SWE-2 Flash vs AesCode 32B : deux modèles, un mot, aucun benchmark commun

La question finit toujours par surgir dans chaque fil de comparaison de « modèles de codage » : lequel est meilleur, SWE-2 Flash ou AesCode 32B ? La réponse honnête, c’est qu’ils ne sont pas dans la même compétition, et le fait que tous deux soient classés sous « génération de code » relève d’un problème de taxonomie plutôt que d’une décision d’achat. SWE-2 Flash, publié par Cognition le 4 novembre 2026, est un modèle d’agent d’ingénierie logicielle : il lit un dépôt, planifie une modification, exécute des outils et modifie des fichiers. AesCode 32B, publié par Microsoft en octobre 2026, est un modèle de code esthétique : il prend une spécification et produit du HTML et du CSS pour des diapositives, des affiches, des tableaux de bord et des infographies. L’un clôt des tickets. L’autre crée des choses qui donnent l’impression d’avoir été conçues.

Cette distinction vaut plus qu’un tableau de benchmarks, car choisir la mauvaise n’est pas une question de quelques points — c’est une question du fait que le modèle n’a aucun mécanisme pour accomplir la tâche.

À quoi sert réellement AesCode 32B

AesCode 32B est un modèle vision-langage de 33,4 milliards de paramètres, construit sur Qwen3-VL-32B-Instruct, publié sous licence Apache 2.0 avec une fenêtre de contexte de 32 000 tokens. Il est proposé en variantes 8B et 32B et a été introduit parallèlement à un article, « AesCode : génération de code esthétique avec des récompenses intermodales découplées », qui décrit l’approche d’entraînement : des signaux de récompense distincts pour la justesse programmatique et pour la qualité visuelle, afin que le modèle ne soit pas contraint de sacrifier l’un au profit de l’autre.

L'entrée prévue est un brief de conception. La sortie prévue est un balisage qui s'affiche. Les exemples de Microsoft eux-mêmes sont des infographies, des diaporamas, des affiches et des tableaux de bord — des artefacts dont la condition de réussite est en partie mécanique (le tableau contient-il les bons chiffres, le graphique encode-t-il la bonne série ?) et en partie perceptuelle (a-t-il l'air d'avoir été conçu par un humain ?).

• Paramètres — 33,4 Md, vision-langage, Apache 2.0

• Contexte — 32 000 tokens

• Sortie — artéfacts HTML/CSS ; pas de shell, pas de parcours du dépôt, pas d'exécution de tests dans l'évaluation rapportée

• Empreinte mémoire — environ 65 Go en BF16, moins en FP8

Ce que son 85,89 signifie et ne signifie pas

Le score phare d'AesCode est une note globale de 85,89 sur un benchmark d'infographies de 300 instances que les auteurs ont construit pour l'article. Celui-ci se décompose en 94,33 sur les vérifications basées sur des règles (texte, limites, tableaux et graphiques) et 77,44 sur la qualité visuelle, où un juge vision-langage évalue le contenu, la mise en page et le style. Le même benchmark place le modèle de base Qwen3-VL-32B à 48,61 au global, ce qui signifie que le post-entraînement abat un travail énorme : plus 22,4 points sur la seule moitié visuelle.

Pour contexte, l’article rapporte GPT-5.5 à 81,28 au global et Claude Opus 4.8 à 80,39 sur les mêmes 300 instances. Ce sont des chiffres solides à côté desquels se situer, et c’est aussi la raison de lire le tableau avec attention : il s’agit d’un benchmark d’infographies conçu sur mesure, et non d’un indice général de capacités. Chaque chiffre de ce paragraphe est déclaré par le fournisseur et n’a pas été reproduit de manière indépendante. Il n’y a ni classement d’arène ni réexécution par un tiers.

Les modes de défaillance que l’article divulgue sont plus utiles que le chiffre phare. Le débordement du canevas revient dans environ 4,3 % des générations — nettement mieux que les 34,7 % de GPT-5.5, ce qui constitue un vrai gain —, mais des structures relationnelles défaillantes apparaissent dans 23,9 % des sorties et des icônes déformées ou des éléments sémantiquement erronés dans 23,3 %. Le style reste un goulot d’étranglement commun : aucun modèle de la comparaison ne dépasse 60 % sur ce sous-score. Si vous générez des tableaux de bord de production, une chance sur quatre d’obtenir une structure relationnelle défaillante est le chiffre qui devrait guider votre processus de revue, et non le 85,89.

Ce que rapporte SWE-2 Flash — et pourquoi rien de tout cela ne se chevauche

SWE-2 Flash rapporte huit lignes, toutes des évaluations agentiques ou de sécurité : FrontierCode 2.0 à 24,0, FrontierCode 1.1 Main à 45,5, DeepSWE 1.1 à 60,1, Terminal-Bench 4.0 à 20,0, Terminal-Bench 2.1 à 89,2, SWE-Atlas QA à 50,0, SWE-Bench Pro v2 Hard à 89,9 et ExploitBench à 34,8. Chacun de ces chiffres provient de Cognition elle-même, obtenu sur un harnais que l'article de lancement ne nomme pas.

