AesCode 32B 对 Qoder Cantus：你可以检查其中一个并运行另一个，但永远无法两者兼得

这里有一个值得细细品味的反转。AesCode 32B是微软的 HTML 与 CSS 生成检查点，也是其同类模型中最可被检视的一个：Hugging Face 上的 Apache 2.0 权重、一个包含奖励验证器、评分标准构建器和训练循环的开放仓库、一份完整打印的 300 样本评估，以及一份详细到学习率和 rollout 步数的训练配方。其 Hugging Face 仓库日期为 2026 年 9 月 29 日；标题为“Release AesCode-32B”的提交于 2026 年 10 月 7 日落地；微软对此未作任何宣布。而几乎没有人能运行它，因为它是一个 33B 检查点，需要大约 65 GB 的加速器内存，且没有任何提供商为其提供服务。Qoder Cantus恰恰相反。它今天就能运行，在 Qoder 内部，任何有订阅的人都能使用——而你完全无法检视它。Qoder 对该模型公开发布的全部描述只有一句话，没有参数，没有上下文窗口，没有基准测试表，也没有权重，而且由于没有 API，永远不会有第三方数据。一个模型告诉你一切，却不让你做任何事。另一个让你做一切，却不告诉你任何事。有趣的问题是，哪种失败模式让你付出更高代价。

文档所述的全部内容

只要简单地引用现存的内容，这种不对称性就最容易看出来。

关于 AesCode 32B，公开记录中包括：基础模型（Qwen3-VL-32B-Instruct）、参数量、许可证、预期用途、训练数据量、SFT 学习率、RL 优化器设置、奖励通道名称、提示词数量与训练步数、评估样本量、每个提示词的生成次数、解码温度与 top-p、评分所用的上下文长度、三份分别发布的结果表，以及一篇标注为"审稿中"的论文引用。它唯独没有给出发布日期，下载量也尚未达到两位数——而模型卡注明其需要transformers>=4.57，且页面上自动生成的使用代码片段与模型卡自带的示例并不一致，这类细节只有在产物真实存在时才会留存下来。

关于 Qoder Cantus，公开记录是：“Qoder 内置的顶级智能模型，擅长长时间自主任务执行。”这就是描述。没有模型卡，因为没有模型可供下载；没有基准测试表，因为 Qoder 没有发布任何发布贴或技术报告；也没有竞技场列表，因为竞技场需要一个可调用的端点。其他已知信息是结构性的，而非技术性的：Cantus 出现在 Qoder Desktop、JetBrains 插件、CLI、Cloud Agents 和 Web 客户端的模型选择器中，并通过 Qoder 的积分系统计费，计费时会对模型用量应用一个系数。

这并不是在贬低该模型。它描述的是能够被核查的内容，而对 Cantus 来说，答案是：什么都没有。

在每一个都真正强大的方面

AesCode 32B 的优势在于可验证性，而这一点足够不寻常，值得解释而非断言。训练信号并非单一分数——而是七个通道，其中六个是确定性验证器，从生成的代码及其渲染结果中读取属性；另有一个视觉语言评判器，依据与逐样本设计图绑定的评分标准，对不可解析的属性进行打分。每个候选结果都会在沙盒化的 Playwright 浏览器中渲染，外部请求被阻断，并导出 DOM、计算样式、边界框、控制台状态和一张截图。由于每个属性都可归因，实验室可以报告：相比自身的 Qwen3-VL-32B 基座，它将 Visual 组件提升了 22.4 分，并告诉你训练结束时哪些通道仍在攀升。这是一个你可以质疑、复现或扩展的发布。

成本同样具体。说明卡建议仅 bf16 参数就要预留约 65 GB；其服务示例采用四路张量并行；所报告的数据基于 24,576 token 的上下文；强化学习期间，提示词与回复被限制在 8,192 token 以内。把这些与一个事实放在一起看：没有任何推理服务商部署该检查点，而这道门槛并非理念层面的问题。你要么自购硬件，要么租用硬件，而且多模态服务链路得你自己搭建。

Cantus 的优势恰恰相反：它就是在那儿。无需下载，无需 GPU，无需服务栈，也无需选择测试框架。它会出现在你已经在用的 IDE 的模型选择器里，而且它定位的正是智能体编程工具所主打的卖点——长时间自主任务执行。无论它还有哪些不确定之处，部署问题已经替你解决了，而 Qoder 想必对其所构建模型的了解，比它已公开的更多。

关于 Cantus，你无法回答的三个问题

值得准确说明缺失的文档会带来怎样的代价，因为“没有基准测试”低估了这件事。

• 它有多大——未知。参数数量未披露。对于按积分计费的模型来说，这可不是小事：它是判断一个在别处只需花 2 美元的任务，在这里是否却要花 6 美元才能完成的主要依据。

• 它能容纳多少上下文——未披露，第三方讨论暗示大约在 200K 范围，却没有来源。长时程智能体工作的成败全系于这个数字，而它并未公布。

• 它到底好不好——严格来说，无法回答。Qoder 的论点隐含在其定位中：长时间自主执行，与其用单轮编码得分来衡量，不如用模型如何处理上下文、恢复和数百次工具调用来衡量。这是一个合理的论点。如果这个模型可以被测试，它会更有说服力；但它无法被测试，因为 Qoder 之外的任何东西都无法调用它。

