SWE-2 Flash מול Muse Code: הרתמה היא הדבר שאתה קונה

שימו את שני המספרים זה לצד זה והסיפור נכתב מעצמו: SWE-2 Flash עם 89.2 ב-Terminal-Bench 2.1, Muse Code עם 82.9, לכן המודל של Cognition עדיף ב-6.3 נקודות מהסוכן של Meta. כל פסוקית במשפט הזה עושה משהו מפוקפק. SWE-2 Flash הוא מודל שרץ בתוך Devin. Muse Code הוא סוכן טרמינל שנבנה סביב Muse Spark 1.2, ואומן יחד איתו, וה-82.9 שלו נמדד עם הרתמה והגדרת המאמץ שהיו מחוברים. השוואה ביניהם היא השוואה בין מודל למוצר, והמוצר הוא החלק שהייתם מתקינים בפועל.

זה לא הופך את ההשוואה לחסרת תועלת. זה משנה מהי השאלה המעניינת: לא איזה מודל מקבל ציון גבוה יותר, אלא איזו משתי הלולאות הסגורות עושה יותר מהעבודה שלך בשבילך, באיזה מחיר, ועד כמה מן השיטה נחשף.

מה כל דבר באמת

Muse Code הוא סוכן הקידוד הראשון של Meta, שהושק ב-5 באוגוסט 2026 עבור macOS ו-Linux. זהו CLI באותה קטגוריה כמו Claude Code או Codex: הוא מתכנן שינויים, עורך קבצים, מריץ בדיקות ומאמת תוצאות ברחבי מאגר קוד. בחירות העיצוב שמבדילות אותו הן ארכיטקטוניות ולא קוסמטיות.

• סוכני רקע — סוכנים אסינכרוניים מתמשכים שנשארים פעילים לאורך כל הסשן במקום להיות מופעלים מחדש עבור כל משימה, כך שמידע שנאסף פעם אחת אינו נאסף שוב; ניתן להריץ כמה מהם במקביל בעצי עבודה מבודדים בלי לגעת בעותק העבודה.

• יומן אירועים — רשומה מקומית של כל קריאת מודל, הרצת כלי, אישור ועריכה, שהופכת הפעלה חוזרת של סשן למותאמת בדיוק וחסינה לאתחול מחדש לאחר קריסה — המנגנון שהופך משימות בנות שעות רבות לכאלה שאפשר לשרוד.

• Skills — פקודות סלאש מובנות הכוללות שלב תכנון, שלב מבחן עומס לתכנון ושלב קידום מטרה.

• מודל — Muse Spark 1.2, עם משקלים סגורים, חלון הקשר של 1M טוקנים, $1.25 למיליון טוקני קלט ו-$4.25 למיליון פלט.

SWE-2 Flash אינו סוכן. זהו מודל שעבר אימון-על מ-Inkling-Small עם 276B פרמטרים בסך הכול ו-12B פרמטרים פעילים, והוא מוגש בתוך Devin Desktop וה-Devin CLI. Cognition מכנה אותו מהיר פי שלושה וזול פי חמישה מ-SWE-2; הגישה אליו חינם עד 30 בנובמבר 2026; אין API ציבורי, אין מזהה מודל ואין קובץ משקולות להורדה.

אז הצורה האמיתית של ההתמודדות הזו היא: שתי מערכות סגורות, שכל אחת מהן מצמידה מודל להארנס שהיוצר שלו שולט בו. האחת מפרסמת את ההארנס ואת הגדרת המאמץ שלה. השנייה לא.

השורה של DeepSWE שאומרת שהם בתיקו

DeepSWE 1.1 הוא המבחן היחיד ששני הדוחות מציגים שבו אף צד לא מותח את הגדרת המשימה. SWE-2 Flash: 60.1. Muse Spark 1.2 בתוך Muse Code: 59.3. שמונה עשיריות הנקודה.

זה לא פער. זה אותו ציון שמדווח פעמיים, והעובדה המעניינת יותר היא ששתי המערכות מגיעות לשם מכיוונים מנוגדים. המודל של Meta הוא דגם דגל כללי עם חלון הקשר של 1M ופרופיל רחב של שימוש בכלים; זה של Cognition הוא פוסט-אימון של 12B פעילים של בסיס במשקלים פתוחים, שממוטב במפורש לקצה הזול של שוק הסוכנים. התכנסות על DeepSWE היא תוצאה חזקה יותר עבור הארכיטקטורה הזולה מכפי שהטבלה הגולמית מרמזת.

ב-Terminal-Bench 2.1 הפער גדול יותר — 89.2 לעומת 82.9 — וכאן חוסר הסימטריה המתודולוגית מכה. Meta מציינת שהנתון שלה הופק ב-xhigh effort, בתוך ה-harness Muse Code שאומן במשותף, בארגזי חול מבודדים של Daytona, עם pass@1 בממוצע על פני חמישה ניסיונות. Cognition לא מציינת אף אחד מאלה. הפוסט שלה מספטמבר עבור SWE-2 נשא נספח מתודולוגיה; הפוסט מ-4 בנובמבר עבור SWE-2 Flash לא.

יש גם אזהרה בתוך המספרים של מטא עצמה שחלה על כל טבלה בתחום הזה. מטא מדווחת על Muse Spark 1.1 בתוצאה 76.2 ב-Terminal-Bench 2.1, בעוד שלוח הדירוג הציבורי tbench.ai מציג 80.0 מאומת עבור אותו מודל. ההבדל הוא ששורה אינה מודל — היא מודל בתוספת harness בתוספת הגדרת מאמץ. אם פער של 4 נקודות יכול להופיע בין שני דיווחים על אותו מודל, פער של 6.3 נקודות בין שתי מערכות עם מכשור שונה אינו תוצאה מכרעת. כל המספרים בסעיף זה מדווחים על ידי הספק.

