SWE-2 Flash 対 AesCode 32B：2つのモデル、1つの言葉、共通ベンチマークなし

「どのコーディングモデル」比較スレッドでは必ず最後にこの質問が出る。SWE-2 Flash と AesCode 32B はどちらが優れているのか。正直な答えは、両者は同じ競争の土俵にいないということだ。そして、両者が「コード生成」という同じ分類に置かれているのは、購入判断ではなく分類上の問題である。Cognition が2026年11月4日にリリースした SWE-2 Flash は、ソフトウェアエンジニアリング・エージェントモデルだ。リポジトリを読み、変更を計画し、ツールを実行してファイルを編集する。Microsoft が2026年10月に公開した AesCode 32B は、美的コードモデルである。仕様を受け取り、スライド、ポスター、ダッシュボード、インフォグラフィック用の HTML と CSS を出力する。一方はチケットをクローズする。もう一方はデザインされたように見えるものを作る。

その区別はベンチマークの表よりも価値がある。なぜなら、間違ったほうを選ぶことは数ポイントの問題ではなく、そのモデルにはその仕事を遂行する仕組みがまったく存在しないという問題だからだ。

AesCode 32Bは実際に何のためにあるのか

AesCode 32Bは、Qwen3-VL-32B-Instructを基盤とする33.4Bパラメータの視覚言語モデルで、Apache 2.0の下で公開され、32,000トークンのコンテキストウィンドウを持ちます。8Bと32Bのバリアントで提供され、論文「AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards」と同時に発表されました。この論文は学習手法を説明しており、プログラム上の正しさと視覚的品質に対して別々の報酬信号を用いることで、モデルが一方を犠牲にして他方を取ることを強いられないようにしています。

想定される入力はデザインブリーフです。想定される出力は、レンダリングされるマークアップです。Microsoft 自身の例は、インフォグラフィック、スライドデッキ、ポスター、ダッシュボードといった成果物であり、その合格条件は一部が機械的（表に正しい数値が入っているか、グラフが正しい系列をエンコードしているか）で、一部が知覚的（人間がデザインしたように見えるか）です。

• パラメータ — 33.4B、視覚言語、Apache 2.0

• コンテキスト — 32,000トークン

• 出力 — HTML/CSS 成果物。シェル、リポジトリの走査、報告された評価でのテスト実行は行わない。

• メモリ使用量 — BF16で約65GB、FP8ではさらに少なくなります

その85.89が意味することと、意味しないこと

AesCodeの主要な成果は、著者らが論文用に構築した300件のインフォグラフィックベンチマークにおける総合スコア85.89です。これは、ルールベースのチェック（テキスト、境界、表、グラフ）で94.33、視覚品質で77.44に分解されます。視覚品質では、視覚言語ジャッジがコンテンツ、レイアウト、スタイルを採点します。同じベンチマークで、Qwen3-VL-32Bバックボーンは総合48.61であるため、ポストトレーニングが膨大な働きをしていることがわかります。視覚側だけで22.4ポイント向上しています。

参考までに、論文では同じ300件のインスタンス上で、GPT-5.5が総合81.28、Claude Opus 4.8が80.39と報告されている。これらは並べて置くには強い数字であり、同時に表を注意深く読むべき理由でもある。これは汎用的な能力指数ではなく、目的に特化して作られたインフォグラフィックのベンチマークだからだ。その段落の数値はすべてベンダー報告によるもので、独立に再現されたものではない。アリーナランキングも第三者による再実行も存在しない。

論文が実際に開示している失敗モードは、見出しの数字よりも有用だ。キャンバスオーバーフローは生成の約4.3%で再発する——GPT-5.5の34.7%より劇的に良く、これは実際の成果だ——しかし、壊れた関係構造が出力の23.9%に現れ、歪んだアイコンや意味的に誤った要素が23.3%に現れる。スタイルは依然として共通のボトルネックであり、比較対象のどのモデルもそのサブスコアで60%を超えない。本番用ダッシュボードを生成しているなら、レビュープロセスを動かすべき数字は85.89ではなく、壊れた関係構造が4回に1回の確率で起きるという数字だ。

SWE-2 Flash が報告している内容 — そして、なぜそのどれも重複しないのか

SWE-2 Flashは8行の結果を報告しており、そのすべてがエージェント型またはセキュリティ評価です。FrontierCode 2.0が24.0、FrontierCode 1.1 Mainが45.5、DeepSWE 1.1が60.1、Terminal-Bench 4.0が20.0、Terminal-Bench 2.1が89.2、SWE-Atlas QAが50.0、SWE-Bench Pro v2 Hardが89.9、ExploitBenchが34.8です。いずれもCognition自身の数値であり、ローンチ記事が名前を挙げていないハーネス上で実行されたものです。