Il n’y a aucune ligne de qualité visuelle. Pas de score de mise en page, pas de contrôle de rendu, pas de juge de design. Quelles que soient les qualités de SWE-2 Flash, elles n’ont pas été mesurées sur l’axe autour duquel AesCode a été conçu, et AesCode n’a jamais été mesuré sur un axe d’ingénierie logicielle agentique. Les deux tableaux partagent un en-tête de colonne et rien d’autre.

Il en va de même pour les entrées pratiques. SWE-2 Flash fonctionne dans Devin Desktop et la CLI Devin, gratuitement jusqu’au 30 novembre 2026, sans API, sans identifiant de modèle et sans fenêtre de contexte publiée. AesCode 32B s’exécute partout où vous pouvez charger 65 Go de poids, ou chez n’importe quel fournisseur d’inférence qui le propose, avec une fenêtre de contexte publiée de 32 000 tokens et une licence Apache 2.0. L’un est un produit auquel vous vous abonnez et que vous ne pouvez pas inspecter. L’autre est un artefact que vous pouvez télécharger et quantifier.

L’endroit étroit où ils se rencontrent

Il y a un seul véritable chevauchement, et cela vaut la peine de le nommer, car c’est là que les équipes se trompent réellement. Si votre agent produit une sortie destinée à l’utilisateur — une page de rapport, un tableau de bord d’état, une diapositive générée —, alors quelque part dans ce pipeline, un modèle doit décider de la mise en page. Un modèle d’édition de dépôt émettra volontiers du HTML qui fonctionne et qui a l’air de 2009. Un modèle de conception émettra volontiers un beau tableau de bord contenant de mauvais chiffres, parce qu’il n’a pas accès à votre suite de tests ni à votre couche de données.

C’est un pipeline à deux tâches, pas une comparaison avec un seul gagnant. La vraie décision est de savoir si l’étape de conception doit être un appel distinct avec son propre modèle et son propre point de validation, ou si vous acceptez une mise en page médiocre produite par un seul modèle généraliste. Les équipes qui se soucient du résultat visuel finissent par scinder l’étape ; celles que cela n’intéresse pas ne devraient pas acheter de modèle de conception du tout.

Coût, accès et ce que vous dépenseriez réellement

• AesCode 32B — poids ouverts sous Apache 2.0, donc le coût marginal correspond à votre GPU ou au tarif par token de votre fournisseur ; aucun abonnement auprès d’un éditeur.

• SWE-2 Flash — gratuit dans Devin jusqu’au 30 novembre 2026, puis sans tarif publié, car Cognition n’a publié aucun tarif par jeton au lancement.

• Coût caché d'AesCode — le portail de revue. Un taux d'échec de 23,9 % sur les structures relationnelles implique une vérification humaine ou programmatique de chaque artefact.

• Coût caché de SWE-2 Flash — le verrouillage. Il n’existe aucun point de terminaison de repli si la fenêtre gratuite se ferme à des conditions qui ne vous conviennent pas.

Aucun de ces deux modèles n’est invoquable via OrcaRouter aujourd’hui : SWE-2 Flash n’a aucun endpoint, et AesCode 32B ne figure pas au catalogue. Ce que la comparaison défend, en revanche, c’est la forme de la couche de routage qui l’entoure. OrcaRouter expose plus de 200 modèles derrière une seule clé, et son DSL de routage vous permet d’épingler différents modèles à différentes étapes d’un même appel composé — ce qui correspond exactement à la répartition « étape de conception ici, étape d’ingénierie là » décrite plus haut. Vous n’obtenez aucun de ces deux modèles chez nous. Vous obtenez un point unique où placer la paire que vous finirez par choisir, et un basculement automatique lorsqu’un des deux est indisponible à 2 h du matin.

La règle empirique

Si l'artefact que votre utilisateur voit est une pull request, SWE-2 Flash est dans le périmètre et AesCode 32B n'y est pas. Si l'artefact est une diapositive, un poster, un tableau de bord ou une infographie, AesCode 32B est dans le périmètre et SWE-2 Flash ne peut pas faire le travail — pas mal, pas lentement, mais pas du tout. Si vous avez besoin des deux, il vous faut deux appels et un point de contrôle de revue sur celui de conception.

La comparaison qui serait réellement utile n’existe pas encore : personne n’a fait tourner AesCode 32B dans une boucle d’agent capable de vérifier sa propre sortie rendue par rapport à une suite de tests, et personne n’a fait tourner SWE-2 Flash sur un benchmark de mise en page. Tant que l’une de ces choses ne s’est pas produite, la seule affirmation défendable est la plus banale. Ces modèles ne sont pas des substituts, et tout tableau qui place leurs scores dans des colonnes adjacentes mesure deux choses différentes avec une seule règle.