SWE-2 Flash vs Muse Code: To harness jest tym, co kupujesz

Postaw te dwie liczby obok siebie, a historia napisze się sama: SWE-2 Flash z wynikiem 89.2 w Terminal-Bench 2.1, Muse Code z 82.9, zatem model Cognition jest o 6.3 punktu lepszy od agenta Meta. Każdy element tego zdania jest pod jakimś względem wątpliwy. SWE-2 Flash to model udostępniany wewnątrz Devin. Muse Code to agent terminalowy zbudowany wokół Muse Spark 1.2, współtrenowany z nim, a jego 82.9 zmierzono wraz z dołączonym harnessem i ustawieniem wysiłku. Porównywanie ich to porównywanie modelu z produktem, a to produkt jest tym, co faktycznie się instaluje.

To nie sprawia, że porównanie jest bezużyteczne. Zmienia to, czym jest interesujące pytanie: nie to, który model uzyskuje wyższy wynik, ale która z dwóch zamkniętych pętli wykonuje za Ciebie więcej pracy, za jaką cenę i w jakim stopniu ujawnia metodę.

Czym tak naprawdę jest każda z tych rzeczy

Meta Code to pierwszy agent kodujący Meta, uruchomiony 5 sierpnia 2026 roku na systemy macOS i Linux. Jest to narzędzie CLI należące do tej samej kategorii co Claude Code lub Codex: planuje zmiany, edytuje pliki, uruchamia testy i weryfikuje wyniki w całym repozytorium. Decyzje projektowe, które go wyróżniają, mają charakter architektoniczny, a nie kosmetyczny.

• Agenci działający w tle — trwałe, asynchroniczne agenty, które żyją przez całą sesję, zamiast być uruchamiane osobno dla każdego zadania, dzięki czemu raz zebrane informacje nie są zbierane ponownie; kilka z nich może działać równolegle w izolowanych drzewach roboczych, nie dotykając kopii roboczej.

• Dziennik zdarzeń — lokalny zapis każdego wywołania modelu, uruchomienia narzędzia, zatwierdzenia i edycji, dzięki któremu sesja jest dokładnie odtwarzalna i bezpieczna do wznowienia po awarii — mechanizm, który sprawia, że wielogodzinne zadania są w ogóle wykonalne.

• Umiejętności — wbudowane polecenia z ukośnikiem, w tym krok planowania, krok testowania planu pod presją i krok realizujący cel.

• Model — Muse Spark 1.2, o zamkniętych wagach, kontekst 1 mln tokenów, 1,25 USD za milion tokenów wejściowych i 4,25 USD za milion tokenów wyjściowych.

SWE-2 Flash nie jest agentem. To model poddany dodatkowemu treningowi na bazie Inkling-Small, o łącznej liczbie 276B parametrów i 12B aktywnych parametrów, udostępniany w Devin Desktop i Devin CLI. Cognition określa go jako trzykrotnie szybszy i pięciokrotnie tańszy od SWE-2; dostęp jest bezpłatny do 30 listopada 2026 r.; nie ma publicznego API, identyfikatora modelu ani pliku z wagami do pobrania.

Prawdziwy kształt tego starcia jest więc taki: dwa zamknięte systemy, z których każdy łączy model z harnessem kontrolowanym przez swojego twórcę. Jeden upublicznia swój harness i ustawienie poziomu wysiłku. Drugi nie.

Wiersz DeepSWE, w którym jest napisane, że są remis

DeepSWE 1.1 to jedyny benchmark w obu raportach, w którym żadna ze stron nie naciąga definicji zadania. SWE-2 Flash: 60,1. Muse Spark 1.2 w Muse Code: 59,3. Osiem dziesiątych punktu.

To nie jest luka. To ten sam wynik raportowany dwukrotnie, a ciekawszy fakt jest taki, że oba systemy dochodzą do niego z przeciwnych kierunków. Model Meta to ogólny model flagowy z kontekstem 1M i szerokim profilem użycia narzędzi; model Cognition to dotrenowany model z 12B aktywnych parametrów, oparty na bazie o otwartych wagach, wyraźnie zoptymalizowany pod tani segment rynku agentów. Zbieżność na DeepSWE to mocniejszy wynik dla tańszej architektury, niż sugeruje surowa tabela.

W Terminal-Bench 2.1 różnica jest większa — 89,2 do 82,9 — i tu daje o sobie znać asymetria metodologiczna. Meta podaje, że jej wynik uzyskano przy wysiłku xhigh, w współtrenowanym harnessie Muse Code, w izolowanych piaskownicach Daytona, przy czym pass@1 uśredniono po pięciu próbach. Cognition nie podaje żadnej z tych informacji. Jej wrześniowy wpis dotyczący SWE-2 zawierał aneks metodologiczny; wpis z 4 listopada dotyczący SWE-2 Flash już nie.

W samych liczbach Meta kryje się również ostrzeżenie, które dotyczy każdej tabeli w tej dziedzinie. Meta podaje dla Muse Spark 1.1 wynik 76,2 w Terminal-Bench 2.1, podczas gdy publiczna tabela liderów tbench.ai zawiera zweryfikowane 80,0 dla tego samego modelu. Różnica polega na tym, że wiersz to nie model — to model plus środowisko testowe plus ustawienie poziomu wysiłku. Jeśli między dwoma raportami dotyczącymi tego samego modelu może pojawić się wahnięcie o 4 punkty, to luka 6,3 punktu między dwoma systemami mierzonymi różnymi narzędziami nie jest rozstrzygającym wynikiem. Wszystkie liczby w tej sekcji są raportowane przez dostawcę.

