SWE-2 Flash vs. Muse Code: Das Harness ist das, was Sie kaufen

Setzt man die beiden Zahlen nebeneinander, schreibt sich die Geschichte von selbst: SWE-2 Flash mit 89,2 auf Terminal-Bench 2.1, Muse Code mit 82,9, also ist Cognitions Modell 6,3 Punkte besser als Metas Agent. Jeder Satzteil dieses Satzes tut etwas Fragwürdiges. SWE-2 Flash ist ein Modell, das innerhalb von Devin bereitgestellt wird. Muse Code ist ein Terminal-Agent, der um Muse Spark 1.2 herum gebaut und mit ihm gemeinsam trainiert wurde, und seine 82,9 wurden mit dem angehängten Harness und der angehängten Effort-Einstellung gemessen. Sie zu vergleichen heißt, ein Modell mit einem Produkt zu vergleichen, und das Produkt ist der Teil, den man tatsächlich installieren würde.

Das macht den Vergleich nicht nutzlos. Es verändert, was die interessante Frage ist: nicht, welches Modell höher punktet, sondern welche der beiden geschlossenen Schleifen mehr von Ihrer Arbeit für Sie erledigt, zu welchem Preis und mit wie viel Offenlegung der Methode.

Was jedes Ding tatsächlich ist

Muse Code ist Metas erster Coding-Agent, am 5. August 2026 für macOS und Linux veröffentlicht. Er ist eine CLI derselben Kategorie wie Claude Code oder Codex: Er plant Änderungen, bearbeitet Dateien, führt Tests aus und validiert Ergebnisse repositoryweit. Die Designentscheidungen, die ihn auszeichnen, sind architektonischer und nicht kosmetischer Natur.

• Hintergrundagenten — persistente asynchrone Agenten, die über eine Sitzung hinweg am Leben bleiben, statt pro Aufgabe neu erzeugt zu werden, sodass einmal gesammelte Informationen nicht erneut gesammelt werden müssen; mehrere davon können parallel in isolierten Arbeitsbäumen laufen, ohne die Arbeitskopie zu berühren.

• Ereignisprotokoll — eine lokale Aufzeichnung jedes Modellaufrufs, jeder Tool-Ausführung, jeder Genehmigung und Bearbeitung, die eine Sitzung exakt wiedergabefähig und nach einem Absturz neustartsicher macht — der Mechanismus, der mehrstündige Aufgaben durchhaltbar macht.

• Skills — integrierte Slash-Befehle, darunter ein Plan-Schritt, ein Plan-Stresstest-Schritt und ein zielsteuernder Schritt.

• Modell — Muse Spark 1.2, Closed-Weight, 1M-Token-Kontext, $1.25 pro Million Eingabetoken und $4.25 pro Million Ausgabetoken.

SWE-2 Flash ist kein Agent. Es ist ein Modell, das aus Inkling-Small mit insgesamt 276B und 12B aktiven Parametern nachtrainiert wurde und in Devin Desktop und der Devin CLI bereitgestellt wird. Cognition bezeichnet es als dreimal schneller und zum Fünftel des Preises von SWE-2; der Zugang ist bis zum 30. November 2026 kostenlos; es gibt keine öffentliche API, keine Modell-ID und keine herunterladbare Gewichtsdatei.

Die eigentliche Form dieses Duells ist also: zwei geschlossene Systeme, die jeweils ein Modell mit einem Harness kombinieren, den sein Hersteller kontrolliert. Das eine veröffentlicht seinen Harness und seine Effort-Einstellung. Das andere nicht.

Die DeepSWE-Zeile, in der steht, dass sie gleichauf liegen.

DeepSWE 1.1 ist der eine Benchmark, den beide Berichte nennen, bei dem keine der beiden Seiten die Definition der Aufgabe überdehnt. SWE-2 Flash: 60,1. Muse Spark 1.2 in Muse Code: 59,3. Acht Zehntelpunkte.

