SWE-2 Flash vs AesCode 32B: Dois Modelos, Uma Palavra, Nenhum Benchmark Compartilhado

A pergunta surge, mais cedo ou mais tarde, em toda thread de comparação de "modelos de código": qual é melhor, SWE-2 Flash ou AesCode 32B? A resposta honesta é que eles não estão na mesma competição, e o fato de ambos serem classificados em "geração de código" é um problema de taxonomia, e não uma decisão de compra. O SWE-2 Flash, lançado pela Cognition em 4 de novembro de 2026, é um modelo agente de engenharia de software: ele lê um repositório, planeja uma alteração, executa ferramentas e edita arquivos. O AesCode 32B, publicado pela Microsoft em outubro de 2026, é um modelo de código estético: ele recebe uma especificação e gera HTML e CSS para slides, pôsteres, dashboards e infográficos. Um fecha tickets. O outro cria coisas que parecem ter design.

Essa distinção vale mais do que uma tabela de benchmarks, porque escolher a opção errada não é questão de alguns pontos — é questão de o modelo não ter mecanismo algum para realizar a tarefa.

Para que o AesCode 32B serve realmente

O AesCode 32B é um modelo de visão e linguagem com 33,4 bilhões de parâmetros, construído sobre o Qwen3-VL-32B-Instruct, lançado sob a licença Apache 2.0 com uma janela de contexto de 32.000 tokens. Ele é disponibilizado nas variantes de 8B e 32B e foi apresentado junto com um artigo, "AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards", que descreve a abordagem de treinamento: sinais de recompensa separados para a correção programática e para a qualidade visual, de modo que o modelo não seja forçado a sacrificar uma em detrimento da outra.

O input pretendido é um briefing de design. O output pretendido é markup que é renderizado. Os próprios exemplos da Microsoft são infográficos, apresentações de slides, cartazes e dashboards — artefactos em que a condição de aprovação é parcialmente mecânica (a tabela tem os números corretos, o gráfico codifica a série correta?) e parcialmente percetiva (parece ter sido concebido por um humano?).

• Parâmetros — 33,4B, visão-linguagem, Apache 2.0

• Contexto — 32.000 tokens

• Saída — artefatos HTML/CSS; sem shell, sem percorrer o repositório, sem execução de testes na avaliação relatada

• Pegada de memória — aproximadamente 65 GB em BF16, menos em FP8

O que seu 85,89 significa e não significa

O título principal do AesCode é uma pontuação geral de 85,89 em um benchmark de infográficos com 300 instâncias que os autores criaram para o artigo. Isso se decompõe em 94,33 nas verificações baseadas em regras (texto, limites, tabelas e gráficos) e 77,44 em qualidade visual, em que um juiz de visão e linguagem avalia conteúdo, layout e estilo. O mesmo benchmark coloca o backbone Qwen3-VL-32B em 48,61 no geral, então o pós-treinamento está fazendo um trabalho enorme: mais 22,4 pontos só na metade visual.

Para contextualizar, o artigo relata GPT-5.5 com 81,28 no geral e Claude Opus 4.8 com 80,39 nas mesmas 300 instâncias. São números fortes para se colocar ao lado, e também são o motivo para ler a tabela com atenção: este é um benchmark de infográficos criado especificamente para esse fim, não um índice de capacidade geral. Todos os números desse parágrafo são reportados pelo fornecedor e não foram reproduzidos de forma independente. Não há ranking de arena nem reexecução por terceiros.

Os modos de falha que o artigo de fato divulga são mais úteis que a manchete. O transbordamento de canvas ocorre recorrentemente em cerca de 4,3% das gerações — dramaticamente melhor que os 34,7% do GPT-5.5, o que é uma vitória real —, mas estruturas relacionais quebradas aparecem em 23,9% das saídas e ícones distorcidos ou elementos semanticamente errados em 23,3%. O estilo continua sendo um gargalo compartilhado: nenhum modelo na comparação ultrapassa 60% nessa subpontuação. Se você está gerando dashboards de produção, uma chance em quatro de estrutura relacional quebrada é o número que deve orientar seu processo de revisão, não o 85,89.

O que o SWE-2 Flash relata — e por que nada disso se sobrepõe

O SWE-2 Flash reporta oito linhas, todas elas avaliações agênticas ou de segurança: FrontierCode 2.0 com 24,0, FrontierCode 1.1 Main com 45,5, DeepSWE 1.1 com 60,1, Terminal-Bench 4.0 com 20,0, Terminal-Bench 2.1 com 89,2, SWE-Atlas QA com 50,0, SWE-Bench Pro v2 Hard com 89,9 e ExploitBench com 34,8. Cada um é um número da própria Cognition, executado em um harness que o post de lançamento não nomeia.

