
MAI Code 2 vs SWE-2: Los mismos dos benchmarks, publicados por solo uno de ellos
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 180 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 223 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 98 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
MAI Code 2 y SWE-2 nombran casi exactamente los mismos benchmarks en su material de lanzamiento, y solo uno de ellos te dice qué puntuación obtuvo. La publicación de Microsoft del 17 de noviembre de 2026 enumera DeepSWE 1.1, Terminal Bench 2.1, SWE-Atlas y FrontierCode v1.1 y luego informa proporciones: 96% del rendimiento de Claude Opus 5.5 a 5% del costo. La entrada de Cognition sobre SWE-2, publicada el 10 de septiembre de 2026, enumera los mismos dos primeros benchmarks e imprime una cifra para cada uno: 73.0% en DeepSWE 1.1, 92.8% en Terminal-Bench 2.1, 27.3% en Terminal-Bench 4.0. Ese tercer número es el que hay que conservar, porque es la edición que Microsoft no informó —y muestra lo que le sucede a un modelo de programación cuando el benchmark de terminal se vuelve más difícil.
Ambos modelos también comparten una restricción de distribución que los hace inusuales en esta categoría: ninguno tiene una API pública por token. Se puede acceder a MAI Code 2 seleccionándolo en un cliente de GitHub Copilot. SWE-2 se ejecuta dentro de Devin. Dos modelos a los que no puedes llamar desde tu propio código, uno de los cuales publica sus cifras.
La edición de referencia con la que nadie abre
La tabla de Cognition es el artefacto más útil que cualquiera de los dos proveedores ha publicado, y no porque SWE-2 gane algo en ella. Es útil porque muestra el mismo modelo medido en dos ediciones del mismo benchmark.
• Terminal-Bench 2.1 — SWE-2 con un 92,8 %, frente al 91,4 % de Claude Fable 5.1, el 89,9 % de GPT-6 Astra y el 88,3 % de Kimi K3
• Terminal-Bench 4.0 — SWE-2 con un 27,3 %, frente al 55,8 % de Claude Fable 5.1, el 57,9 % de GPT-6 Astra y el 21,5 % de Kimi K3
• DeepSWE 1.1 — SWE-2 con un 73,0 %, frente al 74,1 % de GPT-6 Astra, el 72,7 % de GPT-5.6 Sol y el 67,4 % de Claude Fable 5.1
• FrontierCode 1.1 Main — SWE-2 con un 50,0 %, frente al 53,3 % de GPT-6 Astra y el 50,9 % de Claude Fable 5.1
Lee las dos primeras líneas juntas. SWE-2 es segundo en 2.1 y penúltimo en 4.0, una caída de aproximadamente 65 puntos, y no está solo: Kimi K3 baja 67 puntos en ese mismo par. Los modelos que se mantienen son los que están ajustados para trabajo de horizonte largo. Esto no es una rareza del harness de un laboratorio — es que la edición del benchmark se está volviendo más difícil, y es precisamente por eso que «ejecutamos Terminal Bench 2.1» es una afirmación más débil en noviembre de 2026 de lo que era en septiembre.
Microsoft ejecutó Terminal Bench 2.1. Microsoft no publicó ninguna puntuación al respecto. Microsoft no publicó nada sobre la 4.0. Esos tres hechos juntos significan que un comprador no puede saber qué tipo de modelo de programación es MAI Code 2: el tipo que se mantiene firme cuando las tareas de terminal se alargan, o el tipo que no.
Lo que cada proveedor reveló realmente
La brecha de divulgación es mayor que los precios de los modelos, así que vale la pena decirlo sin rodeos.
Cognition publicó una tabla de siete modelos con cuatro benchmarks, un conjunto de comparación declarado, una nota de que los modelos rivales se ejecutaron en la propia CLI de Cognition con su mejor esfuerzo de razonamiento y una divulgación honesta de algo que excluyó: Claude Fable 5.1 con esfuerzo máximo obtuvo un 50,3 % en FrontierCode a $12,83 por tarea, por debajo de su propio resultado con esfuerzo medio, así que se eliminó del gráfico. Un proveedor que te dice qué dato eliminó es un proveedor que te da las herramientas para restarle valor a su tabla.
