SWE-2 Flash مقابل Flint v1.0: صف واحد صادق في الاختبار المعياري والكثير من الضجيج

نموذجان برمجيان من نوع خليط الخبراء بقليل من المعاملات النشطة، صدرا بفارق خمسة عشر يومًا، ويدّعي كلاهما بلوغ المستوى نفسه من الأداء بجزء يسير من تكلفة النماذج الرائدة. SWE-2 Flash، من Cognition في 4 نوفمبر 2026، يبلغ إجمالي معاملاته 276 مليارًا مع 12 مليارًا نشطة. Flint v1.0، من Recursive في 21 أكتوبر 2026، يبلغ إجماليه 39.8 مليار معامل مع نحو 2.5 مليار نشطة. إنهما الرهان المعماري نفسه على مقياسين مختلفين جدًا — والطريقة الصادقة لمقارنتهما هي الاعتراف مسبقًا بأن جدوليهما المنشورين لا يتداخلان إلا في صف واحد فقط.

ذلك الصف هو Terminal-Bench 2.1: 89.2 لـ SWE-2 Flash مقابل 54.9 لـ Flint v1.0. إنها فجوة قدرها 34 نقطة، وهي أقوى رقم منفرد أنتجته أي من الشركتين في هذه المواجهة، وتأتي معها تحفظان كبيران بما يكفي لتغيير طريقة قراءتك لها. كل شيء آخر قد تغريك مقارنته هو إما نسخة مختلفة من المعيار أو مجموعة فرعية مختلفة من المعيار نفسه.

نفس الرهان، ترخيص معاكس

الفرضية المشتركة هي أن المعاملات النشطة، لا المعاملات الإجمالية، هي التي تحدد كلفة الاستدلال — لذا يمكنك بناء نموذج متناثر كبير ولا تدفع إلا مقابل الجزء الذي يُفعَّل. {{1}}يشغّل Flint 6 من 256 خبيرًا موجّهًا إضافة إلى خبير مشترك لكل رمز، عبر 49 طبقة، 35 منها بنافذة منزلقة بعرض 513 رمزًا و14 بانتباه كامل.{{/1}} {{2}}ترث SWE-2 Flash هذه البنية من قاعدتها Inkling-Small: 276B إجمالًا، و12B نشطة، ومدرَّبة بعديًا بمرحلة تدريب وسطية لم تكن Cognition قد استخدمتها من قبل.{{/2}}

الفرقُ الذي يهم أكثر من أي تفصيلٍ في البنية هو ما يُسمح لك بفعله بالمُخرجات:

• الأوزان — Flint v1.0 متاح بموجب Apache 2.0 على Hugging Face بصيغ BF16 وFP8 والصيغ المُكمَّمة. أما SWE-2 Flash فهو محتجز بالكامل، مع التعهد ببرنامج لمشاركته مع الشركاء لم تُحدَّد تفاصيله بعد.

• التوزيع — يعمل Flint ضمن llama.cpp وOllama وLM Studio وvLLM وSGLang على عتاد تملكه. يعمل SWE-2 Flash داخل Devin Desktop وDevin CLI ولا يعمل في أي مكان آخر.

• السعر — التكلفة الحدية لـ Flint هي وحدة معالجة الرسومات (GPU) الخاصة بك. إن SWE-2 Flash مجاني حتى 30 نوفمبر 2026، ولا يوجد له سعر معلن لكل توكن بعد ذلك.

• السياق — تُصدر Flint ‏262,144 رمزًا، قابلة للضبط إلى نحو 512K. ولا تُصدر SWE-2 Flash شيئًا.

هذا ليس فرقًا صغيرًا في الموقف. أحدهما أثر يمكنك فحصه وتكميمه وضبطه الدقيق وتشغيله على حاسوب محمول. والآخر منتج مع شهر مجاني.

الصف الوحيد الذي يمكنك مقارنته

Terminal-Bench 2.1 هو المعيار الوحيد الذي تُبلغ فيه كلتا الشركتين عن رقم على الإصدار نفسه. أُنتجت نتيجة Flint البالغة 54.9 عبر Terminus 2، مع متوسط pass@1 على خمس محاولات على الأقل. أُنتجت نتيجة SWE-2 Flash البالغة 89.2 على أداة اختبار لا تسميها Cognition، وبإعداد جهد لا تكشف عنه، استنادًا إلى منشور إطلاق يحذف ملحق المنهجية الذي كان سلفه في سبتمبر يتضمنه.

