SWE-2 Flash vs AesCode 32B: Twee modellen, één woord, geen gedeelde benchmark

De vraag duikt uiteindelijk in elke vergelijkingsdraad over "codemodellen" op: welke is beter, SWE-2 Flash of AesCode 32B? Het eerlijke antwoord is dat ze niet in dezelfde competitie zitten, en dat beide onder "codegeneratie" worden geschaard, is een taxonomieprobleem in plaats van een aankoopbeslissing. SWE-2 Flash, op 4 november 2026 uitgebracht door Cognition, is een software-engineering-agentmodel: het leest een repository, plant een wijziging, voert tools uit en bewerkt bestanden. AesCode 32B, in oktober 2026 gepubliceerd door Microsoft, is een esthetisch codemodel: het neemt een specificatie en genereert HTML en CSS voor slides, posters, dashboards en infographics. De ene sluit tickets. De andere maakt dingen die er ontworpen uitzien.

Dat onderscheid is meer waard dan een benchmarktabel, want de verkeerde optie kiezen is geen kwestie van een paar punten — het gaat erom dat het model helemaal geen mechanisme heeft om de taak uit te voeren.

Waar AesCode 32B eigenlijk voor is

AesCode 32B is een vision-languagemodel met 33,4B parameters, gebouwd op Qwen3-VL-32B-Instruct en uitgebracht onder Apache 2.0 met een contextvenster van 32.000 tokens. Het is verkrijgbaar in varianten van 8B en 32B en werd geïntroduceerd samen met een paper, "AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards", die de trainingsaanpak beschrijft: afzonderlijke beloningssignalen voor programmatische correctheid en voor visuele kwaliteit, zodat het model niet gedwongen wordt het ene tegen het andere af te ruilen.

De bedoelde invoer is een ontwerpopdracht. De bedoelde uitvoer is markup die wordt gerenderd. Microsofts eigen voorbeelden zijn infographics, slidedecks, posters en dashboards — artefacten waarbij het slaagcriterium deels mechanisch is (heeft de tabel de juiste getallen, codeert de grafiek de juiste reeks?) en deels perceptueel (ziet het eruit alsof een mens het heeft ontworpen?).

• Parameters — 33,4B, visie-taal, Apache 2.0

• Context — 32.000 tokens

• Uitvoer — HTML/CSS-artefacten; geen shell, geen doorzoeking van de repository, geen uitvoering van tests in de gerapporteerde evaluatie

• Geheugengebruik — ongeveer 65 GB bij BF16, minder bij FP8

Wat zijn 85,89 wel en niet betekent

De kop van AesCode is een totaalscore van 85,89 op een benchmark van 300 infographics die de auteurs voor het paper hebben gebouwd. Die valt uiteen in 94,33 op regelgebaseerde controles (tekst, grenzen, tabellen en grafieken) en 77,44 op visuele kwaliteit, waar een vision-language-judge inhoud, lay-out en stijl beoordeelt. Dezelfde benchmark zet de Qwen3-VL-32B-backbone op 48,61 overall, dus de post-training verricht enorm werk: plus 22,4 punten alleen al op de visuele helft.

Ter context: in het artikel wordt GPT-5.5 gerapporteerd op 81,28 overall en Claude Opus 4.8 op 80,39 op dezelfde 300 instanties. Dat zijn sterke cijfers om naast te leggen, en ze zijn ook de reden om de tabel zorgvuldig te lezen: dit is een speciaal voor dit doel gebouwde infographic-benchmark, niet een algemene capaciteitsindex. Elk cijfer in die paragraaf is door de leverancier gerapporteerd en niet onafhankelijk gereproduceerd. Er is geen arena-ranglijst en geen herhaling door een derde partij.

De faalmodi die het paper wel onthult, zijn nuttiger dan de kop. Canvas-overflow komt terug bij ongeveer 4,3% van de generaties — dramatisch beter dan de 34,7% van GPT-5.5, wat een echte winst is — maar gebroken relationele structuren verschijnen in 23,9% van de outputs en vervormde iconen of semantisch onjuiste elementen in 23,3%. Stijl blijft een gedeelde bottleneck: geen enkel model in de vergelijking haalt 60% op die subscore. Als je productiedashboards genereert, is een kans van één op vier op een gebroken relationele structuur het getal dat je beoordelingsproces zou moeten sturen, niet de 85,89.

Wat SWE-2 Flash rapporteert — en waarom niets daarvan overlapt

SWE-2 Flash vermeldt acht rijen, allemaal agentische of security-evaluaties: FrontierCode 2.0 op 24,0, FrontierCode 1.1 Main op 45,5, DeepSWE 1.1 op 60,1, Terminal-Bench 4.0 op 20,0, Terminal-Bench 2.1 op 89,2, SWE-Atlas QA op 50,0, SWE-Bench Pro v2 Hard op 89,9 en ExploitBench op 34,8. Elk ervan is een cijfer van Cognition zelf, tot stand gekomen op een harness die het lanceringsbericht niet noemt.

