SWE-2 Flash vs AesCode 32B: Dwa modele, jedno słowo, brak wspólnego benchmarku

To pytanie prędzej czy później pojawia się w każdym wątku porównującym „modele kodujące”: który jest lepszy, SWE-2 Flash czy AesCode 32B? Szczera odpowiedź brzmi, że nie konkurują ze sobą, a fakt, że oba są klasyfikowane jako „generowanie kodu”, to problem taksonomii, a nie decyzji zakupowej. SWE-2 Flash, wydany przez Cognition 4 listopada 2026 r., to model agenta do inżynierii oprogramowania: czyta repozytorium, planuje zmianę, uruchamia narzędzia i edytuje pliki. AesCode 32B, opublikowany przez Microsoft w październiku 2026 r., to estetyczny model kodu: przyjmuje specyfikację i generuje HTML i CSS do slajdów, plakatów, pulpitów nawigacyjnych i infografik. Jeden zamyka zgłoszenia. Drugi tworzy rzeczy, które wyglądają, jakby zostały zaprojektowane.

To rozróżnienie jest warte więcej niż tabela benchmarków, ponieważ wybór niewłaściwej opcji nie jest kwestią kilku punktów — chodzi o to, że model w ogóle nie ma mechanizmu, by wykonać to zadanie.

Do czego właściwie służy AesCode 32B

AesCode 32B to model wizyjno-językowy z 33,4 mld parametrów zbudowany na Qwen3-VL-32B-Instruct, udostępniony na licencji Apache 2.0 z oknem kontekstu wynoszącym 32 000 tokenów. Jest dostępny w wariantach 8B i 32B i został zaprezentowany wraz z artykułem „AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards”, który opisuje podejście do trenowania: osobne sygnały nagrody za poprawność programistyczną i za jakość wizualną, dzięki czemu model nie musi poświęcać jednego kosztem drugiego.

Zamierzonym wejściem jest brief projektowy. Zamierzonym wyjściem jest markup, który się renderuje. Własne przykłady Microsoftu to infografiki, prezentacje slajdów, plakaty i pulpity nawigacyjne — artefakty, w których warunek zaliczenia jest częściowo mechaniczny (czy tabela zawiera właściwe liczby, czy wykres koduje właściwy szereg danych?) i częściowo percepcyjny (czy wygląda na zaprojektowany przez człowieka?).

• Parametry — 33,4 mld, wizyjno-językowy, Apache 2.0

• Kontekst — 32 000 tokenów

• Wynik — artefakty HTML/CSS; bez powłoki, bez przeglądania repozytorium, bez uruchamiania testów w raportowanej ocenie

• Zużycie pamięci — około 65 GB przy BF16, mniej przy FP8

Co oznacza, a czego nie oznacza jego 85.89

Główny wynik AesCode to ogólny wynik 85,89 w zbudowanym przez autorów na potrzeby artykułu benchmarku infografik obejmującym 300 instancji. Rozkłada się to na 94,33 w testach opartych na regułach (tekst, granice, tabele i wykresy) oraz 77,44 w jakości wizualnej, gdzie sędzia wizyjno-językowy ocenia treść, układ i styl. Ten sam benchmark plasuje model bazowy Qwen3-VL-32B na poziomie 48,61 ogółem, więc dalszy trening wykonuje ogromną pracę: plus 22,4 punktu wyłącznie w części wizualnej.

Dla kontekstu: w artykule podano, że GPT-5.5 osiąga 81,28 ogółem, a Claude Opus 4.8 — 80,39 na tych samych 300 instancjach. To mocne liczby, obok których warto stawiać inne wyniki, i jednocześnie powód, by uważnie czytać tabelę: to celowo stworzony benchmark infografik, a nie ogólny wskaźnik możliwości. Każda liczba w tym akapicie pochodzi od dostawcy i nie została niezależnie odtworzona. Nie ma rankingu arena ani powtórnego uruchomienia przez podmiot trzeci.

Tryby awarii, które artykuł ujawnia, są bardziej użyteczne niż główny przekaz. Przepełnienie kanwy powtarza się w około 4,3% generacji — znacznie lepiej niż 34,7% w GPT-5.5, co jest prawdziwym sukcesem — ale zepsute struktury relacyjne pojawiają się w 23,9% wyników, a zniekształcone ikony lub semantycznie błędne elementy w 23,3%. Styl pozostaje wspólnym wąskim gardłem: żaden model w porównaniu nie przekracza 60% w tym podwyniku. Jeśli generujesz dashboardy produkcyjne, szansa jedna na cztery na zepsutą strukturę relacyjną to liczba, która powinna kierować Twoim procesem przeglądu, a nie 85,89.

Co raportuje SWE-2 Flash — i dlaczego nic z tego się nie pokrywa

SWE-2 Flash raportuje osiem wierszy, wszystkie dotyczące ewaluacji agentowych lub bezpieczeństwa: FrontierCode 2.0 – 24,0, FrontierCode 1.1 Main – 45,5, DeepSWE 1.1 – 60,1, Terminal-Bench 4.0 – 20,0, Terminal-Bench 2.1 – 89,2, SWE-Atlas QA – 50,0, SWE-Bench Pro v2 Hard – 89,9 i ExploitBench – 34,8. Każda z tych wartości pochodzi od samej Cognition i została uzyskana na harnessie, którego nazwy w poście premierowym nie podano.