إذن فالفارق البالغ 34 نقطة حقيقي بمعنى أن كلا الرقمين أُبلِغ عنه على مجموعة المهام نفسها، وغير قاطع بمعنى أن أحد الطرفين أخبرك كيف وصل إلى رقمه والآخر لم يفعل. إن نموذجًا يُقيَّم داخل هيكل وكيل مُصمَّم تصميمًا مشتركًا — وهو ما يمثله Devin — سيتفوق عمومًا على النموذج نفسه إذا قُيِّم عبر إطار تقييم عام. ورقم Flint هو الرقم المتحفظ تحديدًا لأن Recursive نشرت المنهج.

إذا أردت جملة واحدة: في الصف المشترك الوحيد، يتقدم SWE-2 Flash بفارق كبير، ولم تمنح أي من الشركتين طرفًا مستقلًا القدرة على التحقق.

درجتا Pro اللتان تبدوان متطابقتين وليستا كذلك

هذا هو الفخ في هذه المواجهة، ويستحق أن نتوقف عنده قليلًا. تُبلغ Recursive عن Flint v1.0 بدرجة 89.7 على SWE-bench Pro v2. وتُبلغ Cognition عن SWE-2 Flash بدرجة 89.9 على SWE-Bench Pro v2 Hard. رقمان يفصل بينهما 0.2 نقطة، ويجلسان جنبًا إلى جنب في كل تجميعة ستجدها.

إنهما ليسا القياس نفسه. إن «Hard» مجموعة فرعية — شريحة مُفلترة من مجموعة المهام، وليست كاملها. رقم Flint هو تشغيل Pro v2 الكامل ضمن mini-swe-agent، مع احتساب الحلول المسترجَعة من الويب حالات فشل، وهو اصطلاح تنقيط أكثر صرامة مما يعتمده معظم المورّدين. وضع 89.9 إلى جانب 89.7 ووصف ذلك بالتعادل هو نوع المقارنة الذي يُنتج استنتاجات واثقة وخاطئة.

ينطبق التحذير نفسه على صف لا يتقاسمه الجدولان. تسجل Flint نتيجة 74.2 في SWE-bench Verified. أما SWE-2 Flash فلا تسجل نتيجة Verified إطلاقًا — بل تسجل Pro v2 Hard وDeepSWE 1.1 وSWE-Atlas QA بدلًا من ذلك. لذا فإن المعيار الذي لدى معظم الفرق حدس بشأنه غير متاح للنموذج الأحدث، مما يجعل «Flint متأخرة في SWE-bench» ادعاءً غير مدعوم بدلًا من نتيجة.

السياق هو المواصفة التي تحدّد.

في البرمجة الوكيلية، نافذة السياق ليست هامشًا — فهي تحدد ما إذا كان النموذج يستطيع الاحتفاظ بالسطح ذي الصلة في المستودع ضمن خطوة تخطيط واحدة، أم لا بد من تغذيته به على أجزاء. تعلن Flint عن 262,144 رمزًا. ولا تعلن SWE-2 Flash عن شيء، وبعد ثلاثة أيام من التغطية لم تتحقق منه أي وسيلة إعلامية.

سياق Flint يأتي بتحفّظ خاص به. تُظهر قياسات المجتمع انهيار الإنتاجية عند السياق الطويل — نحو 110 رموز في الثانية عند المطالبات القصيرة، لتهبط نحو 9 رموز في الثانية قرب 115,000 رمز. نافذة بسعة 262K تعمل عند 9 رموز/ثانية هي نافذة تُستخدم عن قصد، لقراءة كبيرة واحدة، لا نافذة تُترك مفتوحة طوال جلسة طويلة. التكميم يخفف كلفة الحوسبة لكنه لا يخفف ذلك المنحنى.

نافذة السياق غير المنشورة لدى SWE-2 Flash هي المجهول الأكبر، لأن Devin منتجٌ للجلسات الطويلة. وإذا كنت تختار بينهما على افتراض أن النموذج المغلق يتعامل مع المستودعات الأكبر بشكل أفضل، فأنت تختار بناءً على رقم لم ينشره أحد.