Das ist keine Lücke. Es ist derselbe Wert, zweimal berichtet, und die interessantere Tatsache ist, dass die beiden Systeme aus entgegengesetzten Richtungen dort ankommen. Metas Modell ist ein allgemeines Flaggschiff mit 1M Kontext und einem breiten Tool-Use-Profil; Cognition's ist ein Post-Training mit 12B aktiven Parametern auf Basis eines Open-Weight-Modells, ausdrücklich für das günstige Ende des Agentenmarkts optimiert. Die Konvergenz auf DeepSWE ist für die günstigere Architektur ein stärkeres Ergebnis, als die Roh-Tabelle nahelegt.

Bei Terminal-Bench 2.1 ist die Lücke größer – 89,2 zu 82,9 – und hier macht sich die methodische Asymmetrie deutlich bemerkbar. Meta gibt an, dass seine Zahl mit xhigh-Aufwand, innerhalb des co-trainierten Muse Code Harness, in isolierten Daytona-Sandboxes und mit einem über fünf Versuche gemittelten pass@1 ermittelt wurde. Cognition gibt nichts davon an. Der September-Beitrag von Cognition zu SWE-2 enthielt einen Methodenanhang; der Beitrag vom 4. November zu SWE-2 Flash nicht.

In Metas eigenen Zahlen steckt außerdem eine Warnung, die für jede Tabelle in diesem Bereich gilt. Meta meldet für Muse Spark 1.1 einen Wert von 76,2 auf Terminal-Bench 2.1, während das öffentliche tbench.ai-Leaderboard für dasselbe Modell eine verifizierte 80,0 führt. Der Unterschied besteht darin, dass eine Zeile kein Modell ist – sie ist ein Modell plus ein Harness plus eine Effort-Einstellung. Wenn zwischen zwei Berichten zum selben Modell eine Schwankung von 4 Punkten auftreten kann, dann ist eine Lücke von 6,3 Punkten zwischen zwei unterschiedlich instrumentierten Systemen kein entscheidendes Ergebnis. Alle Zahlen in diesem Abschnitt sind vom Anbieter angegeben.

Noch ein Punkt, den man im Auge behalten sollte. Muse Spark 1.2 ist nicht mehr das neueste Modell von Meta: Artificial Analysis markiert den 1.2-Checkpoint jetzt als veraltet und verweist Leser auf Muse Spark 1.3. Muse Code wurde auf 1.2 gestartet, und 1.2 ist der Checkpoint, den jede Zahl in diesem Artikel beschreibt und der weiterhin aufrufbar ist.

Kontext: 1 Mio. veröffentlicht gegenüber unveröffentlicht

Muse Spark 1.2 kommt mit einem 1M-Token-Kontextfenster, und die Architektur von Muse Code ist darauf ausgelegt, es zu nutzen – persistente Agenten, ein dauerhaftes Ereignisprotokoll, Arbeit, die stundenlang läuft. Diese Kombination ist das eigentliche Verkaufsargument des Produkts: nicht eine bessere einzelne Bearbeitung, sondern ein Agent, der ein großes Repository und eine lange Aufgabe im Blick behalten kann, ohne den Faden zu verlieren.

SWE-2 Flash veröffentlicht überhaupt kein Kontextfenster. Bei einem Modell, das nur innerhalb eines Agenten bereitgestellt wird, ist diese Auslassung weniger schädlich als bei einem API-Modell, da Devin den Kontext in Ihrem Namen verwaltet. Es ist dennoch eine Auslassung: Man kann einen Workflow nicht an einem Budget ausrichten, das einem nicht mitgeteilt wird.

Eine Preisliste gegen einen kostenlosen Monat

• Muse Spark 1.2 — 1,25 $ pro Million Eingabe-Tokens, 4,25 $ pro Million Ausgabe-Tokens. In ausgewählten Ländern gibt es eine vergünstigte Contributor-Stufe im Austausch für die Nutzung von Trainingsdaten, und Anfragen zur Zero-Data-Retention werden akzeptiert.

