SWE-2 Flash vs Muse Code: l'harness è ciò che stai comprando

Metti i due numeri uno accanto all'altro e la storia si scrive da sola: SWE-2 Flash a 89,2 su Terminal-Bench 2.1, Muse Code a 82,9, quindi il modello di Cognition è 6,3 punti migliore dell'agente di Meta. Ogni proposizione di quella frase fa qualcosa di discutibile. SWE-2 Flash è un modello servito all'interno di Devin. Muse Code è un agente da terminale costruito attorno a Muse Spark 1.2, addestrato insieme ad esso, e il suo 82,9 è stato misurato con l'harness e l'impostazione di effort specificati. Confrontarli equivale a confrontare un modello con un prodotto, e il prodotto è la parte che installeresti davvero.

Ciò non rende inutile il confronto. Cambia quale sia la domanda interessante: non quale modello ottenga un punteggio più alto, ma quale dei due circuiti chiusi svolga più del tuo lavoro al posto tuo, a quale prezzo e con quanta parte del metodo resa nota.

Che cos'è in realtà ciascuna cosa

Muse Code è il primo agente di programmazione di Meta, lanciato il 5 agosto 2026 per macOS e Linux. È una CLI della stessa categoria di Claude Code o Codex: pianifica le modifiche, modifica i file, esegue i test e convalida i risultati in un repository. Le scelte progettuali che lo distinguono sono architetturali anziché estetiche.

{{1}}Agenti in background{{/1}} — agenti asincroni persistenti che restano attivi per tutta la durata di una sessione invece di essere generati per singola attività, così le informazioni raccolte una volta non vengono raccolte di nuovo; diversi possono essere eseguiti in parallelo in alberi di lavoro isolati senza toccare la copia di lavoro.

• {{1}}Registro eventi{{/1}} — una registrazione locale di ogni chiamata al modello, esecuzione di strumenti, approvazione e modifica, che rende una sessione esattamente riproducibile e sicura al riavvio dopo un crash — il meccanismo che rende le attività di più ore in grado di sopravvivere.

• Skills — comandi slash integrati che includono una fase di pianificazione, una fase di stress test del piano e una fase di guida verso l'obiettivo.

Modello — Muse Spark 1.2, a pesi chiusi, contesto di 1M token, $1,25 per milione di token di input e $4,25 per milione di token di output.

SWE-2 Flash non è un agente. È un modello, ottenuto tramite post-training da Inkling-Small con 276B di parametri totali e 12B attivi, erogato all'interno di Devin Desktop e della Devin CLI. Cognition lo dichiara tre volte più veloce e a un quinto del prezzo di SWE-2; l'accesso è gratuito fino al 30 novembre 2026; non esiste un'API pubblica, né un ID del modello, né un file di pesi scaricabile.

Quindi la vera forma di questo confronto è: due sistemi chiusi, ciascuno dei quali abbina un modello a un harness controllato dal suo produttore. Uno pubblica il proprio harness e l’impostazione dello sforzo. L’altro no.

La riga DeepSWE che dice che sono in parità

DeepSWE 1.1 è l’unico benchmark in cui entrambi i report mostrano che nessuna delle due parti sta forzando la definizione del task. SWE-2 Flash: 60,1. Muse Spark 1.2 all’interno di Muse Code: 59,3. Otto decimi di punto.

Non si tratta di un divario. È lo stesso punteggio riportato due volte, e il dato più interessante è che i due sistemi ci arrivano da direzioni opposte. Il modello di Meta è un flagship generalista con contesto da 1M e un ampio profilo di uso degli strumenti; quello di Cognition è un post-train da 12B attivi di una base open-weight, esplicitamente ottimizzato per la fascia economica del mercato degli agenti. La convergenza su DeepSWE è un risultato più solido per l'architettura più economica di quanto la tabella grezza suggerisca.

Su Terminal-Bench 2.1 il divario è maggiore — da 89,2 a 82,9 — e qui l'asimmetria metodologica si fa sentire. Meta dichiara che il suo valore è stato prodotto con sforzo xhigh, all'interno dell'harness Muse Code co-addestrato, in sandbox Daytona isolate, con pass@1 calcolato come media su cinque tentativi. Cognition non afferma nulla di tutto ciò. Il suo post di settembre per SWE-2 includeva un'appendice metodologica; quello del 4 novembre per SWE-2 Flash no.

C'è anche un avvertimento dentro i numeri stessi di Meta che vale per ogni tabella in questo ambito. Meta riporta Muse Spark 1.1 a 76,2 su Terminal-Bench 2.1, mentre la classifica pubblica tbench.ai riporta un 80,0 verificato per lo stesso modello. La differenza è che una riga non è un modello: è un modello più un harness più un'impostazione di effort. Se uno scarto di 4 punti può comparire tra due report dello stesso modello, un divario di 6,3 punti tra due sistemi strumentati in modo diverso non è un risultato decisivo. Tutte le cifre in questa sezione sono dichiarate dal fornitore.

