SWE-2 Flash vs Muse Code: O Harness é o que você está comprando

Coloque os dois números lado a lado e a história se escreve sozinha: SWE-2 Flash com 89,2 no Terminal-Bench 2.1, Muse Code com 82,9, portanto o modelo da Cognition é 6,3 pontos melhor que o agente da Meta. Cada oração dessa frase está fazendo algo questionável. SWE-2 Flash é um modelo servido dentro do Devin. Muse Code é um agente de terminal construído em torno do Muse Spark 1.2, co-treinado com ele, e seu 82,9 foi medido com o harness e a configuração de esforço acoplados. Compará-los é comparar um modelo a um produto, e o produto é a parte que você realmente instalaria.

Isso não torna a comparação inútil. Muda qual é a pergunta interessante: não qual modelo obtém a pontuação mais alta, mas qual dos dois ciclos fechados faz mais do seu trabalho por você, a que preço e com quanto do método divulgado.

O que cada coisa realmente é

O Muse Code é o primeiro agente de programação da Meta, lançado em 5 de agosto de 2026 para macOS e Linux. É uma CLI da mesma categoria que o Claude Code ou o Codex: planeja alterações, edita arquivos, executa testes e valida resultados em um repositório. As escolhas de design que o distinguem são arquiteturais, e não cosméticas.

• Agentes em segundo plano — agentes assíncronos persistentes que permanecem ativos ao longo de uma sessão em vez de serem criados a cada tarefa, de modo que as informações coletadas uma vez não sejam coletadas novamente; vários podem ser executados em paralelo em árvores de trabalho isoladas sem tocar na cópia de trabalho.

• Registro de eventos — um registro local de cada chamada de modelo, execução de ferramenta, aprovação e edição, que permite que uma sessão seja reproduzida exatamente e reiniciada com segurança após uma falha — o mecanismo que torna tarefas de várias horas sobrevivíveis.

• Habilidades — comandos de barra integrados, incluindo uma etapa de planejamento, uma etapa de teste de estresse do plano e uma etapa de condução de metas.

• Modelo — Muse Spark 1.2, de pesos fechados, contexto de 1 milhão de tokens, US$ 1,25 por milhão de tokens de entrada e US$ 4,25 por milhão de saída.

O SWE-2 Flash não é um agente. É um modelo, pós-treinado a partir do Inkling-Small, com 276B de parâmetros totais e 12B de parâmetros ativos, disponibilizado dentro do Devin Desktop e da Devin CLI. A Cognition diz que ele é três vezes mais rápido e custa um quinto do preço do SWE-2; o acesso é gratuito até 30 de novembro de 2026; não há API pública, nem ID de modelo, nem arquivo de pesos para download.

Então, a verdadeira forma deste confronto é: dois sistemas fechados, cada um combinando um modelo com um harness controlado pelo seu fabricante. Um divulga o seu harness e a definição de esforço. O outro, não.

A linha do DeepSWE que diz que estão empatados

O DeepSWE 1.1 é o único benchmark em que ambos os relatórios concordam e no qual nenhum dos lados está forçando a definição da tarefa. SWE-2 Flash: 60,1. Muse Spark 1.2 no Muse Code: 59,3. Oito décimos de ponto.

Isso não é uma lacuna. É a mesma pontuação relatada duas vezes, e o fato mais interessante é que os dois sistemas chegam lá por direções opostas. O modelo da Meta é um carro-chefe generalista com contexto de 1M e um perfil amplo de uso de ferramentas; o da Cognition é um pós-treino de 12B ativos de uma base de pesos abertos, explicitamente otimizado para a ponta barata do mercado de agentes. Convergir em DeepSWE é um resultado mais forte para a arquitetura mais barata do que a tabela bruta sugere.

Na Terminal-Bench 2.1, a diferença é maior — 89,2 a 82,9 — e aqui a assimetria de metodologia pesa. A Meta afirma que seu número foi produzido com esforço xhigh, dentro do harness Muse Code co-treinado, em sandboxes Daytona isolados, com pass@1 calculado como média de cinco tentativas. A Cognition não afirma nada disso. Seu post de setembro sobre o SWE-2 trazia um apêndice de metodologia; o post de 4 de novembro sobre o SWE-2 Flash não traz.

Há também um alerta dentro dos próprios números da Meta que se aplica a todas as tabelas desta área. A Meta reporta o Muse Spark 1.1 com 76,2 no Terminal-Bench 2.1, enquanto o ranking público tbench.ai traz um 80,0 verificado para o mesmo modelo. A diferença é que uma linha não é um modelo — é um modelo mais um harness mais uma configuração de esforço. Se uma variação de 4 pontos pode aparecer entre dois relatórios do mesmo modelo, uma lacuna de 6,3 pontos entre dois sistemas instrumentados de forma diferente não é um resultado decisivo. Todos os números desta seção são informados pelo fornecedor.

