Microsoft lança modelo de 8 bilhões de parâmetros para gerar HTML visual

Diferente de geradores de código convencionais, o AesCode-8B recebe uma imagem de referência gerada pelo mesmo comando textual para guiar diagramação, hierarquia e cores. Modelos de visão comuns copiam dados alucinados ou ignoram o arranjo visual quando recebem esse tipo de arquivo. A equipe contornou a falha com supervisão estruturada em grafo e recompensas multimodais desacopladas via GDPO em sete canais. O processo separa o que é exigência de conteúdo do que é apenas pista visual. O código final sai limpo. Tabelas usam marcação HTML comum e gráficos rodam sobre a biblioteca ECharts.

Pesos abertos superam modelos proprietários

Nos testes com 300 infográficos, o AesCode-8B marcou 90,07 pontos no índice de regras e 75,80 na avaliação visual, alcançando média final de 82,94. O resultado superou os 81,28 pontos do GPT-5.5 e os 80,39 do Claude Opus 4.8 quando ambos usaram a mesma imagem de apoio. Diante da base original Qwen3-VL-8B-Instruct com referência, o modelo saltou 31,1 pontos em qualidade visual e 31,0 pontos na pontuação geral. Nenhum concorrente avaliado ultrapassou 60 pontos na métrica de estilo, critério que exige entrega sem qualquer ajuste manual. A referência visual ajuda, mas não amarra o sistema. O modelo perde apenas 1,00 ponto visual quando opera sem imagem de guia, contra 10,04 do GPT-5.5.

A ficha técnica registra a tarefa como image-text-to-text na biblioteca transformers, com exigência mínima da versão transformers>=4.57. A Microsoft construiu o sistema sobre o modelo base Qwen3-VL-8B-Instruct e distribuiu os 8 bilhões de parâmetros em quatro arquivos no formato safetensors. A empresa também disponibilizou uma versão irmã maior, o AesCode-32B, que alcançou 85,89 pontos na média geral do mesmo benchmark. O repositório oficial no GitHub traz o código-fonte, enquanto o repositório no Hugging Face acumulou 356 downloads no mês e 54 curtidas.

Licença permissiva facilita uso comercial

A Microsoft licenciou o AesCode-8B sob Apache-2.0. Essa licença permite uso comercial irrestrito, integração em software proprietário e redistribuição de versões modificadas sem cobrança de royalties. Empresas podem incorporar o modelo diretamente em fluxos de trabalho internos. A permissão ampla reduz barreiras jurídicas para criar produtos comerciais.

Para colocar o modelo em produção, a equipe orienta executar lotes pelo vLLM com suporte a duas imagens por entrada. O consumo de hardware reflete a escala de 8 bilhões de parâmetros divididos em quatro arquivos safetensors, além de uma janela de contexto de 24.576 tokens e geração de até 12.000 tokens de saída. O dossiê técnico não detalha o volume mínimo de memória de vídeo para carregar os pesos. Equipes locais precisam testar a carga em placas de vídeo dedicadas antes de planejar servidores de inferência. A publicação desses pesos sob Apache-2.0 amplia o acesso a ferramentas visuais especializadas sem depender de chamadas pagas a APIs externas.