SWE-2 Flash vs AesCode 32B: 두 모델, 한 단어, 공유 벤치마크 없음

결국 모든 "코딩 모델" 비교 스레드에는 이 질문이 등장한다. SWE-2 Flash와 AesCode 32B 중 어느 쪽이 더 나은가? 솔직히 말하면 둘은 같은 경쟁 범주에 있지 않으며, 둘 다 "코드 생성" 아래 분류된다는 사실은 구매 결정의 문제라기보다 분류 체계의 문제다. Cognition이 2026년 11월 4일에 공개한 SWE-2 Flash는 소프트웨어 엔지니어링 에이전트 모델이다. 저장소를 읽고, 변경을 계획하고, 도구를 실행하고, 파일을 편집한다. Microsoft가 2026년 10월에 발표한 AesCode 32B는 미학적 코드 모델이다. 명세를 받아 슬라이드, 포스터, 대시보드, 인포그래픽용 HTML과 CSS를 생성한다. 하나는 티켓을 닫는다. 다른 하나는 디자인된 것처럼 보이는 결과물을 만든다.

그 구분은 벤치마크 표보다 더 가치가 있습니다. 왜냐하면 잘못된 쪽을 고르는 것은 몇 점 차이의 문제가 아니라, 모델이 그 작업을 수행할 메커니즘 자체를 전혀 갖지 못하는 문제이기 때문입니다.

AesCode 32B는 실제로 무엇에 쓰이는가

AesCode 32B는 Qwen3-VL-32B-Instruct를 기반으로 구축된 33.4B 매개변수 비전-언어 모델로, Apache 2.0 라이선스로 공개되었으며 32,000토큰 컨텍스트 창을 제공합니다. 8B 및 32B 변형으로 제공되며, "AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards"라는 논문과 함께 소개되었습니다. 이 논문은 훈련 접근법을 설명하는데, 프로그램적 정확성과 시각적 품질에 대해 별도의 보상 신호를 사용하여 모델이 둘 중 하나를 다른 하나와 맞바꾸도록 강요받지 않게 합니다.

의도된 입력은 디자인 브리프입니다. 의도된 출력은 렌더링되는 마크업입니다. 마이크로소프트 자체의 예시들은 인포그래픽, 슬라이드 덱, 포스터, 대시보드인데, 이는 합격 조건이 부분적으로는 기계적이고(표에 올바른 숫자가 들어 있는가, 차트가 올바른 계열을 인코딩하는가?) 부분적으로는 지각적인(인간이 설계한 것처럼 보이는가?) 산출물입니다.

• 매개변수 — 33.4B, 비전-언어, Apache 2.0

• 컨텍스트 — 32,000 토큰

• 출력 — HTML/CSS 산출물; 보고된 평가에서는 셸, 저장소 순회, 테스트 실행을 수행하지 않음

• 메모리 사용량 — BF16 기준 약 65GB, FP8에서는 더 적음

그것의 85.89가 의미하는 것과 의미하지 않는 것

AesCode의 대표 지표는 저자들이 논문을 위해 구축한 300개 인스턴스 인포그래픽 벤치마크에서 종합 점수 85.89입니다. 이는 규칙 기반 검사(텍스트, 경계, 표와 차트)에서 94.33, 시각적 품질에서 77.44로 세분되며, 시각적 품질은 비전-언어 판정기가 콘텐츠, 레이아웃, 스타일을 평가합니다. 같은 벤치마크에서 Qwen3-VL-32B 백본은 종합 48.61을 기록하므로, 포스트트레이닝이 엄청난 역할을 하고 있습니다. 시각적 부분에서만 22.4점이 더해진 것입니다.

참고로, 해당 논문은 동일한 300개 인스턴스에서 GPT-5.5가 전체 81.28, Claude Opus 4.8이 80.39라고 보고한다. 이는 나란히 놓고 보기에 강력한 수치이며, 동시에 표를 주의 깊게 읽어야 하는 이유이기도 하다: 이것은 특정 목적을 위해 구축된 인포그래픽 벤치마크이지, 일반적인 역량 지수가 아니다. 해당 문단의 모든 수치는 공급업체가 보고한 것으로, 독립적으로 재현된 적이 없다. 아레나 순위도 없고 제3자 재실행도 없다.

논문이 실제로 공개하는 실패 모드들은 헤드라인보다 더 유용하다. 캔버스 오버플로는 생성물의 약 4.3%에서 반복적으로 발생하는데, 이는 GPT-5.5의 34.7%보다 극적으로 좋은 것으로 실질적인 성과다. 그러나 깨진 관계형 구조는 출력물의 23.9%에서, 왜곡된 아이콘 또는 의미상 잘못된 요소는 23.3%에서 나타난다. 스타일은 여전히 공통 병목이다. 비교 대상 모델 중 해당 하위 점수에서 60%를 넘는 모델은 없다. 프로덕션 대시보드를 생성하고 있다면, 검토 프로세스를 이끌어야 할 수치는 85.89가 아니라 깨진 관계형 구조가 네 번 중 한 번 나올 확률이다.

SWE-2 Flash가 보고하는 내용 — 그리고 그중 어느 것도 겹치지 않는 이유

SWE-2 Flash는 8개의 행을 보고하며, 모두 에이전트형 또는 보안 평가입니다: FrontierCode 2.0은 24.0, FrontierCode 1.1 Main은 45.5, DeepSWE 1.1은 60.1, Terminal-Bench 4.0은 20.0, Terminal-Bench 2.1은 89.2, SWE-Atlas QA는 50.0, SWE-Bench Pro v2 Hard는 89.9, ExploitBench는 34.8입니다. 이 모든 수치는 Cognition 자체 측정값이며, 출시 게시물에서 이름을 밝히지 않은 하네스에서 실행된 것입니다.

