微軟發布了 AesCode 8B 與 32B 模型，旨在生成資訊豐富的視覺工件（如簡報、海報和儀表板），並輸出為 HTML/CSS 格式。這些模型產生的輸出保持結構化、可編輯且可驗證。AesCode 解決了代碼模型無法視覺化佈局、層級與色彩組合，以及圖像生成器常錯誤渲染文字、數字和邏輯關係的挑戰。AesCode 使用由相同提示生成的圖像作為美學參考，同時嚴格遵循提示中的內容要求。
僅有參考輸入並不足以解決問題，現成的視覺語言模型可能會複製幻覺內容或忽略參考佈局。AesCode 透過圖結構監督（graph-structured supervision）和解耦的跨模態獎勵（decoupled cross-modal rewards）將語義需求與視覺線索分離。AesCode-32B 基於 Qwen3-VL-32B-Instruct 進行訓練，採用冷啟動 SFT 後接續包含七個獎勵通道的 GDPO 訓練方法。它是較大的發布檢查點，並在聚合基準測試結果中領先。
模型已發布於 Hugging Face，包括官方版本（microsoft/AesCode-32B 和 microsoft/AesCode-8B）以及由 bartowski 提供的 GGUF 量化版本（bartowski/AesCode-32B-GGUF 和 bartowski/AesCode-8B-GGUF）。
事件背景
AesCode 的技術架構基於 Qwen3-VL 模型。其訓練過程涉及冷啟動監督微調（SFT）以及後續的 GDPO 訓練，使用了七個獎勵通道。該方法的核心在於利用圖結構監督和解耦的跨模態獎勵機制，以分離語義需求與視覺線索，從而克服傳統視覺語言模型在處理參考佈局時可能產生的幻覺或忽略佈局的問題。
社群觀察
社群用戶對微軟的發布表示讚賞，認為成果令人印象深刻且實用。多位用戶提醒微軟過去常有下架優質模型的行為，建議用戶在微軟下架前盡快備份模型。技術討論方面，用戶 indicava 詢問支援底層 Qwen 架構的推理引擎是否也能用於此模型。用戶 Open-Adhesiveness-86 提供了具體的技術建議：若下載 GGUF 版本，應保持 mmproj 為 f16 精度（僅佔幾 GB），因為視覺塔（vision tower）在量化時通常是佈局保真度最先受損的部分；此外，必須傳遞 --jinja 參數以確保 Qwen3-VL 模板正確應用，否則圖像佔位符將無法對齊，導致模型靜默忽略參考圖像。
