì định tuyến.

Vấn đề về mẫu chưa được công bố

Một điều cuối cùng phân biệt hai bên, và đó không phải là chuyện kỹ thuật. North Mini Code có một nhà cung cấp đứng sau, đơn vị đã công bố thẻ mô hình, một bài blog, một Hugging Face Space để dùng thử, và một loạt tài liệu về phương pháp đánh giá mà bạn có thể tranh luận. AesCode 32B có một kho lưu trữ, một README và một dòng trích dẫn ghi là “Đang chờ phản biện, 2027”. Microsoft thì chưa hề nói nó tồn tại.

Điều đó thay đổi khi bạn có thể áp dụng nó. Với North Mini Code, câu hỏi bỏ ngỏ là liệu độ dài dòng của nó có khiến nó không kinh tế ở quy mô lớn hay không — một câu hỏi mà bạn có thể trả lời bằng cách chạy thử nó. Với AesCode 32B, câu hỏi bỏ ngỏ là Microsoft định làm gì với nó: liệu đây là một kết quả nghiên cứu, bản phát hành đầu tiên của một dòng sản phẩm, hay là thứ sẽ âm thầm bị thay thế bằng một phiên bản 70B trong sáu tuần. Không có gì trong kho mã trả lời được điều đó, và dù đọc thẻ mô hình bao nhiêu lần cũng vậy. Hãy để ý ba tín hiệu — một thông báo chính thức, một bản tái lập độc lập của 85.89, hoặc một nhà cung cấp dịch vụ suy luận tiếp nhận checkpoint — và hãy coi việc thiếu vắng cả ba là trạng thái bằng chứng hiện tại, chứ không phải là lý do khiến mô hình trở nên kém thú vị.