Er is geen rij voor visuele kwaliteit. Geen lay-outscore, geen rendercontrole, geen ontwerpbeoordelaar. Waar SWE-2 Flash ook goed in is, het is niet gemeten op de as waarop AesCode is gebouwd, en AesCode is nooit gemeten op een as voor agentische software-engineering. De twee tabellen delen een kolomkop en verder niets.

Hetzelfde geldt voor de praktische inputs. SWE-2 Flash draait binnen Devin Desktop en de Devin CLI, gratis tot 30 november 2026, zonder API, zonder model-ID en zonder gepubliceerd contextvenster. AesCode 32B draait overal waar je 65 GB aan gewichten kunt laden, of bij welke inferentieprovider dan ook die het aanbiedt, met een gepubliceerd contextvenster van 32.000 tokens en een Apache 2.0-licentie. Het ene is een product waarop je je abonneert en dat je niet kunt inspecteren. Het andere is een artefact dat je kunt downloaden en quantiseren.

De smalle plek waar ze elkaar ontmoeten

Er is één echte overlap, en die is het benoemen waard, want dit is waar teams het daadwerkelijk verkeerd doen. Als je agent output produceert die voor gebruikers bestemd is — een rapportpagina, een statusdashboard, een gegenereerde dia — dan moet ergens in die pipeline een model de lay-out bepalen. Een model dat repositories bewerkt, zal rustig HTML opleveren die werkt en eruitziet als 2009. Een ontwerpmodel zal rustig een prachtig dashboard opleveren met de verkeerde cijfers erin, omdat het geen toegang heeft tot je testsuite of je datalaag.

Dat is een pijplijn met twee taken, geen vergelijking met één winnaar. De werkelijke beslissing is of de ontwerpstap een afzonderlijke aanroep is met een eigen model en een eigen beoordelingspoort, of dat je genoegen neemt met een middelmatige lay-out van één algemeen model. Teams die om het visuele resultaat geven, splitsen de stap uiteindelijk op; teams die het niets kan schelen, moeten helemaal geen ontwerpmodel kopen.

Kosten, toegang en wat je daadwerkelijk zou uitgeven

• AesCode 32B — open gewichten onder Apache 2.0, dus de marginale kosten zijn je GPU of het tarief per token van je provider; geen leveranciersabonnement.

• SWE-2 Flash — gratis binnen Devin tot en met 30 november 2026, daarna zonder prijs, omdat Cognition bij de lancering geen tarief per token publiceerde.

• Verborgen kosten van AesCode — de reviewpoort. Een faalpercentage van 23,9% op relationele structuur betekent dat elk artefact menselijk of programmatisch geverifieerd moet worden.

• Verborgen kosten van SWE-2 Flash — de lock-in. Er is geen endpoint om op terug te vallen als het gratis venster sluit onder voorwaarden die je niet bevallen.

Geen van deze twee modellen is vandaag via OrcaRouter aanroepbaar: SWE-2 Flash heeft helemaal geen endpoint, en AesCode 32B staat niet in de catalogus. Waar de vergelijking wel voor pleit, is de vorm van de routeringslaag eromheen. OrcaRouter biedt meer dan 200 modellen achter één sleutel, en de routerings-DSL laat je verschillende modellen vastpinnen aan verschillende stappen van één samengestelde aanroep — precies de splitsing "ontwerpstap hier, engineeringstap daar" die hierboven is beschreven. Geen van deze twee modellen krijg je van ons. Je krijgt één plek om het paar dat je uiteindelijk kiest onder te brengen, en automatische failover wanneer een van beide om 2 uur 's nachts niet beschikbaar is.

De vuistregel

Als het artefact dat je gebruiker ziet een pull request is, valt SWE-2 Flash binnen scope en AesCode 32B niet. Als het artefact een dia, poster, dashboard of infographic is, valt AesCode 32B binnen scope en kan SWE-2 Flash de klus niet doen — niet slecht, niet langzaam, maar helemaal niet. Als je beide nodig hebt, heb je twee aanroepen nodig en een reviewpoort op de designvariant.

De vergelijking die echt nuttig zou zijn, bestaat nog niet: niemand heeft AesCode 32B in een agent-loop gedraaid die de eigen gerenderde output tegen een testsuite kan controleren, en niemand heeft SWE-2 Flash op een layoutbenchmark gedraaid. Tot een van die dingen gebeurt, is de enige verdedigbare bewering de saaie. Deze modellen zijn geen vervangers, en elke tabel die hun scores in naast elkaar liggende kolommen zet, meet twee verschillende dingen met één meetlat.