Mais um ponto a ter em mente. O Muse Spark 1.2 não é mais o modelo mais recente da Meta: o Artificial Analysis agora marca o checkpoint 1.2 como obsoleto e direciona os leitores para o Muse Spark 1.3. O Muse Code foi lançado no 1.2, e o 1.2 é o checkpoint ao qual todos os números deste artigo se referem e o que ainda pode ser chamado.

Contexto: 1M publicados versus não publicados

O Muse Spark 1.2 chega com uma janela de contexto de 1 milhão de tokens, e a arquitetura do Muse Code foi criada para aproveitá-la — agentes persistentes, um registro de eventos durável, trabalho que dura horas. Essa combinação é a verdadeira proposta do produto: não uma edição única melhor, mas um agente capaz de manter um grande repositório e uma tarefa longa sem perder o fio da meada.

O SWE-2 Flash não publica nenhuma janela de contexto. Para um modelo entregue apenas dentro de um agente, a omissão é menos prejudicial do que seria para um modelo de API, porque o Devin gerencia o contexto em seu nome. Ainda assim, é uma omissão: não se pode dimensionar um fluxo de trabalho com base em um orçamento que não lhe é informado.

Uma tabela de preços contra um mês grátis

• Muse Spark 1.2 — $1.25 por milhão de tokens de entrada, $4.25 por milhão de tokens de saída. Há um nível de colaborador com desconto em países selecionados em troca do uso de dados de treinamento, e solicitações de retenção zero de dados são aceitas.

• SWE-2 Flash — sem preço por token. Grátis dentro do Devin até 30 de novembro de 2026, depois não especificado.

• Muse Code — o próprio agente, com preço calculado pelo uso do modelo, e não por uma assinatura separada, conforme o material publicado pela Meta.

Um produto sem preço não é um produto barato; é um produto desconhecido. Se você está montando um modelo de custos para o próximo trimestre, $1.25/$4.25 é um número que você pode colocar numa planilha, e SWE-2 Flash é um ponto de interrogação com um prazo atrelado.

O que você pode chamar, e o que não pode

Aqui os dois sistemas divergem de uma forma que não tem nada a ver com benchmarks. O SWE-2 Flash não pode ser chamado. Não há endpoint para o qual apontar um cliente, nenhum ID de modelo e nenhuma data em que isso mude. Se sua arquitetura precisa de um modelo de codificação por trás de uma chamada HTTP, em vez de dentro de uma IDE desktop, o SWE-2 Flash simplesmente não é um candidato este mês.

O Muse Spark 1.2 é uma história diferente. O lado Meta desta comparação já está disponível hoje — tanto o Muse Spark 1.2 quanto o 1.1 estão ativos no catálogo do OrcaRouter, pelo preço de tabela do provedor com 0% de margem, então a tarifa de $1,25/$4,25 acima é a tarifa que você paga, e não um número de revendedor. Isso importa para esta decisão específica: você pode testar o Muse Spark 1.2 no seu próprio repositório hoje à noite e descobrir se o 59,3 no DeepSWE descreve o seu trabalho. Você não pode fazer o teste equivalente com o SWE-2 Flash sem ficar dentro do Devin durante o mês gratuito.

O OrcaRouter também oferece o failover que uma aposta em um único fornecedor não tem. Se você padronizar no lado da Meta e o provedor apresentar degradação, o failover automático mantém a chamada ativa — o que é a diferença prática entre "escolhemos um modelo" e "escolhemos uma cadeia de suprimentos".

Qual escolher

Escolha o Muse Code se você quiser um agente que possa controlar a partir de um terminal, com configurações de esforço publicadas, um log de eventos durável, árvores de trabalho isoladas em paralelo e uma API por trás do modelo. O empate no DeepSWE indica que você não está abrindo mão de capacidade na fronteira; a lacuna no Terminal-Bench indica que você pode estar abrindo mão de um pouco do teto, em um número cujo método você pode, ao menos, inspecionar.

Escolha o SWE-2 Flash se você for usuário do Devin e a questão for se o modelo mais rápido e mais barato dentro da IDE pela qual você já paga é bom o suficiente para seus repositórios. A janela gratuita até 30 de novembro é um teste de verdade, e 60.1 no DeepSWE indica que ele não vai fazer feio.

O que nenhuma das duas opções oferece é certeza. Ambos os fornecedores mediram os próprios sistemas com seus próprios harnesses, e o único dado público que permite verificar uma alegação de fornecedor — o 80,0 do Muse Spark 1.1 no tbench.ai contra o 76,2 da Meta — mostra que a diferença entre uma linha publicada e uma reproduzida pode ser tão grande quanto a diferença entre os dois produtos deste artigo.