SWE-2 Flash מול AesCode 32B: שני מודלים, מילה אחת, ללא בנצ'מרק משותף

השאלה מגיעה בסופו של דבר לכל שרשור השוואה בין "מודלי קוד": מה עדיף, SWE-2 Flash או AesCode 32B? התשובה הכנה היא שהם לא נמצאים באותה תחרות, והעובדה ששניהם מסווגים תחת "יצירת קוד" היא בעיית טקסונומיה ולא החלטת רכישה. SWE-2 Flash, שפורסם על ידי Cognition ב-4 בנובמבר 2026, הוא מודל סוכן להנדסת תוכנה: הוא קורא מאגר קוד, מתכנן שינוי, מריץ כלים ועורך קבצים. AesCode 32B, שפורסם על ידי Microsoft באוקטובר 2026, הוא מודל קוד אסתטי: הוא מקבל מפרט ופולט HTML ו-CSS עבור שקופיות, פוסטרים, לוחות מחוונים ואינפוגרפיקות. האחד סוגר טיקטים. האחר יוצר דברים שנראים מעוצבים.

ההבחנה הזו שווה יותר מטבלת בנצ'מרק, משום שבחירה באפשרות הלא נכונה אינה עניין של כמה נקודות — היא עניין של היעדר מוחלט של מנגנון במודל לביצוע המשימה.

בשביל מה AesCode 32B באמת נועד

AesCode 32B הוא מודל שפה-חזות עם 33.4 מיליארד פרמטרים, המבוסס על Qwen3-VL-32B-Instruct, שפורסם תחת Apache 2.0 עם חלון הקשר של 32,000 טוקנים. הוא מוצע בגרסאות 8B ו-32B והוצג לצד מאמר, "AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards", המתאר את גישת האימון: אותות תגמול נפרדים עבור נכונות פרוגרמטית ועבור איכות חזותית, כך שהמודל אינו נאלץ להחליף אחד באחר.

הקלט המיועד הוא בריף עיצובי. הפלט המיועד הוא מרקאפ שמתרנדר. הדוגמאות של מיקרוסופט עצמה הן אינפוגרפיקות, מצגות, פוסטרים ולוחות מחוונים — תוצרים שתנאי ההצלחה שלהם הוא חלקית מכני (האם בטבלה יש את המספרים הנכונים, האם התרשים מקודד את הסדרה הנכונה?) וחלקית תפיסתי (האם זה נראה כאילו אדם עיצב אותו?).

• פרמטרים — 33.4B, חזותי-לשוני, Apache 2.0

• הקשר — 32,000 טוקנים

• פלט — תוצרי HTML/CSS; ללא shell, ללא מעבר על ה-repo, ללא הרצת בדיקות בהערכה המדווחת

• טביעת רגל בזיכרון — כ-65 GB ב-BF16, פחות ב-FP8

מה המשמעות של 85.89 ומה היא לא אומרת

הנתון הבולט של AesCode הוא ציון כולל של 85.89 בבנצ'מרק אינפוגרפיקות בעל 300 מופעים שהמחברים בנו עבור המאמר. הוא מתפרק ל-94.33 בבדיקות מבוססות כללים (טקסט, גבולות, טבלאות ותרשימים) ול-77.44 באיכות חזותית, שבה שופט חזותי-לשוני מדרג תוכן, פריסה וסגנון. אותו בנצ'מרק מציב את עמוד השדרה Qwen3-VL-32B על 48.61 בסך הכול, ולכן ה-post-training עושה עבודה עצומה: תוספת של 22.4 נקודות במחצית החזותית בלבד.

לשם הקשר, המאמר מדווח על GPT-5.5 עם ציון כולל של 81.28 ועל Claude Opus 4.8 עם 80.39 על אותם 300 מקרים. אלה מספרים חזקים להציב לצידם, והם גם הסיבה לקרוא את הטבלה בקפידה: זהו מדד ייעודי לאינפוגרפיקה, לא מדד יכולות כלליות. כל נתון בפסקה ההיא הוא דיווח של הספק ולא שוחזר באופן עצמאי. אין דירוג בזירה ואין הרצה חוזרת על ידי צד שלישי.

מצבי הכשל שהמאמר כן חושף שימושיים יותר מהכותרת. גלישת קנבס חוזרת בכ-4.3% מהגנרציות — טוב בהרבה מ-34.7% של GPT-5.5, וזה ניצחון אמיתי — אך מבנים יחסיים שבורים מופיעים ב-23.9% מהפלטים, ואייקונים מעוותים או רכיבים שגויים סמנטית ב-23.3%. הסגנון נותר צוואר בקבוק משותף: אף מודל בהשוואה לא עובר 60% בתת-הציון הזה. אם אתם מייצרים לוחות מחוונים לפרודקשן, סיכוי של אחד לארבעה למבנה יחסי שבור הוא המספר שאמור להנחות את תהליך הבדיקה שלכם, לא ה-85.89.

מה SWE-2 Flash מדווח — ולמה שום דבר מזה לא חופף

SWE-2 Flash מדווח על שמונה שורות, כולן הערכות סוכניות או אבטחה: FrontierCode 2.0 ב-24.0, FrontierCode 1.1 Main ב-45.5, DeepSWE 1.1 ב-60.1, Terminal-Bench 4.0 ב-20.0, Terminal-Bench 2.1 ב-89.2, SWE-Atlas QA ב-50.0, SWE-Bench Pro v2 Hard ב-89.9 ו-ExploitBench ב-34.8. כל אחד מהם הוא נתון של Cognition עצמה, שהורץ על הרנס שהפוסט להשקה אינו נוקב בשמו.

