SWE-2 Flash 対 Muse Code：あなたが買っているのはハーネスそのものだ

二つの数字を並べれば、物語はひとりでに出来上がる。Terminal-Bench 2.1 で SWE-2 Flash が 89.2、Muse Code が 82.9、したがって Cognition のモデルは Meta のエージェントより 6.3 ポイント優れている。その文のどの節も、何かしら疑わしいことをしている。SWE-2 Flash は Devin 内で提供されるモデルだ。Muse Code は Muse Spark 1.2 を中心に構築され、それと共同トレーニングされたターミナルエージェントであり、その 82.9 はハーネスとエフォート設定を伴う条件で測定された。両者を比較するのは、モデルと製品を比較することであり、実際にインストールするのは製品のほうだ。

だからといって、その比較が無意味になるわけではない。変わるのは、興味深い問いの内容だ。どちらのモデルが高いスコアを出すかではなく、二つの閉じたループのうち、どちらがより多くの作業をあなたに代わって行い、それがいくらのコストで、手法をどこまで開示してくれるのか、という問いになる。

それぞれが実際に何なのか

Muse CodeはMeta初のコーディングエージェントで、2026年8月5日にmacOSとLinux向けにリリースされた。Claude CodeやCodexと同じカテゴリーに属するCLIであり、リポジトリ全体にわたって変更を計画し、ファイルを編集し、テストを実行して結果を検証する。これを他と際立たせている設計上の選択は、見た目ではなくアーキテクチャに基づくものだ。

• バックグラウンドエージェント — タスクごとに生成されるのではなくセッション全体で存続する永続的な非同期エージェント。これにより、一度収集した情報を再収集せずに済む。複数を隔離されたワークツリー内で並列実行でき、作業コピーに触れることもない。

• イベントログ — すべてのモデル呼び出し、ツール実行、承認、編集のローカル記録。これによりセッションは正確に再生でき、クラッシュ後も安全に再開できる — 数時間に及ぶタスクを乗り切れるようにする仕組み。

• スキル — プランステップ、プランストレステストステップ、ゴール推進ステップを含む組み込みのスラッシュコマンド。

• モデル — Muse Spark 1.2、クローズドウェイト、100万トークンのコンテキスト、入力は100万トークンあたり$1.25、出力は100万トークンあたり$4.25。

SWE-2 Flashはエージェントではありません。Inkling-Smallからポストトレーニングされたモデルで、総パラメータ数276B、アクティブパラメータ12B、Devin DesktopとDevin CLI内で提供されています。Cognitionは、SWE-2より3倍高速で価格は5分の1だとしています。2026年11月30日まで無料で利用でき、公開API、モデルID、ダウンロード可能な重みファイルはありません。

つまりこの対決の実像は、二つのクローズドなシステムにある。どちらもモデルと、その開発元が管理するハーネスを組み合わせたものだ。一方はハーネスとエフォート設定を公開している。もう一方は公開していない。

彼らが同点だと示しているDeepSWEの行

DeepSWE 1.1は、両レポートが挙げている唯一のベンチマークであり、どちらの側もタスクの定義を無理に広げていない。SWE-2 Flash：60.1。Muse Code内のMuse Spark 1.2：59.3。0.8ポイント差だ。

それはギャップではない。同じスコアが二度報告されているのであり、より興味深いのは、2つのシステムが正反対の方向からそこに到達しているという事実だ。Metaのモデルは100万トークンのコンテキストと幅広いツール利用プロファイルを備えた汎用フラッグシップであり、Cognitionのモデルはオープンウェイト基盤モデルを事後学習した12Bアクティブのモデルで、エージェント市場の低価格帯向けに明示的に最適化されている。DeepSWEで収束するということは、生の表が示唆する以上に、より安価なアーキテクチャにとって強い結果だ。

Terminal-Bench 2.1では差はさらに大きく、89.2対82.9であり、ここで方法論の非対称性が効いてくる。Metaは、自社の数値はxhighエフォートで、共訓練されたMuse Codeハーネス内で、分離されたDaytonaサンドボックスで生成され、pass@1は5回の試行で平均したものだと述べている。Cognitionはそうしたことを一切述べていない。同社の9月のSWE-2に関する投稿には方法論の付録が付いていたが、11月4日のSWE-2 Flashに関する投稿には付いていない。

Meta自身の数値にも、この分野のあらゆる表に当てはまる警告がある。MetaはMuse Spark 1.1をTerminal-Bench 2.1で76.2と報告しているが、公開されているtbench.aiのリーダーボードでは同じモデルに対して検証済みの80.0が掲載されている。違いは、行はモデルではないということだ。行はモデルにハーネスとエフォート設定を加えたものである。同じモデルの2つの報告の間に4ポイントの変動が現れうるなら、異なる計測手段で測られた2つのシステム間の6.3ポイントの差は決定的な結果ではない。本節の数値はすべてベンダー報告による。

