SWE-2 Flash vs AesCode 32B: Dua Model, Satu Kata, Tanpa Benchmark Bersama

Pertanyaan itu pada akhirnya muncul di setiap utas perbandingan "model pengodean": mana yang lebih baik, SWE-2 Flash atau AesCode 32B? Jawaban jujurnya adalah keduanya tidak berada dalam kompetisi yang sama, dan fakta bahwa keduanya dimasukkan ke kategori "generasi kode" merupakan masalah taksonomi, bukan keputusan pembelian. SWE-2 Flash, yang dirilis oleh Cognition pada 4 November 2026, adalah model agen rekayasa perangkat lunak: model ini membaca repositori, merencanakan perubahan, menjalankan alat, dan menyunting berkas. AesCode 32B, yang diterbitkan oleh Microsoft pada Oktober 2026, adalah model kode estetika: model ini menerima spesifikasi dan menghasilkan HTML serta CSS untuk slide, poster, dasbor, dan infografis. Yang satu menutup tiket. Yang lain membuat hal-hal yang tampak dirancang.

Pembedaan itu lebih bernilai daripada tabel benchmark, karena memilih yang salah bukanlah soal selisih beberapa poin — melainkan soal model yang sama sekali tidak memiliki mekanisme untuk menjalankan tugas itu.

Apa sebenarnya kegunaan AesCode 32B

AesCode 32B adalah model bahasa-visi dengan 33,4 miliar parameter yang dibangun di atas Qwen3-VL-32B-Instruct, dirilis di bawah Apache 2.0 dengan jendela konteks 32.000 token. Model ini tersedia dalam varian 8B dan 32B serta diperkenalkan bersama sebuah makalah, "AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards", yang menjelaskan pendekatan pelatihannya: sinyal imbalan terpisah untuk kebenaran programatik dan untuk kualitas visual, sehingga model tidak dipaksa untuk mengorbankan salah satu demi yang lain.

Input yang dimaksud adalah brief desain. Output yang dimaksud adalah markup yang dirender. Contoh-contoh Microsoft sendiri adalah infografis, dek slide, poster, dan dasbor — artefak yang kondisi kelulusannya sebagian bersifat mekanis (apakah tabel memiliki angka yang tepat, apakah bagan menyandikan seri yang tepat?) dan sebagian perseptual (apakah tampilannya seperti dirancang oleh manusia?).

• Parameter — 33,4B, visi-bahasa, Apache 2.0

• Konteks — 32.000 token

• Output — artefak HTML/CSS; tanpa shell, tanpa penelusuran repo, tanpa eksekusi tes dalam evaluasi yang dilaporkan

• Jejak memori — sekitar 65 GB pada BF16, lebih sedikit pada FP8

Apa makna 85.89-nya dan apa yang tidak dimaksudkannya

Judul utama AesCode adalah skor keseluruhan 85.89 pada benchmark infografis 300 instans yang dibuat para penulis untuk makalah tersebut. Angka itu terurai menjadi 94.33 pada pemeriksaan berbasis aturan (teks, batas, tabel, dan bagan) dan 77.44 pada kualitas visual, di mana penilai visi-bahasa memberi skor pada konten, tata letak, dan gaya. Benchmark yang sama menempatkan backbone Qwen3-VL-32B pada 48.61 secara keseluruhan, jadi pasca-pelatihan melakukan pekerjaan yang sangat besar: plus 22.4 poin hanya pada bagian visual.

Sebagai konteks, makalah tersebut melaporkan GPT-5.5 dengan skor keseluruhan 81,28 dan Claude Opus 4.8 dengan 80,39 pada 300 instans yang sama. Itu angka-angka yang kuat untuk disandingkan, dan itu juga alasan untuk membaca tabel dengan cermat: ini adalah tolok ukur infografis yang dibuat khusus, bukan indeks kemampuan umum. Setiap angka dalam paragraf itu dilaporkan oleh vendor dan belum direproduksi secara independen. Tidak ada peringkat arena dan tidak ada pengujian ulang oleh pihak ketiga.

Mode kegagalan yang benar-benar diungkapkan makalah ini lebih berguna daripada angka utamanya. Luapan Canvas muncul berulang pada sekitar 4,3% generasi — jauh lebih baik daripada 34,7% milik GPT-5.5, yang merupakan kemenangan nyata — tetapi struktur relasional yang rusak muncul pada 23,9% keluaran dan ikon yang terdistorsi atau elemen yang salah secara semantik pada 23,3%. Gaya tetap menjadi hambatan bersama: tidak ada model dalam perbandingan yang melewati 60% pada sub-skor tersebut. Jika Anda menghasilkan dasbor produksi, peluang satu dari empat adanya struktur relasional yang rusak adalah angka yang seharusnya memandu proses peninjauan Anda, bukan 85,89.

Apa yang dilaporkan SWE-2 Flash — dan mengapa tidak ada bagian pun yang tumpang tindih

SWE-2 Flash melaporkan delapan baris, semuanya evaluasi agentik atau keamanan: FrontierCode 2.0 pada 24,0, FrontierCode 1.1 Main pada 45,5, DeepSWE 1.1 pada 60,1, Terminal-Bench 4.0 pada 20,0, Terminal-Bench 2.1 pada 89,2, SWE-Atlas QA pada 50,0, SWE-Bench Pro v2 Hard pada 89,9 dan ExploitBench pada 34,8. Setiap angka adalah milik Cognition sendiri, dijalankan pada harness yang tidak disebutkan dalam postingan peluncuran.