Jeszcze jedna rzecz, o której warto pamiętać. Muse Spark 1.2 nie jest już najnowszym modelem Meta: Artificial Analysis oznacza teraz checkpoint 1.2 jako przestarzały i kieruje czytelników do Muse Spark 1.3. Muse Code został uruchomiony na wersji 1.2, a 1.2 to checkpoint, którego dotyczą wszystkie liczby w tym artykule i który nadal można wywołać.

1 mln opublikowanych wobec nieopublikowanych

Muse Spark 1.2 trafia na rynek z oknem kontekstowym o rozmiarze 1 mln tokenów, a architektura Muse Code jest zbudowana tak, by je wykorzystać — agenty zachowujące stan, trwały dziennik zdarzeń, praca trwająca godzinami. Ta kombinacja to faktyczna obietnica produktu: nie lepsza pojedyncza edycja, lecz agent, który potrafi utrzymać duże repozytorium i długie zadanie bez utraty wątku.

SWE-2 Flash nie podaje żadnego rozmiaru okna kontekstu. W przypadku modelu udostępnianego wyłącznie wewnątrz agenta ten brak jest mniej dotkliwy niż w modelu API, ponieważ Devin zarządza kontekstem w Twoim imieniu. To wciąż jednak luka: nie da się rozplanować przepływu pracy wokół budżetu, o którym nie ma się informacji.

Cennik kontra darmowy miesiąc

• Muse Spark 1.2 — 1,25 USD za milion tokenów wejściowych, 4,25 USD za milion tokenów wyjściowych. W wybranych krajach istnieje objęta zniżką warstwa dla współtwórców w zamian za wykorzystanie danych do trenowania, a wnioski o zerowe przechowywanie danych są akceptowane.

• SWE-2 Flash — brak ceny za token. Bezpłatnie w Devin do 30 listopada 2026 r., później cena nieokreślona.

Muse Code — sam agent, rozliczany na podstawie wykorzystania modelu, a nie w ramach osobnej subskrypcji — zgodnie z materiałami opublikowanymi przez Meta.

Produkt bez ceny nie jest tanim produktem; jest produktem nieznanym. Jeśli budujesz model kosztów na następny kwartał, $1.25/$4.25 to liczba, którą możesz wpisać do arkusza kalkulacyjnego, a SWE-2 Flash to znak zapytania z przypisanym terminem.

Do czego możesz dzwonić, a do czego nie możesz

W tym miejscu oba systemy rozchodzą się w sposób, który nie ma nic wspólnego z benchmarkami. SWE-2 Flash nie można wywołać. Nie ma punktu końcowego, na który można by skierować klienta, nie ma identyfikatora modelu ani daty, w której miałoby się to zmienić. Jeśli Twoja architektura wymaga modelu do kodowania dostępnego przez wywołanie HTTP, a nie wewnątrz desktopowego IDE, SWE-2 Flash po prostu nie jest kandydatem w tym miesiącu.

Muse Spark 1.2 to zupełnie inna historia. Strona Meta w tym pojedynku jest dostępna już dziś — zarówno Muse Spark 1.2, jak i 1.1 są dostępne w katalogu OrcaRouter, w cenie katalogowej dostawcy bez marży (0%), więc stawka 1,25 USD/4,25 USD podana powyżej to stawka, którą faktycznie płacisz, a nie cena reselera. Ma to znaczenie dla tej konkretnej decyzji: możesz jeszcze dziś wieczorem uruchomić Muse Spark 1.2 na własnym repozytorium i przekonać się, czy wynik 59,3 w DeepSWE odzwierciedla Twoją pracę. Nie możesz przeprowadzić równoważnego testu na SWE-2 Flash bez spędzenia miesiąca w Devinie w ramach darmowego okresu.

OrcaRouter daje też mechanizm failover, którego brakuje postawieniu na jednego dostawcę. Jeśli ustandaryzujesz rozwiązania po stronie Meta, a dostawca zacznie działać gorzej, automatyczny failover utrzyma wywołanie — i to jest praktyczna różnica między „wybraliśmy model” a „wybraliśmy łańcuch dostaw”.

Który wybrać?

Wybierz Muse Code, jeśli chcesz agenta, którym możesz sterować z terminala, z opublikowanymi ustawieniami wysiłku, trwałym dziennikiem zdarzeń, równoległymi izolowanymi drzewami roboczymi i API stojącym za modelem. Remis w DeepSWE oznacza, że nie rezygnujesz z możliwości na froncie; luka w Terminal-Bench sugeruje, że możesz tracić część pułapu — na wyniku, którego metodę możesz przynajmniej sprawdzić.

Wybierz SWE-2 Flash, jeśli jesteś użytkownikiem Devina i pytanie brzmi, czy szybszy, tańszy model w IDE, za które już płacisz, jest wystarczająco dobry dla Twoich repozytoriów. Bezpłatny okres do 30 listopada to prawdziwy test, a wynik 60.1 w DeepSWE wskazuje, że się nie skompromituje.

Żaden z tych wyborów nie daje ci pewności. Obaj dostawcy mierzyli własne systemy własnymi narzędziami testowymi, a jedyny publiczny punkt danych, który pozwala zweryfikować twierdzenie dostawcy — 80,0 tbench.ai dla Muse Spark 1.1 wobec 76,2 Meta — pokazuje, że różnica między opublikowanym wierszem a odtworzonym wynikiem może być tak duża jak różnica między dwoma produktami opisanymi w tym artykule.