Nie ma wiersza dotyczącego jakości wizualnej. Żadnej oceny układu, żadnego sprawdzania renderowania, żadnego oceniającego design. Cokolwiek SWE-2 Flash robi dobrze, nie zostało to zmierzone na osi, wokół której zbudowano AesCode, a AesCode nigdy nie zostało zmierzone na osi agentowej inżynierii oprogramowania. Dwie tabele łączą tylko nagłówek kolumny i nic więcej.

To samo dotyczy praktycznych danych wejściowych. SWE-2 Flash działa wewnątrz Devin Desktop i Devin CLI, bezpłatnie do 30 listopada 2026 r., bez API, bez identyfikatora modelu i bez opublikowanego okna kontekstowego. AesCode 32B działa wszędzie, gdzie można załadować 65 GB wag, lub u dowolnego dostawcy inferencji, który go udostępnia, z opublikowanym kontekstem 32 000 tokenów i licencją Apache 2.0. Jeden to produkt, który subskrybujesz i którego nie możesz sprawdzić. Drugi to artefakt, który możesz pobrać i skwantyzować.

Wąskie miejsce, w którym się spotykają

Istnieje jeden rzeczywisty obszar nakładania się i warto go nazwać, ponieważ właśnie tutaj zespoły naprawdę popełniają ten błąd. Jeśli twój agent generuje dane wyjściowe widoczne dla użytkownika — stronę raportu, pulpit statusu, wygenerowany slajd — to gdzieś w tym potoku model musi zdecydować o układzie. Model edytujący repozytorium bez problemu wygeneruje HTML, który działa i wygląda jak z 2009 roku. Model projektowy bez problemu wygeneruje piękny pulpit z błędnymi liczbami, ponieważ nie ma dostępu do twojego zestawu testów ani warstwy danych.

To potok z dwoma zadaniami, a nie porównanie z jednym zwycięzcą. Prawdziwa decyzja dotyczy tego, czy etap projektowania jest osobnym wywołaniem z własnym modelem i własną bramką przeglądu, czy akceptujesz przeciętny układ od jednego ogólnego modelu. Zespoły, którym zależy na wyniku wizualnym, ostatecznie dzielą ten etap; zespoły, którym nie zależy, w ogóle nie powinny kupować modelu projektowego.

Koszt, dostęp i ile faktycznie byś wydał

• AesCode 32B — otwarte wagi na licencji Apache 2.0, więc koszt krańcowy to Twój GPU lub stawka za token u Twojego dostawcy; bez subskrypcji u dostawcy.

• SWE-2 Flash — bezpłatny w Devin do 30 listopada 2026 r., później bez podanej ceny, ponieważ Cognition nie opublikowało stawki za token przy premierze.

• Ukryty koszt AesCode — brama weryfikacji. Wskaźnik awarii struktury relacyjnej na poziomie 23,9% oznacza, że każdy artefakt wymaga weryfikacji przez człowieka lub programowo.

• Ukryty koszt SWE-2 Flash — zamknięcie u dostawcy. Nie ma endpointu awaryjnego, do którego można się zwrócić, jeśli darmowe okno zamknie się na warunkach, których nie akceptujesz.

Żadnego z tych modeli nie można dziś wywołać przez OrcaRouter: SWE-2 Flash nie ma w ogóle endpointu, a AesCode 32B nie ma w katalogu. To, za czym to porównanie przemawia, to kształt warstwy routingu wokół tego. OrcaRouter udostępnia ponad 200 modeli za jednym kluczem, a jego DSL routingu pozwala przypiąć różne modele do różnych kroków pojedynczego złożonego wywołania — co dokładnie odpowiada opisanemu wyżej podziałowi „krok projektowy tutaj, krok inżynierski tam”. Nie dostajesz od nas żadnego z tych dwóch modeli. Dostajesz jedno miejsce, w którym możesz umieścić dowolną parę, którą ostatecznie wybierzesz, oraz automatyczne przełączenie awaryjne, gdy jednego z nich brakuje o 2 w nocy.

Reguła praktyczna

Jeśli artefaktem, który widzi użytkownik, jest pull request, SWE-2 Flash jest w zakresie, a AesCode 32B nie. Jeśli artefaktem jest slajd, plakat, dashboard lub infografika, AesCode 32B jest w zakresie, a SWE-2 Flash nie może wykonać tego zadania — nie źle, nie wolno, ale w ogóle. Jeśli potrzebujesz obu, potrzebujesz dwóch wywołań i bramki przeglądu dla wywołania projektowego.

Porównanie, które naprawdę byłoby użyteczne, jeszcze nie istnieje: nikt nie uruchomił AesCode 32B w pętli agenta, która potrafi sprawdzić własne wyrenderowane wyniki względem zestawu testów, i nikt nie uruchomił SWE-2 Flash na benchmarku układu. Dopóki jedno z tych rzeczy się nie wydarzy, jedynym możliwym do obrony twierdzeniem jest to nudne. Te modele nie są substytutami, a każda tabela, która umieszcza ich wyniki w sąsiednich kolumnach, mierzy dwie różne rzeczy jedną miarką.