SWE-2 Flash vs AesCode 32B: две модели, одно слово, ни одного общего бенчмарка

Этот вопрос рано или поздно возникает в каждом обсуждении, посвящённом сравнению {{1}}моделей для кодирования{{/1}}: что лучше — SWE-2 Flash или AesCode 32B? Честный ответ: они вообще не конкурируют, а то, что обе относят к {{2}}генерации кода{{/2}}, — это проблема классификации, а не критерий выбора при покупке. SWE-2 Flash, выпущенная Cognition 4 ноября 2026 года, — это агентная модель для программной инженерии: она читает репозиторий, планирует изменение, запускает инструменты и редактирует файлы. AesCode 32B, опубликованная Microsoft в октябре 2026 года, — это модель для эстетического кода: она принимает спецификацию и выдаёт HTML и CSS для слайдов, постеров, дашбордов и инфографики. Одна закрывает тикеты. Другая создаёт вещи, которые выглядят как результат работы дизайнера.

Это различие важнее, чем таблица бенчмарков, потому что выбрать не то — это не вопрос нескольких баллов, а вопрос того, что у модели вообще нет механизма для выполнения этой задачи.

Для чего на самом деле предназначен AesCode 32B

AesCode 32B — это визуально-языковая модель с 33,4 млрд параметров, построенная на Qwen3-VL-32B-Instruct и выпущенная под лицензией Apache 2.0 с контекстным окном в 32 000 токенов. Она поставляется в вариантах 8B и 32B и была представлена вместе со статьёй «AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards», в которой описывается подход к обучению: отдельные сигналы вознаграждения за программную корректность и за визуальное качество, чтобы модель не была вынуждена жертвовать одним ради другого.

Подразумеваемый вход — дизайн-бриф. Подразумеваемый выход — разметка, которая рендерится. Собственные примеры Microsoft — это инфографика, слайды, постеры и дашборды — артефакты, у которых условие прохождения частично механическое (правильные ли числа в таблице, кодирует ли диаграмма нужный ряд?) и частично перцептивное (выглядит ли это так, будто это спроектировал человек?).

• Параметры — 33,4 млрд, визуально-языковая модель, Apache 2.0

• Контекст — 32 000 токенов

• Результат — артефакты HTML/CSS; без shell, без обхода репозитория, без выполнения тестов в отчётной оценке.

• Объём памяти — примерно 65 ГБ при BF16, меньше при FP8

Что означает и что не означает его 85.89

Ключевой результат AesCode — общий балл 85,89 на бенчмарке по инфографике из 300 примеров, который авторы создали для статьи. Он раскладывается на 94,33 балла за проверки по правилам (текст, границы, таблицы и диаграммы) и 77,44 за визуальное качество, где визуально-языковая модель-судья оценивает содержание, компоновку и стиль. На том же бенчмарке базовая модель Qwen3-VL-32B набирает 48,61 в целом, так что дообучение делает огромную работу: плюс 22,4 балла только в визуальной части.

Для контекста: в статье сообщается, что GPT-5.5 показывает 81,28 в целом, а Claude Opus 4.8 — 80,39 на тех же 300 экземплярах. Это сильные показатели, рядом с которыми стоит смотреть, и они же — причина внимательно читать таблицу: это специализированный бенчмарк по инфографике, а не общий индекс возможностей. Каждая цифра в этом абзаце заявлена вендором и не была независимо воспроизведена. Здесь нет рейтинга арены и нет сторонних повторных прогонов.

Типы ошибок, которые документ всё же раскрывает, полезнее, чем заголовочный показатель. Переполнение Canvas повторяется примерно в 4,3% генераций — это значительно лучше 34,7% у GPT-5.5 и реальный выигрыш, — но нарушенные реляционные структуры появляются в 23,9% выходных данных, а искажённые иконки или семантически неверные элементы — в 23,3%. Стиль остаётся общим узким местом: ни одна модель в сравнении не преодолевает 60% по этой подоценке. Если вы генерируете продакшен-дашборды, вероятность один к четырём получить нарушенную реляционную структуру — это то число, которое должно определять ваш процесс проверки, а не 85,89.