Tidak ada baris kualitas visual. Tidak ada skor tata letak, tidak ada pemeriksaan render, tidak ada penilai desain. Apa pun keunggulan SWE-2 Flash, ia belum diukur pada sumbu yang menjadi dasar pembangunan AesCode, dan AesCode belum pernah diukur pada sumbu rekayasa perangkat lunak agentic. Kedua tabel itu hanya berbagi satu header kolom, tidak lebih.

Hal yang sama berlaku untuk input praktis. SWE-2 Flash berjalan di dalam Devin Desktop dan Devin CLI, gratis hingga 30 November 2026, tanpa API, tanpa ID model, dan tanpa jendela konteks yang dipublikasikan. AesCode 32B berjalan di mana pun Anda dapat memuat 65 GB bobot, atau pada penyedia inferensi mana pun yang menyajikannya, dengan konteks 32.000 token yang dipublikasikan dan lisensi Apache 2.0. Yang satu adalah produk yang Anda langgani dan tidak dapat diperiksa. Yang lain adalah artefak yang dapat Anda unduh dan kuantisasi.

Tempat sempit di mana mereka bertemu

Ada satu tumpang tindih nyata, dan itu layak disebut karena di situlah tim sebenarnya melakukan kesalahan. Jika agen Anda menghasilkan keluaran untuk pengguna — halaman laporan, dasbor status, slide yang dihasilkan — maka di suatu titik dalam alur itu, sebuah model harus menentukan tata letak. Model penyunting repositori akan dengan senang hati menghasilkan HTML yang berfungsi dan terlihat seperti tahun 2009. Model desain akan dengan senang hati menghasilkan dasbor yang indah dengan angka yang salah di dalamnya, karena model itu tidak memiliki akses ke rangkaian pengujian atau lapisan data Anda.

Itu adalah pipeline dengan dua pekerjaan, bukan perbandingan dengan satu pemenang. Keputusan sesungguhnya adalah apakah langkah desain merupakan panggilan terpisah dengan modelnya sendiri dan gerbang peninjauannya sendiri, atau apakah Anda menerima tata letak yang biasa-biasa saja dari satu model umum. Tim yang peduli pada hasil visual akhirnya memisahkan langkah tersebut; tim yang tidak peduli sebaiknya tidak membeli model desain sama sekali.

Biaya, akses, dan berapa yang sebenarnya akan Anda keluarkan

• AesCode 32B — bobot terbuka di bawah Apache 2.0, jadi biaya marjinalnya adalah GPU Anda atau tarif per token penyedia Anda; tanpa langganan vendor.

• SWE-2 Flash — gratis di dalam Devin hingga 30 November 2026, lalu tanpa harga, karena Cognition tidak menerbitkan tarif per token saat peluncuran.

• Biaya tersembunyi AesCode — gerbang peninjauan. Tingkat kegagalan struktur relasional sebesar 23,9% berarti setiap artefak memerlukan verifikasi manusia atau programatik.

• Biaya tersembunyi SWE-2 Flash — penguncian. Tidak ada endpoint untuk menjadi fallback jika jendela gratis ditutup dengan ketentuan yang tidak Anda sukai.

Tidak satu pun dari kedua model ini dapat dipanggil melalui OrcaRouter saat ini: SWE-2 Flash tidak memiliki endpoint sama sekali, dan AesCode 32B tidak ada dalam katalog. Yang justru didukung oleh perbandingan ini adalah bentuk lapisan routing di sekitarnya. OrcaRouter mengekspos lebih dari 200 model di balik satu kunci, dan DSL routing-nya memungkinkan Anda menetapkan model yang berbeda ke langkah yang berbeda dalam satu panggilan gabungan — yang persis merupakan pembagian "langkah desain di sini, langkah engineering di sana" seperti yang dijelaskan di atas. Anda tidak mendapatkan salah satu dari kedua model ini dari kami. Yang Anda dapatkan adalah satu tempat untuk menaruh pasangan mana pun yang akhirnya Anda pilih, dan failover otomatis ketika salah satunya tidak tersedia pada pukul 2 pagi.

Aturan praktis

Jika artefak yang dilihat pengguna Anda adalah pull request, SWE-2 Flash termasuk dalam cakupan dan AesCode 32B tidak. Jika artefaknya adalah slide, poster, dasbor, atau infografis, AesCode 32B termasuk dalam cakupan dan SWE-2 Flash tidak dapat mengerjakan tugas itu — bukan dengan hasil buruk, bukan dengan lambat, tetapi sama sekali tidak mampu. Jika Anda membutuhkan keduanya, Anda memerlukan dua panggilan dan gerbang peninjauan pada pekerjaan desainnya.

Perbandingan yang benar-benar berguna belum ada: belum ada yang menjalankan AesCode 32B di dalam loop agen yang dapat memeriksa output yang dirender sendiri terhadap rangkaian tes, dan belum ada yang menjalankan SWE-2 Flash pada tolok ukur tata letak. Sampai salah satu dari itu terjadi, satu-satunya klaim yang dapat dipertahankan adalah klaim yang membosankan. Model-model ini bukan pengganti, dan tabel apa pun yang menempatkan skor mereka di kolom yang bersebelahan sedang mengukur dua hal berbeda dengan satu penggaris.