• SWE-2 Flash — kein Preis pro Token. Bis 30. November 2026 kostenlos in Devin, danach nicht näher angegeben.

• Muse Code — der Agent selbst, dessen Preis sich laut dem von Meta veröffentlichten Material aus der Modellnutzung statt aus einem separaten Abonnement ergibt.

Ein Produkt ohne Preis ist kein günstiges Produkt; es ist ein unbekanntes. Wenn Sie ein Kostenmodell für das nächste Quartal erstellen, sind 1,25 $/4,25 $ eine Zahl, die Sie in eine Tabellenkalkulation eintragen können, und SWE-2 Flash ist ein Fragezeichen mit einer daran geknüpften Frist.

Was Sie anrufen können und was nicht

Hier unterscheiden sich die beiden Systeme auf eine Weise, die nichts mit Benchmarks zu tun hat. SWE-2 Flash lässt sich nicht aufrufen. Es gibt keinen Endpunkt, auf den ein Client zeigen kann, keine Modell-ID und kein Datum, an dem sich das ändert. Wenn Ihre Architektur ein Coding-Modell hinter einem HTTP-Aufruf statt in einer Desktop-IDE benötigt, ist SWE-2 Flash diesen Monat schlicht kein Kandidat.

Muse Spark 1.2 ist eine andere Geschichte. Die Meta-Seite dieses Duells ist heute aufrufbar — sowohl Muse Spark 1.2 als auch 1.1 sind im OrcaRouter-Katalog live, zum Listenpreis des Anbieters ohne Aufschlag (0 %), sodass der obige Satz von $1.25/$4.25 der Preis ist, den Sie zahlen, und keine Wiederverkäuferzahl. Das ist für diese konkrete Entscheidung wichtig: Sie können Muse Spark 1.2 heute Abend gegen Ihr eigenes Repository laufen lassen und herausfinden, ob die 59.3 bei DeepSWE Ihre Arbeit beschreibt. Den entsprechenden Test können Sie mit SWE-2 Flash nicht durchführen, ohne den kostenlosen Monat in Devin zu verbringen.

OrcaRouter bietet zudem das Failover, das eine Wette auf einen einzigen Anbieter vermissen lässt. Wenn Sie sich auf die Meta-Seite festlegen und der Anbieter sich verschlechtert, hält automatisches Failover den Call am Leben – was der praktische Unterschied zwischen „wir haben ein Modell gewählt“ und „wir haben eine Lieferkette gewählt“ ist.

Welchen soll man wählen?

Wähle Muse Code, wenn du einen Agenten willst, den du von einem Terminal aus steuern kannst, mit veröffentlichten Effort-Einstellungen, einem dauerhaften Ereignisprotokoll, parallelen isolierten Worktrees und einer API hinter dem Modell. Das Unentschieden bei DeepSWE sagt, dass du an der Frontier nicht auf Leistungsfähigkeit verzichtest; der Abstand bei Terminal-Bench sagt, dass du möglicherweise bei einer Obergrenze Abstriche machst – bei einer Zahl, deren Methode du zumindest prüfen kannst.

Wählen Sie SWE-2 Flash, wenn Sie Devin-Nutzer sind und die Frage ist, ob das schnellere, günstigere Modell in der IDE, für die Sie bereits zahlen, für Ihre Repositories gut genug ist. Das kostenlose Zeitfenster bis zum 30. November ist ein echter Test, und 60,1 auf DeepSWE sagt, dass es sich nicht blamieren wird.

Was Ihnen keine der beiden Optionen bietet, ist Gewissheit. Beide Anbieter haben ihre eigenen Systeme mit ihren eigenen Testumgebungen gemessen, und der einzige öffentliche Datenpunkt, mit dem sich eine Anbieteraussage überprüfen lässt – die 80,0 von tbench.ai für Muse Spark 1.1 gegenüber Metas 76,2 – zeigt, dass der Abstand zwischen einer veröffentlichten Ergebniszeile und einer reproduzierten genauso groß sein kann wie der Abstand zwischen den beiden Produkten in diesem Artikel.