SWE-2 Flash vs. AesCode 32B: dos modelos, una palabra, sin benchmark compartido

La pregunta aparece tarde o temprano en todos los hilos de comparación de «modelos de programación»: ¿cuál es mejor, SWE-2 Flash o AesCode 32B? La respuesta honesta es que no compiten en la misma categoría, y que ambos se clasifiquen bajo «generación de código» es un problema de taxonomía, no una decisión de compra. SWE-2 Flash, publicado por Cognition el 4 de noviembre de 2026, es un modelo de agente de ingeniería de software: lee un repositorio, planifica un cambio, ejecuta herramientas y edita archivos. AesCode 32B, publicado por Microsoft en octubre de 2026, es un modelo de código estético: toma una especificación y genera HTML y CSS para diapositivas, pósteres, paneles e infografías. Uno cierra tickets. El otro crea cosas que parecen diseñadas.

Esa distinción vale más que una tabla de benchmarks, porque elegir la opción equivocada no es cuestión de unos pocos puntos: es cuestión de que el modelo no disponga de ningún mecanismo para hacer el trabajo en absoluto.

Para qué sirve realmente AesCode 32B

AesCode 32B es un modelo de visión-lenguaje de 33,4 mil millones de parámetros construido sobre Qwen3-VL-32B-Instruct, publicado bajo Apache 2.0 con una ventana de contexto de 32.000 tokens. Se ofrece en variantes de 8B y 32B y se presentó junto con un artículo, "AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards", que describe el enfoque de entrenamiento: señales de recompensa separadas para la corrección programática y para la calidad visual, de modo que el modelo no se vea obligado a sacrificar una por la otra.

La entrada prevista es un brief de diseño. La salida prevista es marcado que se renderiza. Los propios ejemplos de Microsoft son infografías, presentaciones de diapositivas, carteles y paneles de control: artefactos en los que la condición de aprobado es en parte mecánica (¿tiene la tabla los números correctos?, ¿codifica el gráfico la serie correcta?) y en parte perceptiva (¿parece que lo ha diseñado una persona?).

• Parámetros — 33,4B, visión-lenguaje, Apache 2.0

• Contexto — 32.000 tokens

• Salida — artefactos HTML/CSS; sin shell, sin recorrido del repositorio, sin ejecución de pruebas en la evaluación reportada

• Huella de memoria — aproximadamente 65 GB en BF16, menos en FP8

Qué significa y qué no significa su 85,89

El titular de AesCode es una puntuación global de 85.89 en un benchmark de infografías de 300 instancias que los autores crearon para el artículo. Eso se desglosa en 94.33 en comprobaciones basadas en reglas (texto, límites, tablas y gráficos) y 77.44 en calidad visual, donde un juez de visión-lenguaje puntúa contenido, diseño y estilo. El mismo benchmark sitúa al backbone Qwen3-VL-32B en 48.61 global, así que el postentrenamiento está haciendo un trabajo enorme: +22.4 puntos solo en la mitad visual.

Como contexto, el artículo reporta GPT-5.5 con 81,28 global y Claude Opus 4.8 con 80,39 en las mismas 300 instancias. Son cifras sólidas junto a las que situarse, y también son la razón para leer la tabla con atención: este es un benchmark de infografías creado específicamente, no un índice de capacidad general. Cada cifra de ese párrafo está reportada por el proveedor y no ha sido reproducida de forma independiente. No hay ranking de arena ni una repetición por parte de terceros.

Los modos de fallo que el artículo sí revela son más útiles que el titular. El desbordamiento del lienzo se repite en aproximadamente el 4.3% de las generaciones —mucho mejor que el 34.7% de GPT-5.5, lo que supone una victoria real—, pero las estructuras relacionales rotas aparecen en el 23.9% de las salidas y los iconos distorsionados o los elementos semánticamente incorrectos en el 23.3%. El estilo sigue siendo un cuello de botella compartido: ningún modelo de la comparación supera el 60% en esa subpuntuación. Si generas paneles de control de producción, una probabilidad de una entre cuatro de una estructura relacional rota es la cifra que debería impulsar tu proceso de revisión, no el 85.89.

Lo que reporta SWE-2 Flash — y por qué nada de ello se solapa

SWE-2 Flash presenta ocho filas, todas ellas evaluaciones agénticas o de seguridad: FrontierCode 2.0 con 24.0, FrontierCode 1.1 Main con 45.5, DeepSWE 1.1 con 60.1, Terminal-Bench 4.0 con 20.0, Terminal-Bench 2.1 con 89.2, SWE-Atlas QA con 50.0, SWE-Bench Pro v2 Hard con 89.9 y ExploitBench con 34.8. Cada una es una cifra propia de Cognition, obtenida en un harness que la publicación de lanzamiento no menciona.