将这一点与 AesCode 那边第三个问题的镜像情形对比：数字确实存在，也很详细，但它们是微软的数字，由微软的测试框架在其自己的 300 个样本上得出，且没有任何外部实验室复现过其中任何一个。AesCode 32B 在其自身风格维度上有 55.99 的已记录上限，还有 4.3% 的严重画布边界失败率——两项数据均由厂商发布——却没有任何独立验证能确认这两个数字是否正确。所以这两种失败模式分别是：你无法信任的数字，以及根本没有数字。这比“一个 好、一个 坏”更糟，而这正是本场对决实际呈现出的选择。

你在每一方各要付出什么代价

Cantus 通过 Qoder 的积分系统计费，而非按公开的 token 费率计费。Qoder 会对模型的使用量应用一个系数，而 Cantus 上线时的倍率为 3.2×，在持续至 2026 年 7 月 31 日的五折促销期间降至 1.6×。根据 Qoder 自己公布的积分估算——而非任何按 token 计算的数值，Qoder 从未为 Cantus 公布过这样的数值——进行反推，结果大约是编辑器模式下每轮 $0.38、每个 Quest 任务 $1.60，以及 Experts 模式下每个 Quest $2.40。这些都是反推得出的结果，并已如此标注，因为没有一手来源给出不同说法。

AesCode 32B 的成本是一个资本支出数字，而不是按单位计费的数字。权重在 Apache 2.0 下免费，账单则以 GPU 小时的形式到来——需要 65 GB 的加速器内存来容纳参数，再加上视觉塔，再加上你需要的任何吞吐量。如果你已经为其他工作运行 B200 级节点，边际成本接近于零。如果你没有，那么诚实的比较就不是“每百万 token 0 美元”与 Qoder 的额度相比；而是硬件决策与订阅之间的比较。

可组合性的差异

访问模型还有一个后果，而这是路由平台最先注意到的那个。

Cantus 无法与任何东西组合。没有 API 就意味着没有回退方案，无法在同一任务上对另一个模型做 A/B 对比，无法在请求进行中从廉价模型级联到昂贵模型，也无法把它纳入你自己编写的评估框架。它只是一个产品里的一个选项，而你唯一能操控的杠杆就是选择器。这是 Qoder 有意做出的设计选择，如果你就愿意待在 IDE 里，这也完全合理——但这意味着你的架构继承了 Qoder 的路线图。

AesCode 32B 在理论上具有相反的特性，而在实践中存在差距。权重意味着它可以去任何地方：你的集群、租用的实例、你自己的工具链、你自己的评测。它今天做不到的是被调用，因为没有提供商提供它——Microsoft 发布了一个检查点就止步于此。因此，结构上可组合的模型尚未在实践上可组合，而实践上可用的模型则在结构上被锁定。

这样一来，路由方面的论点所剩下的空间比通常更窄，而且值得坦率说明：这组对比中的两个模型都不在我们的目录中，本页也不会假装不是如此。在这里，一个拥有 200 多个模型、按供应商标价计费的单一端点真正能给你的，是周边的那一层——能够构建消费 AesCode 32B 输出的工作流，并把其中应由通用模型处理的部分路由出去，而不必为每一项另立一份合同。如果你想在投入自托管视觉语言部署之前先测试这一层，最便宜的方式是调用同一家族中的一个模型：AesCode 32B 是 Qwen3-VL-32B-Instruct 的微调版本，而Qwen3-VL 235B A22B Instruct 的价格为每百万输入 token 0.40 美元、输出 1.60 美元，较小的Qwen3-VL 8B Instruct 则为 0.18 美元和 0.70 美元。这些是不同的模型，无法替代那个微调版本——但它们能以几美分而非 65 GB 的代价，回答“托管的 VLM 能否读懂这张截图，并写出对我们的流水线来说足够好的代码”；而如果答案是肯定的，且流量真的起来了，跨供应商的故障转移就位于同一个密钥之下。

如何选择

如果你已经身处 Qoder 之中，看重无需承担基础设施工作，并且愿意为此付出无法验证的代价，那就选择 Cantus。要清醒地认识到，你买的是一项能力，而不是一个模型：在采用之前，你无法对它进行基准测试；你无法按 token 将其价格与任何东西进行比较；而且如果 Qoder 改变其定价或路线图，你也无法把它带走。

如果你需要的是那个产物，并且能够承担部署成本，就选择 AesCode 32B——尤其是当你需要一个能生成可编辑 HTML 的模型，让你可以对其进行 diff、审查并交付时。同样要清醒地认识到：它尚未公布、尚未被复现，对大多数硬件来说太大，而且文档标注的是 24K 上下文，这会限制长文档。

如果你既不想要前者带来的锁定，也不愿承担后者的资本成本，那么最诚实的做法就是从你能调用的模型中获取同样的能力。一个位于 API 密钥之后的视觉语言模型会读取截图并写出结构化标记。它不会用七条为设计质量调优的奖励通道来训练，也不会在 Microsoft 构建的信息图基准测试上匹敌 AesCode 32B。但它花费你的是一张存档的信用卡，而不是一次 GPU 采购，而且你将能够亲自衡量它——而这正是整场对决的核心所在。

看什么

Cantus 只有在 Qoder 公开某个端点或放出权重的那一天，才会成为一个正常的模型；在那之前，关于它的一切说法都是关于 Qoder 这款产品的说法，而不是关于某个模型的说法，而这一证据缺口是结构性的，并非文档疏漏。AesCode 32B 只有在某家推理服务商接手该检查点，或有外部实验室复现出 85.89 的那一天，才会成为一个正常的模型——而如果这件事恰逢微软真正官宣，那么 65 GB 这道门槛就成了唯一剩下的障碍。哪一方先落地，就告诉你这两种失败模式中，这个行业已经决定不再容忍的是哪一种。