Microsoft publicó los nombres de los benchmarks, el harness —MSBench, su plataforma de evaluación interna, a través de la GitHub Copilot CLI con los subagentes desactivados y todos los modelos con el máximo esfuerzo de razonamiento— y los ratios que promedian esos benchmarks. No publicó ninguna tasa de aprobación para MAI Code 2 en ninguno de los cuatro, ni el número de parámetros, ni un límite de salida, ni una tabla comparativa frente a competidores con nombre más allá de los dos ratios. Artificial Analysis no tiene ninguna fila para el modelo a 18 de noviembre de 2026, por lo que no hay una lectura de terceros que sustituya.
Una de estas divulgaciones te permite reproducir el razonamiento. La otra te pide que aceptes una conclusión.
Ninguno de los dos modelos es un endpoint, y eso cambia la compra.
SWE-2 no tiene un precio publicado por token ni una API pública. La publicación de Cognition dice que está disponible en Devin Desktop y CLI, con despliegue a Devin Web y Fusion, y las únicas cifras de coste que incluye son costes de benchmark por tarea: el tipo de cifra que se cita para demostrar que un rival es caro, no el tipo de cifra contra la que se factura.
MAI Code 2 sí tiene una tarjeta de precios, publicada por GitHub: 0,50 USD por millón de tokens de entrada, 0,025 USD en caché, 2,50 USD de salida, en promoción hasta el 17 de mayo de 2027, y después 1,00 / 0,05 / 5,00 USD. No tiene una superficie de API propia. MAI Code 2 Flash, el hermano menor, es el único modelo de la familia que tiene una: una versión preliminar de acceso limitado en Microsoft Foundry a través de una API de Responses compatible con OpenAI.
• Precio — MAI Code 2 a $0.50 / $0.025 / $2.50 por millón de tokens, en promoción hasta el 17 de mayo de 2027, frente a la ausencia de un precio publicado por token para SWE-2
• Acceso — una licencia de GitHub Copilot en Pro, Pro+, Max, Business y Enterprise, frente a una suscripción de Devin en Desktop y CLI
• Pesos — no distribuidos en ninguno de los dos lados
• Contexto — no hay ninguna cifra de contexto publicada para SWE-2, frente a 1 millón de tokens en MAI Code 2 disponible solo en Visual Studio Code y Copilot CLI
• Puntuaciones de referencia publicadas: ninguna para MAI Code 2, frente a cuatro para SWE-2
• Fila de índice independiente — ninguno de los modelos tiene una
La conclusión práctica es que ambas compras son compras por asiento y no por tokens, y solo una de ellas incluye un medidor que puedes modelar. Si tu equipo de finanzas necesita un costo por unidad, MAI Code 2 te lo da y SWE-2 no. Si tu equipo de ingeniería necesita saber si el modelo mejora tus repositorios, SWE-2 te da una tabla comparativa y MAI Code 2 te da una proporción.

Para qué se creó cada modelo
El brief de Microsoft para MAI Code 2 es el trabajo empresarial cotidiano: llevar código a producción, depuración profunda, implementación en varios archivos, razonamiento en todo el repositorio, interfaces de usuario y paneles de control. La publicación de lanzamiento reconoce con franqueza que los modelos "explícitamente aún no están ajustados para problemas más difíciles, como la investigación científica fundamental y el trabajo agéntico de horizonte muy largo" — una frase que queda incómoda junto a una afirmación sobre Terminal Bench 2.1, porque Terminal-Bench es un benchmark agéntico de horizonte largo. El propio posicionamiento de Microsoft indica que no hizo ajustes para lo que mide ese benchmark.