Un'altra cosa da tenere presente. Muse Spark 1.2 non è più il modello più recente di Meta: Artificial Analysis ora contrassegna il checkpoint 1.2 come deprecato e indirizza i lettori a Muse Spark 1.3. Muse Code è stato lanciato su 1.2, e 1.2 è il checkpoint a cui si riferisce ogni numero in questo articolo e quello ancora invocabile.

Contesto: 1M pubblicati rispetto a non pubblicati

Muse Spark 1.2 arriva con una finestra di contesto da 1 milione di token, e l'architettura di Muse Code è progettata per sfruttarla: agenti persistenti, un log di eventi durevole, lavoro che va avanti per ore. È questa combinazione la vera proposta del prodotto: non una singola modifica migliore, ma un agente capace di gestire un grande repository e un compito lungo senza perdere il filo.

SWE-2 Flash non pubblica affatto una finestra di contesto. Per un modello fornito solo all'interno di un agente, l'omissione è meno dannosa di quanto sarebbe per un modello API, perché Devin gestisce il contesto per tuo conto. Resta comunque un'omissione: non puoi dimensionare un flusso di lavoro in base a un budget che non ti viene comunicato.

Un tariffario contro un mese gratis

• Muse Spark 1.2 — 1,25 $ per milione di token di input, 4,25 $ per milione di output. Esiste un livello contributore scontato in paesi selezionati in cambio dell'utilizzo dei dati di addestramento, e sono accettate richieste di conservazione zero dei dati.

• SWE-2 Flash — nessun prezzo per token. Gratuito all'interno di Devin fino al 30 novembre 2026, poi non specificato.

• Muse Code — l'agente stesso, il cui prezzo dipende dall'utilizzo del modello anziché da un abbonamento separato nel materiale pubblicato da Meta.

Un prodotto senza prezzo non è un prodotto economico; è un prodotto sconosciuto. Se stai costruendo un modello di costo per il prossimo trimestre, $1.25/$4.25 è un numero che puoi inserire in un foglio di calcolo, mentre SWE-2 Flash è un punto interrogativo con una scadenza.

Cosa puoi chiamare e cosa non puoi

Qui i due sistemi divergono in un modo che non ha nulla a che vedere con i benchmark. SWE-2 Flash non può essere chiamato. Non esiste un endpoint a cui puntare un client, nessun ID del modello e nessuna data in cui ciò cambierà. Se la tua architettura richiede un modello di programmazione dietro una chiamata HTTP anziché all'interno di un IDE desktop, SWE-2 Flash semplicemente non è un candidato questo mese.

Muse Spark 1.2 è un'altra storia. Il lato Meta di questo confronto è già utilizzabile oggi — sia Muse Spark 1.2 che 1.1 sono disponibili nel catalogo OrcaRouter, al prezzo di listino del fornitore con 0% di ricarico, quindi la tariffa di $1.25/$4.25 indicata sopra è quella che paghi davvero, non un prezzo da rivenditore. Questo conta per questa specifica decisione: stasera puoi provare Muse Spark 1.2 sul tuo repository e scoprire se il 59.3 su DeepSWE descrive il tuo lavoro. Non puoi eseguire il test equivalente su SWE-2 Flash senza vivere dentro Devin per il mese gratuito.

OrcaRouter ti offre anche il failover che una scommessa su un singolo fornitore non ha. Se standardizzi sul lato Meta e il fornitore si degrada, il failover automatico mantiene viva la chiamata — che è la differenza pratica tra "abbiamo scelto un modello" e "abbiamo scelto una supply chain".

Quale scegliere?

Scegli Muse Code se vuoi un agente che puoi pilotare da un terminale, con impostazioni di effort pubblicate, un registro eventi durevole, alberi di lavoro isolati in parallelo e un'API dietro il modello. Il pareggio su DeepSWE dice che non stai rinunciando a capacità sulla frontiera; il divario su Terminal-Bench dice che potresti rinunciare a un po' di tetto massimo, su un numero di cui puoi almeno ispezionare il metodo.

Scegli SWE-2 Flash se sei un utente Devin e la domanda è se il modello più veloce ed economico all'interno dell'IDE che già paghi sia abbastanza buono per i tuoi repository. La finestra gratuita fino al 30 novembre è una vera prova, e 60,1 su DeepSWE dice che non farà una brutta figura.

Ciò che nessuna delle due scelte ti dà è la certezza. Entrambi i fornitori hanno misurato i propri sistemi con i propri harness, e l'unico dato pubblico che ti consente di verificare un'affermazione di un fornitore — l'80.0 di tbench.ai per Muse Spark 1.1 contro il 76.2 di Meta — mostra che il divario tra una riga pubblicata e una riprodotta può essere ampio quanto il divario tra i due prodotti di questo articolo.