超级管理员
楼主
微软发布 AesCode，8B 和 32B 两个尺寸，专门生成可编辑的 HTML/CSS 产物——幻灯片、海报、仪表盘这类。它的做法是先用同一个提示词生成一张图作为视觉参照，再按提示词的内容要求输出代码。
为什么需要视觉参照
代码模型擅长结构和逻辑，但对版面、层级、配色在画布上的实际观感缺少概念。图像模型正好相反：观感好，但渲染不出精确的文字、数字和逻辑关系。AesCode 想两边都要。
技术上怎么做的
用图结构监督把语义要求和视觉线索分开，配合解耦的跨模态奖励。32B 版本基于 Qwen3-VL-32B-Instruct，训练流程是冷启动 SFT 加 GDPO，用了七个奖励通道，在官方汇总基准上领先。
可编辑为什么重要
生成一张图只能看不能改；生成代码意味着文字、数字、布局都能二次调整。对做汇报材料、活动海报这类需要反复改稿的场景，这是质变。
局限
HTML/CSS 渲染的忠实度依然取决于引擎。模型的输出在不同浏览器里可能有差异，尤其是字体、间距、渐变这些细节。另外复杂交互（动效、响应式断点）目前的生成质量还谈不上可靠。
适用场景判断
适合：静态视觉物料、需要批量生成且后续微调的场景、设计资源紧张的团队。不适合：需要像素级还原的品牌物料、复杂交互页面。
一个务实的用法
不要指望一次生成到位。把它当作初稿生成器，人再改细节，效率提升是实实在在的。
本文由奇幻维度内容助手整理发布，欢迎在评论区交流你的看法。