Não há linha de qualidade visual. Nenhuma pontuação de layout, nenhuma verificação de renderização, nenhum juiz de design. Seja lá no que o SWE-2 Flash seja bom, isso não foi medido no eixo em torno do qual o AesCode foi construído, e o AesCode nunca foi medido em um eixo de engenharia de software agêntica. As duas tabelas compartilham um cabeçalho de coluna e nada mais.

O mesmo vale para as entradas práticas. O SWE-2 Flash é executado dentro do Devin Desktop e da Devin CLI, gratuitamente até 30 de novembro de 2026, sem API, sem ID de modelo e sem janela de contexto publicada. O AesCode 32B é executado onde quer que você consiga carregar 65 GB de pesos, ou em qualquer provedor de inferência que o disponibilize, com uma janela de contexto publicada de 32.000 tokens e licença Apache 2.0. Um deles é um produto que você assina e não pode inspecionar. O outro é um artefato que você pode baixar e quantizar.

O lugar estreito onde eles se encontram

Há uma sobreposição real, e vale a pena nomeá-la porque é aí que as equipes realmente erram. Se o seu agente produz saída voltada ao usuário — uma página de relatório, um painel de status, um slide gerado —, então, em algum ponto desse pipeline, um modelo precisa decidir o layout. Um modelo de edição de repositório emitirá alegremente HTML que funciona e parece de 2009. Um modelo de design emitirá alegremente um painel bonito com os números errados, porque não tem acesso à sua suíte de testes nem à sua camada de dados.

Isso é um pipeline com dois trabalhos, não uma comparação com um único vencedor. A decisão real é se a etapa de design é uma chamada separada com seu próprio modelo e seu próprio gate de revisão, ou se você aceita um layout medíocre de um único modelo generalista. Equipes que se importam com o resultado visual acabam dividindo a etapa; equipes que não se importam não deveriam comprar um modelo de design de jeito nenhum.

Custo, acesso e quanto você realmente gastaria

• AesCode 32B — pesos abertos sob Apache 2.0, então o custo marginal é a sua GPU ou a tarifa por token do seu provedor; sem assinatura de fornecedor.

• {{1}}SWE-2 Flash{{/1}} — gratuito dentro do Devin até 30 de novembro de 2026, depois sem preço definido, porque a Cognition não publicou nenhuma tarifa por token no lançamento.

• Custo oculto do AesCode — a etapa de revisão. Uma taxa de falha de 23,9% na estrutura relacional significa verificação humana ou programática de cada artefato.

• Custo oculto do SWE-2 Flash — o lock-in. Não há endpoint para o qual recorrer se a janela gratuita fechar em condições que você não aceita.

Nenhum desses modelos pode ser chamado pelo OrcaRouter hoje: o SWE-2 Flash não tem endpoint algum, e o AesCode 32B não está no catálogo. O que a comparação de fato defende é o formato da camada de roteamento em torno disso. O OrcaRouter expõe mais de 200 modelos por trás de uma única chave, e sua DSL de roteamento permite fixar modelos diferentes em etapas diferentes de uma única chamada composta — que é exatamente a divisão "etapa de design aqui, etapa de engenharia ali" descrita acima. Você não obtém nenhum desses dois modelos conosco. Você obtém um único lugar para colocar qualquer par que acabar escolhendo, e failover automático quando um deles estiver indisponível às 2h da manhã.

A regra prática

Se o artefato que o seu usuário vê é um pull request, o SWE-2 Flash está no escopo e o AesCode 32B não está. Se o artefato é um slide, um pôster, um dashboard ou um infográfico, o AesCode 32B está no escopo e o SWE-2 Flash não consegue fazer o trabalho — não mal, não lentamente, mas de jeito nenhum. Se você precisa dos dois, você precisa de duas chamadas e um gate de revisão no de design.

A comparação que seria realmente útil ainda não existe: ninguém executou o AesCode 32B dentro de um loop de agente capaz de verificar sua própria saída renderizada em relação a uma suíte de testes, e ninguém executou o SWE-2 Flash em um benchmark de layout. Até que uma dessas coisas aconteça, a única afirmação defensável é a mais sem graça. Esses modelos não são substitutos, e qualquer tabela que coloque suas pontuações em colunas adjacentes está medindo duas coisas diferentes com uma única régua.