سرعة يمكنك التحقق منها مقابل سرعة لا يمكنك التحقق منها

تقول Cognition إن SWE-2 Flash يعمل بمعدل نحو 200 رمز في الثانية مقابل 60 لـ SWE-2. ويأتي هذا الرقم من إعادة تشغيل نصوص جلسات مختصرة بمعدلات محاكاة، وليس من قياس توقيت نقطة نهاية حية. إنه عرض توضيحي، وليس قياسًا، ولا توجد حاليًا أي طريقة لأي شخص خارج Cognition للتحقق منه.

مزاعم Flint بشأن الإنتاجية متواضعة بالمقارنة وأسهل بكثير في الدحض: نحو 125 إلى 131 رمزًا في الثانية على M4 Pro MacBook Pro، وأكثر من 150 على RTX Spark بسعة 64 GB. وقد قيست هذه على عتاد يمكنك شراؤه، على يد أشخاص نشروا الإعدادات. ويُذكر أن نسخة NVFP4 المكمّمة تصل إلى حدود 0.7 نقطة من BF16 في المعايير القياسية، وهو نوع من المزاعم يستطيع المجتمع اختباره وسيفعل ذلك.

عيب حقيقي واحد يجب معرفته: مسار GGUF عانى من خلل في قالب المحادثة داخل llama.cpp، ولدى النموذج سجل مجتمعي محدود مقارنة بأي شيء من مختبر كبير. المتبنّون الأوائل هم من يقومون بتصحيح الأخطاء.

التكلفة الفعلية لكل خيار بالنسبة لك

Flint v1.0 مجاني للتنزيل، ولا يكلّفك سوى ما يكلّفك استدلالك. فالنموذج البالغ 39.8B مع 2.5B معاملًا نشطًا سيعمل على حاسوب محمول جيد المواصفات بسرعة قابلة للاستخدام، وهذا هو جوهر هذه البنية بالكامل. أما كلفة التبنّي فهي تشغيلية: فأنت من يتحمّل مسؤولية حزمة الخدمة، واختيار التكميم، وأنماط الأعطال.

لا تكلّف SWE-2 Flash شيئًا حتى 30 نوفمبر 2026، ثم تكلّف مبلغًا غير معروف، لأن Cognition نشرت نسبة — خُمس سعر SWE-2 — بدلًا من تسعيرة. إذا كانت عملية التخطيط لدى فريقك تحتاج إلى رقم تضعه في جدول بيانات، فالمشكلة العائقة هي تلك، وليست فجوة المعايير المرجعية.

لا يظهر أي من النموذجين في كتالوج OrcaRouter اليوم، ولن نقترح خلاف ذلك. المفيد في هذه المواجهة ليس التوجيه بين هذين النموذجين، بل تقييم المجال من حولهما: أكثر من 200 نموذج تقف خلف مفتاح OrcaRouter واحد بهامش ربح 0% فوق سعر القائمة لدى المزوّد، ما يجعل تشغيل مهمة المستودع نفسها عبر اثني عشر مرشحًا مجرد مسألة تغيير سلسلة نصية واحدة. عندما تختار بين نموذجين نشر أحدهما إطار التقييم الخاص به والآخر لم ينشره، فإن التقييم الخاص بك يستحق أكثر من جدول أي من المورّدين.

من الذي يجب أن يختار ماذا

اختر Flint v1.0 إذا كنت بحاجة إلى الأوزان. أما إذا كان قيدك يتمثل في إقامة البيانات، أو التشغيل دون اتصال، أو الضبط الدقيق، أو تكلفة لكل رمز (token) لا تعتمد على قرار تسعير شركة أخرى، فإن فجوة الـ34 نقطة في Terminal-Bench ثمنٌ قد تكون مستعدًا لدفعه — كما أن سياق Flint البالغ 262K وأداة التقييم المنشورة يمنحانك نموذجًا يمكنك التفكير فيه بدلًا من صندوق أسود.

اختر SWE-2 Flash إذا كنت بالفعل داخل Devin وكانت النافذة المجانية كافية للإجابة عن سؤالك. إنه النموذج الأفضل أداءً في الصف الوحيد الذي قاسته كلتا الشركتين، بفارق كبير، ولا يكلف شيئًا لتجربته حتى نهاية نوفمبر.

ما لا ينبغي لأحد أن يفعله هو اختيار أيٍّ منهما بناءً على أرقام SWE-bench Pro. فـ 89.7 و89.9 ليسا الاختبار نفسه، والفرق بينهما أصغر من الفرق بين أيٍّ من الرقمين وما سيُنتجه مستودعك فعليًا.