SWE-2 Flash vs Muse Code: el arnés es lo que estás comprando

Poner los dos números uno al lado del otro y la historia se cuenta sola: SWE-2 Flash con 89,2 en Terminal-Bench 2.1, Muse Code con 82,9; por lo tanto, el modelo de Cognition es 6,3 puntos mejor que el agente de Meta. Cada cláusula de esa frase hace algo cuestionable. SWE-2 Flash es un modelo que se sirve dentro de Devin. Muse Code es un agente de terminal construido en torno a Muse Spark 1.2, entrenado junto con él, y su 82,9 se midió con el harness y el ajuste de esfuerzo incluidos. Compararlos es comparar un modelo con un producto, y el producto es la parte que realmente instalarías.

Eso no hace que la comparación sea inútil. Cambia cuál es la pregunta interesante: no qué modelo obtiene una puntuación más alta, sino cuál de los dos bucles cerrados hace más de tu trabajo por ti, a qué precio y con cuánto del método revelado.

Qué es cada cosa en realidad

Muse Code es el primer agente de programación de Meta, lanzado el 5 de agosto de 2026 para macOS y Linux. Es una CLI de la misma categoría que Claude Code o Codex: planifica cambios, edita archivos, ejecuta pruebas y valida resultados en todo un repositorio. Las decisiones de diseño que lo distinguen son arquitectónicas, no cosméticas.

• Agentes en segundo plano — agentes asíncronos persistentes que permanecen activos durante toda una sesión en lugar de crearse para cada tarea, de modo que la información reunida una vez no se vuelve a reunir; varios pueden ejecutarse en paralelo en árboles de trabajo aislados sin tocar la copia de trabajo.

• Registro de eventos — un registro local de cada llamada al modelo, ejecución de herramientas, aprobación y edición, que hace que una sesión sea exactamente reproducible y segura ante reinicios tras un fallo — el mecanismo que permite que las tareas de varias horas sobrevivan.

• Habilidades — comandos de barra integrados que incluyen un paso de plan, un paso de prueba de estrés del plan y un paso de impulso de objetivos.

• Modelo — Muse Spark 1.2, de pesos cerrados, contexto de 1M de tokens, 1,25 $ por millón de tokens de entrada y 4,25 $ por millón de salida.

SWE-2 Flash no es un agente. Es un modelo, entrenado posteriormente a partir de Inkling-Small, con 276B de parámetros totales y 12B de parámetros activos, servido dentro de Devin Desktop y la Devin CLI. Cognition afirma que es tres veces más rápido y cuesta una quinta parte que SWE-2; el acceso es gratuito hasta el 30 de noviembre de 2026; no hay API pública, ni ID de modelo, ni archivo de pesos descargable.

Así que la verdadera forma de este enfrentamiento es esta: dos sistemas cerrados, cada uno de los cuales combina un modelo con un harness que su creador controla. Uno publica su harness y su configuración de esfuerzo. El otro, no.

La fila de DeepSWE que dice que están empatados

DeepSWE 1.1 es el único benchmark que ambos informes recogen en el que ninguna de las partes está forzando la definición de la tarea. SWE-2 Flash: 60.1. Muse Spark 1.2 dentro de Muse Code: 59.3. Ocho décimas de punto.

Eso no es una brecha. Es la misma puntuación reportada dos veces, y el hecho más interesante es que los dos sistemas llegan ahí desde direcciones opuestas. El modelo de Meta es un buque insignia general con 1M de contexto y un amplio perfil de uso de herramientas; el de Cognition es un postentrenamiento de 12B activos de una base de pesos abiertos, optimizado explícitamente para el extremo barato del mercado de agentes. Converger en DeepSWE es un resultado más contundente para la arquitectura más barata de lo que sugiere la tabla sin procesar.

En Terminal-Bench 2.1 la brecha es mayor —89,2 a 82,9— y aquí la asimetría metodológica pasa factura. Meta afirma que su cifra se produjo con esfuerzo xhigh, dentro del arnés Muse Code entrenado conjuntamente, en sandboxes aislados de Daytona, con pass@1 promediado sobre cinco intentos. Cognition no afirma nada de eso. Su publicación de septiembre para SWE-2 incluía un apéndice de metodología; la publicación del 4 de noviembre para SWE-2 Flash no.

También hay una advertencia dentro de las propias cifras de Meta que se aplica a todas las tablas de este ámbito. Meta reporta Muse Spark 1.1 con 76.2 en Terminal-Bench 2.1, mientras que la clasificación pública de tbench.ai registra un 80.0 verificado para el mismo modelo. La diferencia es que una fila no es un modelo: es un modelo más un arnés más un ajuste de esfuerzo. Si puede aparecer una variación de 4 puntos entre dos informes del mismo modelo, una diferencia de 6.3 puntos entre dos sistemas instrumentados de forma diferente no es un resultado decisivo. Todas las cifras de esta sección son reportadas por el proveedor.

