Microsoft ha pubblicato AesCode, una famiglia di due modelli open — da 8 e 32 miliardi di parametri — che affronta un problema noto a chiunque abbia provato a generare materiale visivo con l'AI: il disallineamento tra contenuto e forma. AesCode non genera immagini, ma codice HTML/CSS che produce slide, poster e dashboard. Il risultato è strutturato, modificabile e verificabile, tre proprietà che i generatori di immagini faticano a garantire.

Il nodo tecnico è doppio. I modelli di codice non possono vedere come layout, gerarchia e colore si combinano sulla pagina; i generatori di immagini, al contrario, compongono pagine visivamente accattivanti ma spesso sbagliano testo, numeri e relazioni logiche. AesCode aggira il problema usando un'immagine generata dallo stesso prompt come riferimento estetico, mentre segue il prompt per il contenuto richiesto. Ma il riferimento da solo non basta: i modelli vision-language generici possono copiare contenuti allucinati o ignorare il layout di riferimento. La soluzione di AesCode sta nel separare i requisiti semantici dai segnali visivi attraverso una supervisione a grafo e reward cross-modali disaccoppiati.

AesCode-32B parte da Qwen3-VL-32B-Instruct ed è addestrato con SFT a freddo seguito da GDPO su sette canali di reward. È il checkpoint più grande rilasciato e guida i risultati aggregati dei benchmark. Accanto a lui c'è AesCode-8B, più leggero. Entrambi sono disponibili su Hugging Face, sia nei repository ufficiali Microsoft sia nelle versioni GGUF preparate da bartowski.

Per chi valuta deployment on-premise, questa release ha un peso specifico. La disponibilità di checkpoint GGUF indica che la comunità sta già lavorando su quantizzazioni per eseguire i modelli su hardware meno potente: in generale, la quantization riduce l'impronta di VRAM, ma i requisiti esatti dipendono dal livello scelto. Il punto non è solo tecnico: AesCode produce codice, non bitmap. Questo cambia il modo in cui un'organizzazione può governare l'output generativo. Il codice HTML/CSS può essere versionato, confrontato, testato e integrato nelle pipeline CI/CD esistenti. Può essere sottoposto a revisione come qualsiasi altro artefatto software, senza i problemi di auditabilità tipici delle immagini raster. Per un'azienda che opera in regime di sovranità dei dati o con vincoli di conformità, la possibilità di eseguire il modello localmente e di ottenere output verificabili è un vantaggio strutturale, non marginale.

C'è un segnale più ampio: AesCode suggerisce che la generazione di materiali visivi non deve necessariamente passare per l'immagine, ma può tornare al codice come formato intermedio. Questo sposta la competizione verso modelli che sanno combinare comprensione visiva e generazione strutturata, riducendo il rischio di contenuti allucinati. Chi perde sono gli approcci che trattano la grafica come pura texture; chi guadagna sono i team che devono produrre artefatti coerenti, riutilizzabili e conformi a standard aziendali. Il fatto che Microsoft abbia rilasciato pesi aperti, incluso un checkpoint da 8B, indica che il target non è solo il cloud, ma anche chi vuole integrare questi modelli in pipeline self-hosted.

Per chi valuta deployment on-premise, esistono trade-off tra precisione, requisiti di memoria e latenza, ma AesCode aggiunge un tassello: la possibilità di generare output strutturati e verificabili senza dipendere da API esterne.