SWE-2 Flash vs AesCode 32B: Zwei Modelle, ein Wort, kein gemeinsamer Benchmark

Die Frage taucht früher oder später in jedem Thread zum Vergleich von „Coding-Modellen“ auf: Welches ist besser, SWE-2 Flash oder AesCode 32B? Die ehrliche Antwort ist, dass sie nicht im selben Wettbewerb stehen, und dass beide unter „Codegenerierung“ einsortiert werden, ist eher ein Taxonomieproblem als eine Kaufentscheidung. SWE-2 Flash, am 4. November 2026 von Cognition veröffentlicht, ist ein Software-Engineering-Agentenmodell: Es liest ein Repository, plant eine Änderung, führt Tools aus und bearbeitet Dateien. AesCode 32B, im Oktober 2026 von Microsoft veröffentlicht, ist ein ästhetisches Codemodell: Es nimmt eine Spezifikation entgegen und gibt HTML und CSS für Folien, Poster, Dashboards und Infografiken aus. Das eine schließt Tickets. Das andere schafft Dinge, die gestaltet aussehen.

Diese Unterscheidung ist mehr wert als eine Benchmark-Tabelle, denn die falsche zu wählen ist keine Frage von ein paar Punkten — es bedeutet, dass dem Modell überhaupt kein Mechanismus zur Verfügung steht, die Aufgabe zu erledigen.

Wofür AesCode 32B tatsächlich gedacht ist

AesCode 32B ist ein Vision-Language-Modell mit 33,4 Milliarden Parametern, das auf Qwen3-VL-32B-Instruct basiert und unter Apache 2.0 mit einem Kontextfenster von 32.000 Token veröffentlicht wurde. Es wird in Varianten mit 8B und 32B angeboten und wurde zusammen mit einem Paper namens „AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards“ vorgestellt, das den Trainingsansatz beschreibt: getrennte Reward-Signale für programmatische Korrektheit und für visuelle Qualität, sodass das Modell nicht gezwungen ist, das eine gegen das andere einzutauschen.

Der beabsichtigte Input ist ein Design-Brief. Der beabsichtigte Output ist Markup, das gerendert wird. Microsofts eigene Beispiele sind Infografiken, Präsentationsfolien, Poster und Dashboards — Artefakte, bei denen die Erfüllungsbedingung teils mechanisch (enthält die Tabelle die richtigen Zahlen, bildet das Diagramm die richtige Datenreihe ab?) und teils wahrnehmungsbezogen ist (sieht es aus, als hätte ein Mensch es entworfen?).

• Parameter — 33,4B, Vision-Sprache, Apache 2.0

• Kontext — 32.000 Tokens

• Ausgabe — HTML/CSS-Artefakte; keine Shell, keine Repository-Durchquerung, keine Testausführung in der berichteten Evaluation

• Speicherbedarf – etwa 65 GB bei BF16, weniger bei FP8

Was seine 85,89 bedeuten – und was nicht

AesCodes Schlagzeile ist ein Gesamtwert von 85,89 in einem Infografik-Benchmark mit 300 Instanzen, den die Autoren für das Paper erstellt haben. Dieser setzt sich zusammen aus 94,33 bei regelbasierten Prüfungen (Text, Begrenzungen, Tabellen und Diagramme) und 77,44 bei visueller Qualität, wobei ein Vision-Language-Judge Inhalt, Layout und Stil bewertet. Derselbe Benchmark setzt das Qwen3-VL-32B-Backbone insgesamt auf 48,61, sodass das Post-Training enorm viel leistet: allein plus 22,4 Punkte in der visuellen Hälfte.

Zum Kontext: Die Arbeit berichtet GPT-5.5 mit 81,28 im Gesamtergebnis und Claude Opus 4.8 mit 80,39 auf denselben 300 Instanzen. Das sind starke Zahlen, die daneben bestehen können, und sie sind auch der Grund, die Tabelle sorgfältig zu lesen: Dies ist ein eigens dafür entwickelter Infografik-Benchmark, kein allgemeiner Fähigkeitsindex. Jede Zahl in diesem Absatz stammt aus Herstellerangaben und wurde nicht unabhängig reproduziert. Es gibt kein Arena-Ranking und keinen erneuten Lauf durch Dritte.

Die Fehlermodi, die das Paper tatsächlich offenlegt, sind nützlicher als die Schlagzeile. Canvas-Überlauf tritt bei etwa 4,3 % der Generierungen wiederholt auf – deutlich besser als GPT-5.5 mit 34,7 %, was ein echter Gewinn ist –, doch fehlerhafte relationale Strukturen erscheinen in 23,9 % der Ausgaben und verzerrte Icons oder semantisch falsche Elemente in 23,3 %. Stil bleibt ein gemeinsamer Engpass: Kein Modell im Vergleich überschreitet 60 % bei diesem Teilscore. Wenn Sie Produktions-Dashboards generieren, ist die Chance von eins zu vier auf eine fehlerhafte relationale Struktur die Zahl, die Ihren Prüfprozess bestimmen sollte, nicht die 85,89.

Was SWE-2 Flash berichtet – und warum sich nichts davon überschneidet

SWE-2 Flash meldet acht Zeilen, allesamt agentische oder sicherheitsbezogene Evaluierungen: FrontierCode 2.0 mit 24,0, FrontierCode 1.1 Main mit 45,5, DeepSWE 1.1 mit 60,1, Terminal-Bench 4.0 mit 20,0, Terminal-Bench 2.1 mit 89,2, SWE-Atlas QA mit 50,0, SWE-Bench Pro v2 Hard mit 89,9 und ExploitBench mit 34,8. Bei jedem einzelnen Wert handelt es sich um eine Angabe von Cognition selbst, ermittelt auf einer Testumgebung, die der Ankündigungsbeitrag nicht nennt.