אין שורת איכות חזותית. אין ציון פריסה, אין בדיקת רינדור, אין שופט עיצוב. בכל מה ש-SWE-2 Flash טוב בו, הוא לא נמדד על הציר ש-AesCode נבנתה סביבו, ו-AesCode מעולם לא נמדדה על ציר של הנדסת תוכנה אג'נטית. שתי הטבלאות חולקות כותרת עמודה ותו לא.

כך גם לגבי הקלטים המעשיים. SWE-2 Flash פועל בתוך Devin Desktop ובתוך Devin CLI, בחינם עד 30 בנובמבר 2026, ללא API, ללא מזהה מודל וללא חלון הקשר מפורסם. AesCode 32B פועל בכל מקום שבו אפשר לטעון 65 GB של משקלים, או אצל כל ספק הסקה שמספק אותו, עם חלון הקשר מפורסם של 32,000 טוקנים ורישיון Apache 2.0. האחד הוא מוצר שנרשמים אליו ואי אפשר לבדוק אותו. האחר הוא ארטיפקט שאפשר להוריד ולבצע עליו קוונטיזציה.

המקום הצר שבו הם נפגשים

יש חפיפה אמיתית אחת, וכדאי לתת לה שם, כי דווקא בה צוותים טועים. אם הסוכן שלכם מפיק פלט שמוצג למשתמש — עמוד דוח, לוח בקרה לסטטוס, שקופית שנוצרה — אז somewhere בצינור הזה מודל צריך להחליט על הפריסה. מודל לעריכת מאגרי קוד יפיק בשמחה HTML שעובד ונראה כמו 2009. מודל עיצוב יפיק בשמחה לוח בקרה יפה עם המספרים הלא נכונים בו, כי אין לו גישה לחבילת הבדיקות או לשכבת הנתונים שלכם.

זהו צינור עם שתי משימות, לא השוואה עם זוכה אחד. ההחלטה האמיתית היא אם שלב העיצוב הוא קריאה נפרדת עם מודל משלו ושער ביקורת משלו, או שאתה מקבל פריסה בינונית ממודל כללי יחיד. צוותים שאכפת להם מהתוצאה החזותית בסופו של דבר מפצלים את השלב; צוותים שלא אכפת להם לא צריכים לקנות מודל עיצוב בכלל.

עלות, גישה ומה שבפועל תוציאו

• AesCode 32B — משקלים פתוחים ברישיון Apache 2.0, כך שהעלות השולית היא ה-GPU שלך או התעריף לכל טוקן של הספק שלך; ללא מנוי לספק.

• SWE-2 Flash — חינם בתוך Devin עד 30 בנובמבר 2026, ולאחר מכן ללא תמחור, מכיוון ש-Cognition לא פרסמה תעריף לכל טוקן בעת ההשקה.

• עלות נסתרת של AesCode — שער הביקורת. שיעור כשל של 23.9% במבנה יחסי פירושו אימות אנושי או תוכנתי של כל פריט.

• העלות הנסתרת של SWE-2 Flash — הנעילה. אין נקודת קצה שאליה אפשר לחזור אם חלון החינם ייסגר בתנאים שאינם לרוחך.

אף אחד מהמודלים האלה אינו ניתן לקריאה דרך OrcaRouter היום: ל-SWE-2 Flash אין נקודת קצה כלל, ו-AesCode 32B אינו בקטלוג. מה שההשוואה כן מצביעה עליו הוא הצורה של שכבת הניתוב שסביבו. OrcaRouter חושף יותר מ-200 מודלים מאחורי מפתח אחד, וה-DSL לניתוב שלו מאפשר לכם להצמיד מודלים שונים לשלבים שונים של קריאה מורכבת אחת — וזה בדיוק הפיצול של "צעד עיצוב כאן, צעד הנדסה שם" שתואר לעיל. אתם לא מקבלים מאיתנו אף אחד משני המודלים האלה. אתם מקבלים מקום אחד שבו אפשר לשים את איזה זוג שתבחרו בסופו של דבר, וכשל אוטומטי כשאחד מהם אינו זמין בשעה 2 לפנות בוקר.

כלל האצבע

אם התוצר שהמשתמש שלך רואה הוא pull request, ‏SWE-2 Flash נמצא בהיקף ו-AesCode 32B לא. אם התוצר הוא שקופית, פוסטר, לוח בקרה או אינפוגרפיקה, ‏AesCode 32B נמצא בהיקף ו-SWE-2 Flash לא יכול לעשות את העבודה — לא באופן גרוע, לא באיטיות, אלא בכלל לא. אם אתה צריך את שניהם, אתה צריך שתי קריאות ושער סקירה על זה שמיועד לעיצוב.

ההשוואה שבאמת הייתה מועילה עדיין לא קיימת: אף אחד לא הריץ את AesCode 32B בתוך לולאת סוכן שמסוגלת לבדוק את הפלט המרונדר של עצמה מול חבילת בדיקות, ואף אחד לא הריץ את SWE-2 Flash במבחן פריסה. עד שאחד מהדברים האלה יקרה, הטענה היחידה שאפשר להגן עליה היא המשעממת. המודלים האלה אינם תחליפים, וכל טבלה שמציבה את הציונים שלהם בעמודות סמוכות מודדת שני דברים שונים עם סרגל אחד.