עוד דבר אחד שכדאי לזכור. Muse Spark 1.2 אינו עוד המודל החדש ביותר של Meta: Artificial Analysis מסמן כעת את נקודת הביקורת 1.2 כמיושנת ומפנה קוראים אל Muse Spark 1.3. Muse Code הושק על 1.2, ו-1.2 היא נקודת הביקורת שכל מספר במאמר זה מתאר, וזו שעדיין ניתן לפנות אליה.

הקשר: מיליון מפורסמים לעומת לא מפורסמים

Muse Spark 1.2 מגיע עם חלון הקשר של מיליון טוקנים, והארכיטקטורה של Muse Code בנויה לנצל אותו — סוכנים מתמשכים, יומן אירועים עמיד, עבודה שרצה שעות. השילוב הזה הוא הפיץ' האמיתי של המוצר: לא עריכה בודדת טובה יותר, אלא סוכן שיכול להחזיק מאגר קוד גדול ומשימה ארוכה בלי לאבד את החוט.

SWE-2 Flash אינו מפרסם חלון הקשר כלל. עבור מודל שמסופק רק בתוך סוכן, ההשמטה פחות מזיקה משהייתה עבור מודל API, מפני ש-Devin מנהל את ההקשר בשמך. זוהי עדיין השמטה: אין באפשרותך להתאים תהליך עבודה לתקציב שלא נמסר לך.

כרטיס תעריפים כנגד חודש חינם

• Muse Spark 1.2 — ‏$1.25 למיליון אסימוני קלט, ‏$4.25 למיליון אסימוני פלט. קיימת שכבת תורמים מוזלת במדינות נבחרות בתמורה לשימוש בנתוני אימון, ובקשות לאפס שמירת נתונים מתקבלות.

• SWE-2 Flash — אין מחיר לפי טוקן. חינם בתוך Devin עד 30 בנובמבר 2026, ולאחר מכן לא צוין.

• Muse Code — הסוכן עצמו, שמתומחר לפי שימוש במודל ולא כמנוי נפרד בחומר ש-Meta פרסמה.

מוצר ללא תמחור אינו מוצר זול; הוא מוצר לא ידוע. אם אתם בונים מודל עלויות לרבעון הבא, $1.25/$4.25 הוא מספר שאפשר להכניס לגיליון אלקטרוני, ו-SWE-2 Flash הוא סימן שאלה עם תאריך יעד צמוד.

מה אתה יכול לכנות, ומה אתה לא יכול

כאן שתי המערכות נפרדות בדרך שאין לה דבר עם מבחני ביצועים. לא ניתן לקרוא ל-SWE-2 Flash. אין נקודת קצה שאליה אפשר לכוון לקוח, אין מזהה מודל, ואין תאריך שבו זה משתנה. אם הארכיטקטורה שלכם זקוקה למודל קידוד מאחורי קריאת HTTP ולא בתוך IDE שולחני, SWE-2 Flash פשוט אינו מועמד החודש.

Muse Spark 1.2 הוא סיפור אחר. הצד של Meta במאצ'אפ הזה זמין לקריאה היום — גם Muse Spark 1.2 וגם 1.1 פעילים בקטלוג של OrcaRouter, במחיר המחירון של הספק עם 0% תוספת, כך שתעריף ה-$1.25/$4.25 לעיל הוא התעריף שאתם משלמים ולא מספר של מפיץ מחדש. זה חשוב להחלטה הספציפית הזו: אתם יכולים להריץ את Muse Spark 1.2 מול המאגר שלכם הלילה ולגלות אם ה-59.3 ב-DeepSWE מתאר את העבודה שלכם. אינכם יכולים להריץ את המבחן המקביל על SWE-2 Flash בלי לחיות בתוך Devin במשך החודש החינמי.

OrcaRouter גם נותן לך את היכולת לעבור אוטומטית לגיבוי (failover) שחסרה להימור על ספק יחיד. אם אתה מתבסס על הצד של Meta והספק נחלש, מעבר אוטומטי לגיבוי משאיר את הקריאה פעילה — וזה ההבדל המעשי בין "בחרנו מודל" לבין "בחרנו שרשרת אספקה".

איזה אחד לבחור?

בחר ב-Muse Code אם אתה רוצה סוכן שאתה יכול להפעיל מהטרמינל, עם הגדרות מאמץ שפורסמו, יומן אירועים עמיד, עצי עבודה מבודדים במקביל ו-API מאחורי המודל. התיקו ב-DeepSWE אומר שאתה לא מוותר על יכולת בחזית; הפער ב-Terminal-Bench אומר שאתה אולי מוותר על חלק מהתקרה, במספר שאת השיטה שלו אתה לפחות יכול לבדוק.

בחרו ב-SWE-2 Flash אם אתם משתמשי Devin והשאלה היא האם המודל המהיר והזול יותר בתוך ה-IDE שאתם כבר משלמים עליו טוב מספיק עבור המאגרים שלכם. חלון החינם עד 30 בנובמבר הוא ניסיון אמיתי, ו-60.1 ב-DeepSWE אומר שהוא לא יבייש את עצמו.

מה שאף אחת משתי האפשרויות לא מעניקה לך הוא ודאות. שתי הספקיות מדדו את המערכות של עצמן באמצעות מערכי המדידה שלהן, ונקודת הנתונים הציבורית היחידה שמאפשרת לך לבדוק טענה של ספק — 80.0 של tbench.ai עבור Muse Spark 1.1 לעומת 76.2 של Meta — מראה שהפער בין שורה שפורסמה לשורה ששוחזרה יכול להיות גדול כמו הפער בין שני המוצרים במאמר הזה.