Es gibt keine Zeile für visuelle Qualität. Keine Layout-Bewertung, keine Render-Prüfung, kein Design-Richter. Worin auch immer SWE-2 Flash gut ist – es wurde nicht auf der Achse gemessen, um die AesCode herum gebaut wurde, und AesCode wurde nie auf einer agentischen Software-Engineering-Achse gemessen. Die beiden Tabellen teilen eine Spaltenüberschrift und sonst nichts.

Dasselbe gilt für die praktischen Eingaben. SWE-2 Flash läuft in Devin Desktop und der Devin CLI, kostenlos bis 30. November 2026, ohne API, ohne Modell-ID und ohne veröffentlichtes Kontextfenster. AesCode 32B läuft überall dort, wo Sie 65 GB an Gewichten laden können, oder bei jedem Inference-Anbieter, der es bereitstellt, mit einem veröffentlichten Kontext von 32.000 Token und einer Apache-2.0-Lizenz. Das eine ist ein Produkt, das Sie abonnieren und nicht überprüfen können. Das andere ist ein Artefakt, das Sie herunterladen und quantisieren können.

Die enge Stelle, an der sie aufeinandertreffen

Es gibt genau eine echte Überschneidung, und es lohnt sich, sie zu benennen, denn hier machen Teams tatsächlich die Fehler. Wenn Ihr Agent benutzergerichtete Ausgaben erzeugt – eine Berichtsseite, ein Status-Dashboard, eine generierte Folie –, muss irgendwo in dieser Pipeline ein Modell das Layout entscheiden. Ein Repository-bearbeitendes Modell gibt ohne Weiteres HTML aus, das funktioniert und aussieht wie 2009. Ein Designmodell gibt ohne Weiteres ein wunderschönes Dashboard mit den falschen Zahlen darin aus, weil es keinen Zugriff auf Ihre Testsuite oder Ihre Datenschicht hat.

Das ist eine Pipeline mit zwei Aufgaben, kein Vergleich mit einem einzigen Sieger. Die eigentliche Entscheidung ist, ob der Designschritt ein separater Aufruf mit eigenem Modell und eigenem Review-Gate ist oder ob man mittelmäßiges Layout von einem einzigen allgemeinen Modell akzeptiert. Teams, denen das visuelle Ergebnis wichtig ist, spalten den Schritt letztlich auf; Teams, denen das nicht wichtig ist, sollten gar kein Designmodell kaufen.

Kosten, Zugang und was Sie tatsächlich ausgeben würden

• AesCode 32B — offene Gewichte unter Apache 2.0, daher sind die Grenzkosten Ihre GPU oder der Pro-Token-Preis Ihres Anbieters; kein Anbieter-Abonnement.

• SWE-2 Flash — bis einschließlich 30. November 2026 kostenlos in Devin enthalten, danach ohne Preisangabe, da Cognition zum Marktstart keinen Preis pro Token veröffentlichte.

• Versteckte Kosten von AesCode – das Review-Gate. Eine Fehlerrate von 23,9 % bei relationalen Strukturen bedeutet, dass jedes Artefakt menschlich oder programmatisch verifiziert werden muss.

• Versteckte Kosten von SWE-2 Flash – der Lock-in. Es gibt keinen Endpunkt, auf den man zurückgreifen kann, wenn das kostenlose Zeitfenster zu Bedingungen endet, die Ihnen nicht gefallen.

Keines dieser beiden Modelle ist heute über OrcaRouter aufrufbar: SWE-2 Flash hat überhaupt keinen Endpoint, und AesCode 32B ist nicht im Katalog. Wofür der Vergleich jedoch spricht, ist die Ausgestaltung der Routing-Ebene darum herum. OrcaRouter stellt mehr als 200 Modelle hinter einem Schlüssel bereit, und seine Routing-DSL ermöglicht es, verschiedene Modelle an unterschiedliche Schritte eines einzelnen zusammengesetzten Aufrufs zu binden – genau die oben beschriebene Aufteilung „Design-Schritt hier, Engineering-Schritt dort“. Sie erhalten keines dieser beiden Modelle von uns. Sie erhalten einen einzigen Ort für das Paar, für das Sie sich letztlich entscheiden, und automatisches Failover, wenn eines davon um 2 Uhr nachts nicht verfügbar ist.

Die Faustregel

Wenn das Artefakt, das Ihre Nutzerin oder Ihr Nutzer sieht, ein Pull Request ist, fällt SWE-2 Flash in den Zuständigkeitsbereich und AesCode 32B nicht. Ist das Artefakt eine Folie, ein Poster, ein Dashboard oder eine Infografik, fällt AesCode 32B in den Zuständigkeitsbereich, und SWE-2 Flash kann die Aufgabe nicht erledigen – nicht schlecht, nicht langsam, sondern gar nicht. Wenn Sie beides brauchen, brauchen Sie zwei Aufrufe und ein Review-Gate für die Design-Variante.

Der Vergleich, der tatsächlich nützlich wäre, existiert noch nicht: Niemand hat AesCode 32B in einer Agentenschleife laufen lassen, die ihre eigene gerenderte Ausgabe gegen eine Testsuite prüfen kann, und niemand hat SWE-2 Flash auf einem Layout-Benchmark laufen lassen. Bis eines davon geschieht, ist die einzige vertretbare Behauptung die langweilige. Diese Modelle sind keine Ersatzmodelle füreinander, und jede Tabelle, die ihre Ergebnisse in benachbarten Spalten aufführt, misst zwei verschiedene Dinge mit einem Maßstab.