もう一つ留意しておくべきことがあります。Muse Spark 1.2 は、Meta が持つ最新モデルではなくなりました。Artificial Analysis は現在、1.2 チェックポイントを非推奨として示し、読者に Muse Spark 1.3 を案内しています。Muse Code は 1.2 でローンチされ、1.2 はこの記事のすべての数値が対象としているチェックポイントであり、依然として呼び出し可能なチェックポイントです。

コンテキスト: 公開済み100万件 対 未公開

Muse Spark 1.2は100万トークンのコンテキストウィンドウを搭載して登場し、Muse Codeのアーキテクチャはそれを活用するために構築されています——永続的なエージェント、耐久性のあるイベントログ、数時間にわたって動き続ける処理。その組み合わせこそが、この製品の本当の売りです。単発の編集が優れているということではなく、大規模なリポジトリと長いタスクを、文脈を見失わずに保持できるエージェントであるということです。

SWE-2 Flashはコンテキストウィンドウを一切公開していません。エージェント内部でのみ提供されるモデルにとって、この省略はAPIモデルの場合ほど深刻ではありません。なぜなら、Devinがユーザーに代わってコンテキストを管理するからです。それでもこれは省略であることに変わりはありません。知らされていない予算を前提にワークフローを設計することはできないのです。

料金表 対 1か月無料

• Muse Spark 1.2 — 入力トークン100万件あたり1.25ドル、出力トークン100万件あたり4.25ドル。一部の国では、トレーニングデータの利用と引き換えに割引価格のコントリビューターティアが用意されており、データ保持ゼロのリクエストも受け付けています。

• SWE-2 Flash — トークン単位の料金はありません。2026年11月30日までDevin内で無料、その後は未定です。

{{1}}Muse Code — エージェント自体は、Metaが公開した資料では、別途のサブスクリプションではなくモデル利用を通じて価格設定されています。{{/1}}

価格が示されていない製品は、安い製品ではない。未知の製品なのだ。次の四半期のコストモデルを作っているなら、$1.25/$4.25 はスプレッドシートに入れられる数字であり、SWE-2 Flash は期限付きの疑問符だ。

呼び出せるものと呼び出せないもの

ここで両システムは、ベンチマークとは何の関係もない形で分岐します。SWE-2 Flash は呼び出すことができません。クライアントの接続先となるエンドポイントも、モデル ID も、それが変わる日付もありません。アーキテクチャ上、デスクトップ IDE の中ではなく HTTP 呼び出しの背後にコーディングモデルが必要なら、今月の SWE-2 Flash は単純に候補外です。

Muse Spark 1.2は話が別だ。この対決のMeta側は、今日すでに呼び出し可能だ——Muse Spark 1.2と1.1の両方がOrcaRouterのカタログに公開されており、プロバイダーの定価でマークアップ0%なので、上記の$1.25/$4.25という料金はリセラーの数字ではなく、あなたが実際に支払う料金だ。この特定の判断にとってそれは重要だ。今夜、自分のリポジトリに対してMuse Spark 1.2を実行し、DeepSWEの59.3が自分の仕事を表しているかどうかを確かめられる。SWE-2 Flashで同等のテストを実行するには、無料の1か月の間Devinの中に身を置くしかないのだから。

OrcaRouterは、単一ベンダーに賭ける場合に欠けているフェイルオーバーも提供します。Meta側に標準化していてプロバイダーが劣化しても、自動フェイルオーバーが呼び出しを継続させます。これは「モデルを選んだ」ことと「サプライチェーンを選んだ」ことの実践的な違いです。

どちらを選ぶべきですか

ターミナルから操作でき、公開されたエフォート設定、永続的なイベントログ、並列に分離されたワークツリー、そしてモデルを支えるAPIを備えたエージェントが欲しいなら、Muse Codeを選んでください。DeepSWEでの引き分けは、フロンティアにおいて能力を犠牲にしていないことを示しています。一方、Terminal-Benchの差は、少なくともその手法を確認できる指標において、上限の一部を犠牲にしている可能性があることを示しています。

Devinユーザーで、すでに料金を支払っているIDE内のより高速で安価なモデルが自分のリポジトリに十分かどうかが問題なら、SWE-2 Flashを選んでください。11月30日までの無料期間は実質的な試用であり、DeepSWEでの60.1というスコアは、見劣りしないことを示しています。

どちらの選択肢を選んでも得られないのは確実性だ。両ベンダーはそれぞれ自社のハーネスで自社システムを測定しており、ベンダーの主張を検証できる唯一の公開データ点——tbench.ai による Muse Spark 1.1 の 80.0 対 Meta の 76.2——は、公開された行と再現された行の差が、この記事で扱う2製品間の差と同じくらい大きくなり得ることを示している。