시각적 품질 행은 없습니다. 레이아웃 점수도, 렌더링 검사도, 디자인 심사도 없습니다. SWE-2 Flash가 어떤 점에서 뛰어나든, SWE-2 Flash는 AesCode가 중심으로 구축된 축에서 측정된 적이 없으며, AesCode는 에이전트 기반 소프트웨어 엔지니어링 축에서 측정된 적이 없습니다. 두 표는 열 헤더 하나만 공유할 뿐, 그 외에는 아무것도 공유하지 않습니다.

실제 입력도 마찬가지다. SWE-2 Flash는 Devin Desktop과 Devin CLI 내부에서 실행되며 2026년 11월 30일까지 무료이고, API도, 모델 ID도, 공개된 컨텍스트 윈도도 없다. AesCode 32B는 65GB의 가중치를 로드할 수 있는 곳이라면 어디서든, 또는 이를 제공하는 추론 제공업체에서 실행되며, 공개된 32,000토큰 컨텍스트와 Apache 2.0 라이선스를 갖는다. 하나는 구독하는 제품이라 들여다볼 수 없다. 다른 하나는 다운로드해 양자화할 수 있는 아티팩트다.

그들이 만나는 좁은 곳

실제로 겹치는 지점이 하나 있는데, 팀들이 바로 여기서 자주 틀리기 때문에 짚고 넘어갈 가치가 있습니다. 만약 여러분의 에이전트가 사용자에게 보이는 결과물, 예를 들어 보고서 페이지, 상태 대시보드, 생성된 슬라이드 같은 것을 만든다면, 그 파이프라인 어딘가에서 모델이 레이아웃을 결정해야 합니다. 저장소 편집 모델은 작동은 하지만 2009년처럼 보이는 HTML을 기꺼이 내놓을 것입니다. 디자인 모델은 아름다운 대시보드를 기꺼이 내놓겠지만, 테스트 스위트나 데이터 계층에 접근할 수 없기 때문에 그 안의 숫자는 틀릴 것입니다.

그것은 두 가지 작업을 가진 파이프라인이지, 하나의 승자를 가리는 비교가 아니다. 진짜 결정은 디자인 단계가 자체 모델과 자체 검토 게이트를 갖춘 별도의 호출인지, 아니면 하나의 범용 모델에서 나오는 평범한 레이아웃을 받아들일지다. 시각적 결과를 중시하는 팀은 결국 그 단계를 분리하게 되고, 그렇지 않은 팀은 디자인 모델을 아예 사지 말아야 한다.

비용, 접근성, 그리고 실제로 지출하게 될 금액

• AesCode 32B — Apache 2.0에 따른 오픈 웨이트이므로 한계 비용은 사용자의 GPU 또는 사용하는 공급자의 토큰당 요금이며, 벤더 구독은 필요 없습니다.

• SWE-2 Flash — Devin 내에서 2026년 11월 30일까지 무료, 이후 가격 미정. Cognition이 출시 당시 토큰당 요금을 공개하지 않았기 때문입니다.

• AesCode의 숨겨진 비용 — 리뷰 게이트. 관계 구조 실패율이 23.9%라는 것은 모든 산출물에 대해 사람 또는 프로그램을 통한 검증이 필요하다는 뜻입니다.

• SWE-2 Flash의 숨은 비용 — 락인. 무료 기간이 마음에 들지 않는 조건으로 종료되더라도 대체할 수 있는 엔드포인트가 없습니다.

오늘날 이 두 모델 중 어느 것도 OrcaRouter를 통해 호출할 수 없습니다. SWE-2 Flash는 엔드포인트가 전혀 없고, AesCode 32B는 카탈로그에 없습니다. 이 비교가 실제로 주장하는 바는 그 주변의 라우팅 계층의 형태입니다. OrcaRouter는 하나의 키로 200개 이상의 모델을 노출하며, 라우팅 DSL을 통해 서로 다른 모델을 하나의 구성된 호출에서 각기 다른 단계에 고정할 수 있습니다. 이는 바로 앞서 설명한 “여기서는 설계 단계, 저기서는 엔지니어링 단계”라는 분담과 정확히 일치합니다. 저희에게서 이 두 모델 중 어느 것도 제공받지는 않습니다. 대신 최종적으로 선택한 어떤 쌍이든 넣을 수 있는 단일 장소와, 새벽 2시에 둘 중 하나를 사용할 수 없을 때 자동 페일오버를 얻습니다.

경험상의 대략적인 규칙

사용자가 보는 산출물이 풀 리퀘스트라면 SWE-2 Flash는 범위에 포함되고 AesCode 32B는 포함되지 않습니다. 산출물이 슬라이드, 포스터, 대시보드 또는 인포그래픽이라면 AesCode 32B가 범위에 포함되며 SWE-2 Flash는 그 작업을 할 수 없습니다 — 잘하지 못하는 것도, 느린 것도 아니라 아예 못합니다. 둘 다 필요하다면 두 번의 호출과 디자인 쪽 산출물에 대한 리뷰 게이트가 필요합니다.

실제로 유용할 비교는 아직 존재하지 않는다. 아무도 AesCode 32B를 자체 렌더링 출력을 테스트 스위트와 대조할 수 있는 에이전트 루프 안에서 실행한 적이 없고, 아무도 SWE-2 Flash를 레이아웃 벤치마크에서 실행한 적이 없다. 그중 하나라도 일어나기 전까지, 유일하게 방어 가능한 주장은 뻔한 그 주장이다. 이 모델들은 대체재가 아니며, 그 점수들을 인접한 열에 놓는 어떤 표든 하나의 자로 서로 다른 두 가지를 측정하는 것이다.