視覚品質の行はありません。レイアウトスコアも、レンダリングチェックも、デザイン審査もありません。SWE-2 Flash が何に優れていても、それは AesCode が中心に据えて作られた軸では測定されていませんし、AesCode もエージェント型ソフトウェアエンジニアリングの軸で測定されたことはありません。2つの表は列見出しだけを共有しており、それ以外に共通点はありません。

実用面での入力条件も同様だ。SWE-2 FlashはDevin DesktopとDevin CLI内で動作し、2026年11月30日まで無料だが、APIもモデルIDもなく、コンテキストウィンドウも公開されていない。AesCode 32Bは、65 GBの重みを読み込める場所ならどこでも、あるいはそれを提供する任意の推論プロバイダー上で動作し、32,000トークンのコンテキストが公開され、Apache 2.0ライセンスとなっている。一方はサブスクリプションで利用する製品で、中身を検査できない。もう一方はダウンロードして量子化できるアーティファクトだ。

それらが出会う狭い場所

現実に重なる領域がひとつあり、そこがまさにチームが実際に間違えるポイントなので、名前を付けておく価値があります。エージェントがユーザー向けの出力——レポートページ、ステータスダッシュボード、生成されたスライド——を生成する場合、そのパイプラインのどこかでモデルがレイアウトを決めなければなりません。リポジトリ編集モデルは、動作し、2009年風に見えるHTMLを平然と出力します。デザインモデルは、テストスイートやデータレイヤーにアクセスできないため、間違った数値が入った美しいダッシュボードを平然と出力します。

それは一つの勝者を決める比較ではなく、2つの役割を持つパイプラインです。本当の判断は、デザイン工程を独自のモデルと独自のレビューゲートを備えた別個の呼び出しにするのか、それとも単一の汎用モデルによる平凡なレイアウトを受け入れるのかです。視覚的な結果を重視するチームは最終的にこの工程を分離します。重視しないチームはデザインモデルをそもそも買うべきではありません。

コスト、アクセス、そして実際にいくらかかるのか

• AesCode 32B — Apache 2.0 の下でオープンウェイトとして公開されているため、限界コストは自社の GPU かプロバイダーのトークン単価のみ。ベンダーサブスクリプションは不要です。

• SWE-2 Flash — Devin内で2026年11月30日まで無料、その後は価格未定。Cognitionがローンチ時にトークン単価を公表しなかったため。

• AesCodeの隠れたコスト——レビューゲート。関係構造の失敗率が23.9%ということは、すべての成果物に対して人的またはプログラムによる検証が必要になるということだ。

• {{1}}SWE-2 Flashの隠れたコスト——ロックイン{{/1}}。{{2}}無料期間があなたの好まない条件で終了した場合にフォールバックできるエンドポイントはありません。{{/2}}

現在、これらのモデルはいずれもOrcaRouter経由では呼び出せません。SWE-2 Flashにはエンドポイントがまったくなく、AesCode 32Bはカタログに含まれていません。この比較が示しているのは、その周囲にあるルーティング層の形です。OrcaRouterは1つのキーの背後に200以上のモデルを公開しており、そのルーティングDSLを使えば、1つの合成呼び出しのステップごとに異なるモデルを固定できます。これはまさに前述の「ここは設計ステップ、そこはエンジニアリングステップ」という分割です。当社からこれらの2つのモデルが提供されることはありません。得られるのは、最終的に選んだ任意のペアを置くための単一の場所と、午前2時にどちらかが利用できない場合の自動フェイルオーバーです。

経験則

ユーザーが見る成果物がプルリクエストなら、SWE-2 Flash は対象範囲で、AesCode 32B は対象外です。成果物がスライド、ポスター、ダッシュボード、インフォグラフィックなら、AesCode 32B が対象範囲で、SWE-2 Flash にはその仕事はできません — 下手とか遅いとかではなく、そもそもできません。両方が必要な場合は、2回の呼び出しと、デザイン側に対するレビューゲートが必要です。

実際に役立つ比較は、まだ存在しない。AesCode 32B を、自身のレンダリング出力をテストスイートと照合できるエージェントループ内で実行した者はいまだにおらず、SWE-2 Flash をレイアウトベンチマークで実行した者もいまだにいない。そのどちらかが実現するまでは、擁護できる主張は地味なものだけだ。これらのモデルは互いの代替品ではなく、両者のスコアを隣接する列に並べた表は、1本の物差しで2つの異なるものを測っているにすぎない。