El informe de Cognition para SWE-2 va en la dirección opuesta: menos pasos, rollouts más baratos, un modelo codiseñado con el agente que lo ejecuta. La publicación informa que la media de pasos por ejecución baja a 53 en SWE-2 medium frente a 127 para SWE-1.7, que medium cuesta un 81 % menos que SWE-1.7, y una mediana de 18 pasos hasta la primera edición real frente a 48. Son afirmaciones de ingeniería sobre la eficiencia del agente, y le importan más a un suscriptor de Devin que cualquier fila de benchmark, porque deciden cuánto del cupo mensual consume una tarea.
Así que los dos modelos vuelven a estar ajustados con objetivos distintos: uno para la tarea cotidiana dentro de un IDE y otro para el número de pasos dentro de un agente autónomo. Ninguno es una versión mejor del otro.
Dónde un router se gana su lugar cuando ninguno de los modelos es enrutable
Ni MAI Code 2 ni SWE-2 están en el catálogo de OrcaRouter, y no hay forma honesta de sugerir lo contrario: uno es una entrada del selector de modelos de Copilot, el otro está dentro de Devin. Lo que cambia una capa de enrutamiento no es el acceso a esos dos, sino el costo de construir la comparación. El control en cualquier evaluación de ellos tiene que ser un modelo que puedas llamar y medir —Claude Opus 5.5, Kimi K3.1 Pro, Qwen3.8-Max, Gemini 4 Carbon—, y esos están detrás de una sola clave a precio de lista del proveedor con 0% de margen, así que una ejecución de benchmark contra ellos se factura exactamente a la tarifa del proveedor.
Eso importa más aquí que en la mayoría de las comparativas, porque la pregunta interesante sobre ambos modelos es comparativa: ¿un programador de a pie supera a un modelo de frontera en coste por fusión, en tu código? No puedes responderlo leyendo dos tablas de proveedores producidas en dos arneses de prueba. Puedes responderlo ejecutando el modelo medible junto con cualquiera de estos dos al que tu equipo pueda acceder realmente, y contando tareas terminadas en lugar de tokens. La conmutación por error automática es lo que mantiene esa comparación en marcha cuando un límite de velocidad del proveedor se produce a mitad de la ejecución, y como los precios se repercuten a precio de lista, el coste por tarea del control no se ve inflado por la capa que estás usando para medirlo.
¿Cuál elegir, teniendo en cuenta lo que puedes verificar?
• Tu equipo usa Devin y quieres menos pasos por despliegue — SWE-2, y las cifras de recuento de pasos y reducción de costes en la publicación de Cognition son las que lo deciden.
• Tu equipo usa Copilot y quieres tokens baratos para reparaciones rutinarias: MAI Code 2 a $0.50 y $2.50, modelado tanto con la tarifa duplicada de mayo de 2027 como con la promocional.
• Tienes que defender la elección con un número —SWE-2, porque publica cuatro y el otro modelo no publica ninguno.
• Necesitas trabajo agéntico de horizonte largo; ninguno de los dos, según la evidencia disponible. Microsoft dice que no lo optimizó para ello; la propia tabla de SWE-2 muestra el colapso de 65 puntos cuando el benchmark se vuelve más difícil.
• Necesitas un modelo de coste por token — MAI Code 2, ya que SWE-2 no tiene una tarifa publicada para modelar.

Lo que hay que observar es si Microsoft llega a publicar alguna vez la cifra que haría real esta comparación. Una tasa de aprobación de Terminal Bench 2.1 lo conseguiría; una tasa de Terminal Bench 4.0 lo zanjaría, porque esa es la edición en la que la propia tabla de SWE-2 muestra cómo es un modelo de programación cuando las tareas se alargan. Hasta que exista una de esas cifras, MAI Code 2 es una lista de tarifas con una promesa adjunta y SWE-2 es una tabla con un número de pasos adjunto, y solo una de ellas puede verificarse desde fuera del proveedor.

Comparados en este artículo1
Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario
