SWE-2 Flash vs AesCode 32B: due modelli, una sola parola, nessun benchmark condiviso

La domanda arriva prima o poi in ogni thread di confronto tra "coding model": quale è meglio, SWE-2 Flash o AesCode 32B? La risposta onesta è che non sono nella stessa competizione, e il fatto che entrambi vengano classificati sotto "code generation" è un problema di tassonomia più che una decisione d'acquisto. SWE-2 Flash, rilasciato da Cognition il 4 novembre 2026, è un modello agente di ingegneria del software: legge un repository, pianifica una modifica, esegue strumenti e modifica i file. AesCode 32B, pubblicato da Microsoft nell'ottobre 2026, è un modello di codice estetico: prende una specifica e genera HTML e CSS per slide, poster, dashboard e infografiche. Uno chiude i ticket. L'altro crea cose che sembrano progettate.

Questa distinzione vale più di una tabella di benchmark, perché scegliere quella sbagliata non è una questione di qualche punto — è una questione che il modello non ha alcun meccanismo per svolgere il compito.

A cosa serve davvero AesCode 32B

AesCode 32B è un modello visione-linguaggio da 33,4 miliardi di parametri basato su Qwen3-VL-32B-Instruct, rilasciato con licenza Apache 2.0 e con una finestra di contesto di 32.000 token. È disponibile nelle varianti 8B e 32B ed è stato presentato insieme a un paper, "AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards", che descrive l'approccio di addestramento: segnali di ricompensa separati per la correttezza programmatica e per la qualità visiva, così che il modello non sia costretto a sacrificare l'una per l'altra.

L'input previsto è un brief di progettazione. L'output previsto è markup che viene renderizzato. Gli esempi della stessa Microsoft sono infografiche, presentazioni, poster e dashboard — artefatti in cui la condizione di superamento è in parte meccanica (la tabella contiene i numeri giusti? il grafico codifica le serie corrette?) e in parte percettiva (sembra progettato da un essere umano?).

• Parametri — 33,4B, visione-linguaggio, Apache 2.0

• Contesto — 32.000 token

• Output — artefatti HTML/CSS; nessuna shell, nessuna esplorazione del repository, nessuna esecuzione di test nella valutazione riportata

• Impronta di memoria — circa 65 GB in BF16, meno in FP8

Che cosa significa e che cosa non significa il suo 85.89

Il risultato principale di AesCode è un punteggio complessivo di 85.89 su un benchmark di infografiche da 300 istanze creato dagli autori per il paper. Questo si scompone in 94.33 sui controlli basati su regole (testo, confini, tabelle e grafici) e 77.44 sulla qualità visiva, dove un giudice vision-language valuta contenuto, layout e stile. Lo stesso benchmark colloca il backbone Qwen3-VL-32B a 48.61 complessivo, quindi il post-training sta facendo un lavoro enorme: +22.4 punti solo sulla metà visiva.

Per contesto, il paper riporta GPT-5.5 a 81,28 nel complesso e Claude Opus 4.8 a 80,39 sulle stesse 300 istanze. Sono numeri solidi da affiancare, e sono anche il motivo per leggere attentamente la tabella: questo è un benchmark per infografiche creato ad hoc, non un indice di capacità generale. Ogni cifra in quel paragrafo è dichiarata dal fornitore e non è stata riprodotta in modo indipendente. Non esiste una classifica arena né una riesecuzione di terze parti.

Le modalità di errore che il paper divulga sono più utili del dato di titolo. L’overflow della canvas ricorre in circa il 4,3% delle generazioni — drasticamente meglio del 34,7% di GPT-5.5, il che è un vero vantaggio — ma strutture relazionali errate compaiono nel 23,9% degli output e icone distorte o elementi semanticamente sbagliati nel 23,3%. Lo stile resta un collo di bottiglia comune: nessun modello del confronto supera il 60% in quel sottopunteggio. Se generate dashboard di produzione, è la probabilità su quattro di una struttura relazionale errata il numero che dovrebbe guidare il vostro processo di revisione, non l’85,89.

Cosa riporta SWE-2 Flash — e perché niente di tutto ciò si sovrappone

SWE-2 Flash riporta otto righe, tutte quante valutazioni agentiche o di sicurezza: FrontierCode 2.0 a 24.0, FrontierCode 1.1 Main a 45.5, DeepSWE 1.1 a 60.1, Terminal-Bench 4.0 a 20.0, Terminal-Bench 2.1 a 89.2, SWE-Atlas QA a 50.0, SWE-Bench Pro v2 Hard a 89.9 ed ExploitBench a 34.8. Ognuno è un dato di Cognition stesso, ottenuto su un harness che il post di lancio non nomina.

Non esiste alcuna riga di qualità visiva. Nessun punteggio di layout, nessuna verifica di rendering, nessun giudice di design. Qualunque cosa SWE-2 Flash sappia fare bene, non è stato misurato sull'asse attorno al quale è stato costruito AesCode, e AesCode non è mai stato misurato su un asse di ingegneria del software agentica. Le due tabelle condividono un'intestazione di colonna e nient'altro.

Lo stesso vale per gli input pratici. SWE-2 Flash funziona all'interno di Devin Desktop e della Devin CLI, gratis fino al 30 novembre 2026, senza API, senza ID modello e senza una finestra di contesto pubblicata. AesCode 32B funziona ovunque si possano caricare 65 GB di pesi, oppure presso qualunque provider di inferenza che lo fornisca, con un contesto pubblicato di 32.000 token e una licenza Apache 2.0. Uno è un prodotto al quale ti abboni e che non puoi ispezionare. L'altro è un artefatto che puoi scaricare e quantizzare.

Il luogo angusto in cui si incontrano

C'è una vera sovrapposizione, e vale la pena nominarla perché è proprio qui che i team sbagliano davvero. Se il tuo agente produce output destinati all'utente — una pagina di report, una dashboard di stato, una slide generata — allora da qualche parte in quella pipeline un modello deve decidere il layout. Un modello che modifica repository emetterà volentieri HTML che funziona e che sembra del 2009. Un modello di design emetterà volentieri una dashboard bellissima con dentro i numeri sbagliati, perché non ha accesso alla tua suite di test o al tuo strato dati.

Si tratta di una pipeline con due attività, non di un confronto con un unico vincitore. La vera decisione è se la fase di design debba essere una chiamata separata con un proprio modello e un proprio gate di revisione, oppure se accettare un layout mediocre da un unico modello generale. I team che tengono al risultato visivo finiscono per separare la fase; i team a cui non importa non dovrebbero affatto acquistare un modello di design.

Costo, accesso e quanto spenderesti effettivamente

• AesCode 32B — pesi aperti con licenza Apache 2.0, quindi il costo marginale è la tua GPU o la tariffa per token del tuo provider; nessun abbonamento al fornitore.

• SWE-2 Flash — gratuito all'interno di Devin fino al 30 novembre 2026, poi senza prezzo definito, perché Cognition non ha pubblicato alcuna tariffa per token al lancio.

• Costo nascosto di AesCode — il gate di revisione. Un tasso di fallimento del 23,9% nella struttura relazionale implica una verifica umana o programmatica di ogni artefatto.

• Il costo nascosto di SWE-2 Flash — il lock-in. Non esiste alcun endpoint su cui ripiegare se la finestra gratuita si chiude con condizioni che non ti piacciono.

Nessuno di questi due modelli è oggi richiamabile tramite OrcaRouter: SWE-2 Flash non ha alcun endpoint, e AesCode 32B non è presente nel catalogo. Ciò a cui il confronto fa effettivamente pensare è la forma del livello di routing che lo circonda. OrcaRouter espone oltre 200 modelli dietro un'unica chiave, e il suo DSL di routing consente di assegnare modelli diversi a passaggi diversi di un'unica chiamata composta — che è esattamente la suddivisione "passaggio di progettazione qui, passaggio di ingegneria là" descritta sopra. Nessuno di questi due modelli ti viene fornito da noi. Quello che ottieni è un unico punto in cui inserire qualunque coppia finirai per scegliere, e il failover automatico quando uno dei due non è disponibile alle 2 di notte.

La regola empirica

Se l'artefatto che il tuo utente vede è una pull request, SWE-2 Flash rientra nell'ambito e AesCode 32B no. Se l'artefatto è una slide, un poster, una dashboard o un'infografica, AesCode 32B rientra nell'ambito e SWE-2 Flash non può svolgere il compito — non male, non lentamente, ma proprio per niente. Se ti servono entrambi, ti servono due chiamate e un gate di revisione su quello di design.

Il confronto che sarebbe davvero utile non esiste ancora: nessuno ha eseguito AesCode 32B all'interno di un ciclo di un agente in grado di verificare il proprio output renderizzato rispetto a una suite di test, e nessuno ha eseguito SWE-2 Flash su un benchmark di layout. Finché non accade una di queste cose, l'unica affermazione difendibile è quella banale. Questi modelli non sono sostituti, e qualsiasi tabella che metta i loro punteggi in colonne adiacenti sta misurando due cose diverse con un unico righello.