No hay una fila de calidad visual. Ni puntuación de diseño, ni comprobación de renderizado, ni juez de diseño. Sea lo que sea aquello en lo que SWE-2 Flash es bueno, no se ha medido en el eje en torno al cual se construyó AesCode, y AesCode nunca se ha medido en un eje de ingeniería de software agéntica. Las dos tablas comparten un encabezado de columna y nada más.

Lo mismo ocurre con las entradas prácticas. SWE-2 Flash se ejecuta dentro de Devin Desktop y la Devin CLI, gratis hasta el 30 de noviembre de 2026, sin API, sin ID de modelo y sin ventana de contexto publicada. AesCode 32B se ejecuta dondequiera que puedas cargar 65 GB de pesos, o en el proveedor de inferencia que lo sirva, con una ventana de contexto publicada de 32.000 tokens y una licencia Apache 2.0. Uno es un producto al que te suscribes y que no puedes inspeccionar. El otro es un artefacto que puedes descargar y cuantizar.

El lugar estrecho donde se encuentran

Hay un solapamiento real, y vale la pena ponerle nombre porque es donde los equipos realmente se equivocan. Si tu agente produce salidas orientadas al usuario —una página de informe, un panel de estado, una diapositiva generada—, entonces en algún punto de ese proceso un modelo tiene que decidir el diseño. Un modelo de edición de repositorios emitirá sin problema HTML que funciona y parece de 2009. Un modelo de diseño emitirá sin problema un panel precioso con números equivocados, porque no tiene acceso a tu suite de pruebas ni a tu capa de datos.

Eso es una canalización con dos trabajos, no una comparación con un único ganador. La verdadera decisión es si la etapa de diseño es una llamada separada con su propio modelo y su propia puerta de revisión, o si aceptas un diseño mediocre de un único modelo general. Los equipos que se preocupan por el resultado visual acaban dividiendo la etapa; los equipos a los que no les importa no deberían comprar un modelo de diseño en absoluto.

Costo, acceso y lo que realmente gastarías

• AesCode 32B — pesos abiertos bajo Apache 2.0, así que el costo marginal es tu GPU o la tarifa por token de tu proveedor; sin suscripción con el proveedor.

• SWE-2 Flash — gratis dentro de Devin hasta el 30 de noviembre de 2026, luego sin precio, porque Cognition no publicó ninguna tarifa por token en el lanzamiento.

El coste oculto de AesCode: la barrera de revisión. Una tasa de fallos del 23,9 % en la estructura relacional implica la verificación humana o programática de cada artefacto.

• Coste oculto de SWE-2 Flash: la dependencia del proveedor. No hay ningún endpoint de respaldo al que recurrir si la ventana gratuita se cierra en condiciones que no le convienen.

Ninguno de estos dos modelos se puede invocar a través de OrcaRouter hoy: SWE-2 Flash no tiene ningún endpoint y AesCode 32B no está en el catálogo. Lo que sí defiende la comparación es la forma de la capa de enrutamiento que lo rodea. OrcaRouter expone más de 200 modelos detrás de una sola clave, y su DSL de enrutamiento te permite asignar distintos modelos a distintos pasos de una única llamada compuesta, que es exactamente la división de «paso de diseño aquí, paso de ingeniería allí» descrita arriba. No obtienes ninguno de estos dos modelos de nosotros. Obtienes un único lugar donde colocar el par que acabes eligiendo y conmutación automática por fallos cuando uno de ellos no esté disponible a las 2 de la madrugada.

La regla general

Si el artefacto que ve tu usuario es un pull request, SWE-2 Flash está dentro del alcance y AesCode 32B no. Si el artefacto es una diapositiva, un póster, un panel o una infografía, AesCode 32B está dentro del alcance y SWE-2 Flash no puede hacer el trabajo: ni mal, ni despacio, sino que no puede en absoluto. Si necesitas ambos, necesitas dos llamadas y una revisión obligatoria del de diseño.

La comparación que realmente sería útil aún no existe: nadie ha ejecutado AesCode 32B dentro de un bucle de agente que pueda verificar su propia salida renderizada contra un conjunto de pruebas, y nadie ha ejecutado SWE-2 Flash en un benchmark de maquetación. Hasta que ocurra una de esas cosas, la única afirmación defendible es la aburrida. Estos modelos no son sustitutos, y cualquier tabla que coloque sus puntuaciones en columnas adyacentes está midiendo dos cosas distintas con una sola regla.