Una cosa más que hay que tener en cuenta. Muse Spark 1.2 ya no es el modelo más reciente que tiene Meta: Artificial Analysis ahora marca el checkpoint 1.2 como obsoleto y remite a los lectores a Muse Spark 1.3. Muse Code se lanzó en 1.2, y 1.2 es el checkpoint que describen todas las cifras de este artículo y el que todavía se puede invocar.

1M publicados frente a no publicados

Muse Spark 1.2 llega con una ventana de contexto de 1M de tokens, y la arquitectura de Muse Code está diseñada para aprovecharla: agentes persistentes, un registro de eventos duradero, trabajo que se extiende durante horas. Esa combinación es la verdadera propuesta del producto: no una mejor edición individual, sino un agente capaz de manejar un repositorio grande y una tarea prolongada sin perder el hilo.

SWE-2 Flash no publica ninguna ventana de contexto. Para un modelo que se entrega únicamente dentro de un agente, la omisión es menos perjudicial de lo que sería para un modelo de API, porque Devin gestiona el contexto por ti. Aun así, sigue siendo una omisión: no se puede dimensionar un flujo de trabajo en torno a un presupuesto que no se te indica.

Una lista de tarifas frente a un mes gratis

• Muse Spark 1.2 — 1,25 USD por millón de tokens de entrada, 4,25 USD por millón de tokens de salida. Existe un nivel de colaborador con descuento en países seleccionados a cambio del uso de datos de entrenamiento, y se aceptan solicitudes de retención cero de datos.

• SWE-2 Flash — sin precio por token. Gratis dentro de Devin hasta el 30 de noviembre de 2026; después, sin especificar.

• Muse Code — el propio agente, cuyo precio se calcula según el uso del modelo en lugar de una suscripción independiente en el material que Meta ha publicado.

Un producto sin precio no es un producto barato; es un producto desconocido. Si estás construyendo un modelo de costos para el próximo trimestre, $1.25/$4.25 es un número que puedes poner en una hoja de cálculo y SWE-2 Flash es un signo de interrogación con una fecha límite adjunta.

Lo que puedes llamar y lo que no

Aquí los dos sistemas divergen de una manera que no tiene nada que ver con los benchmarks. No se puede invocar SWE-2 Flash. No hay ningún endpoint al que apuntar un cliente, ni un ID de modelo, ni una fecha en la que eso cambie. Si tu arquitectura necesita un modelo de programación detrás de una llamada HTTP en lugar de dentro de un IDE de escritorio, SWE-2 Flash simplemente no es candidato este mes.

Muse Spark 1.2 es otra historia. El lado de Meta en esta comparativa está disponible hoy mismo — tanto Muse Spark 1.2 como 1.1 están activos en el catálogo de OrcaRouter, al precio de lista del proveedor con un 0% de margen, así que la tarifa de $1.25/$4.25 indicada arriba es la tarifa que pagas, y no la cifra de un revendedor. Eso importa para esta decisión concreta: puedes ejecutar Muse Spark 1.2 contra tu propio repositorio esta misma noche y descubrir si el 59.3 en DeepSWE describe tu trabajo. No puedes hacer la prueba equivalente con SWE-2 Flash sin vivir dentro de Devin durante el mes gratuito.

OrcaRouter también te ofrece la conmutación por error que no tiene una apuesta por un único proveedor. Si estandarizas con el lado de Meta y el proveedor se degrada, la conmutación por error automática mantiene la llamada activa —lo que supone la diferencia práctica entre «elegimos un modelo» y «elegimos una cadena de suministro».

¿Cuál elegir?

Elige Muse Code si quieres un agente que puedas dirigir desde una terminal, con ajustes de esfuerzo publicados, un registro de eventos duradero, árboles de trabajo aislados en paralelo y una API detrás del modelo. El empate en DeepSWE indica que no estás renunciando a capacidad en la frontera; la brecha en Terminal-Bench indica que podrías estar renunciando a algo de techo, en un número cuyo método al menos puedes inspeccionar.

Elige SWE-2 Flash si eres usuario de Devin y la pregunta es si el modelo más rápido y económico dentro del IDE que ya pagas es suficientemente bueno para tus repositorios. La ventana gratuita hasta el 30 de noviembre es una prueba real, y un 60,1 en DeepSWE indica que no va a quedar mal.

Lo que ninguna de las dos opciones te da es certeza. Ambos proveedores midieron sus propios sistemas con sus propios arneses, y el único dato público que te permite verificar la afirmación de un proveedor —el 80.0 de tbench.ai para Muse Spark 1.1 frente al 76.2 de Meta— muestra que la diferencia entre una fila publicada y una reproducida puede ser tan grande como la diferencia entre los dos productos de este artículo.