Что сообщает SWE-2 Flash — и почему ничего из этого не пересекается

SWE-2 Flash приводит восемь строк, и все они относятся к агентным оценкам или оценкам безопасности: 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 и ExploitBench — 34.8. Каждый показатель — собственная цифра Cognition, полученная на стенде, который в анонсе запуска не назван.

Строки визуального качества нет. Нет оценки компоновки, нет проверки рендеринга, нет судьи дизайна. В чём бы ни был хорош {{1}}SWE-2 Flash{{/1}}, его не измеряли по оси, вокруг которой был построен {{2}}AesCode{{/2}}, а {{3}}AesCode{{/3}} никогда не измеряли по оси агентной разработки ПО. У этих двух таблиц общий только заголовок столбца — и ничего больше.

То же верно и в отношении практических входных данных. {{1}}SWE-2 Flash{{/1}} работает внутри Devin Desktop и Devin CLI, бесплатно до 30 ноября 2026 года, без API, без идентификатора модели и без опубликованного контекстного окна. {{2}}AesCode 32B{{/2}} работает везде, где можно загрузить 65 ГБ весов, или у любого провайдера инференса, который его обслуживает, с опубликованным контекстом в 32 000 токенов и лицензией Apache 2.0. Один — это продукт, на который вы подписываетесь и который не можете изучить. Другой — артефакт, который можно скачать и квантовать.

Узкое место, где они встречаются

Есть одно реальное пересечение, и его стоит назвать, потому что именно здесь команды на самом деле ошибаются. Если ваш агент создаёт вывод для пользователя — страницу отчёта, дашборд статуса, сгенерированный слайд — то где-то в этом конвейере модель должна решить, каким будет макет. Модель для редактирования репозиториев с радостью выдаст HTML, который работает и выглядит как в 2009 году. Модель для дизайна с радостью выдаст красивый дашборд с неверными числами, потому что у неё нет доступа к вашему набору тестов или слою данных.

Это конвейер с двумя задачами, а не сравнение с одним победителем. Настоящее решение — будет ли этап дизайна отдельным вызовом с собственной моделью и собственным контрольным этапом проверки, или вы согласитесь на посредственную компоновку от одной универсальной модели. Команды, которым важен визуальный результат, в итоге разделяют этот этап; команды, которым это не важно, вообще не должны покупать модель для дизайна.

Стоимость, доступ и на что вы действительно потратите деньги

• AesCode 32B — открытые веса под лицензией Apache 2.0, поэтому предельные затраты — это стоимость вашего GPU или тариф вашего провайдера за токен; без подписки у вендора.

• SWE-2 Flash — бесплатно в Devin до 30 ноября 2026 года, затем цена не указана, поскольку при запуске Cognition не опубликовала стоимость за токен.

• Скрытая стоимость AesCode — этап проверки. Доля отказов по реляционной структуре в 23,9% означает необходимость человеческой или программной проверки каждого артефакта.

• Скрытая стоимость SWE-2 Flash — привязка. Нет запасного эндпоинта, на который можно переключиться, если бесплатное окно закроется на условиях, которые вам не понравятся.

Ни одну из этих моделей сегодня нельзя вызвать через OrcaRouter: у SWE-2 Flash вообще нет эндпоинта, а AesCode 32B отсутствует в каталоге. Но сравнение всё же свидетельствует о том, как должен быть устроен слой маршрутизации вокруг этого. OrcaRouter делает доступными более 200 моделей за одним ключом, а его DSL маршрутизации позволяет закрепить разные модели за разными шагами одного составного вызова — что в точности соответствует описанному выше разделению «этап дизайна здесь, инженерный этап там». У нас вы не получите ни одну из этих двух моделей. Вы получаете единое место, куда можно поместить любую пару, которую в итоге выберете, и автоматическое переключение при сбое, если одна из них недоступна в 2 часа ночи.

Практическое правило

Если артефакт, который видит ваш пользователь, — это пул-реквест, то SWE-2 Flash входит в область применения, а AesCode 32B — нет. Если артефакт — это слайд, постер, дашборд или инфографика, то AesCode 32B входит в область применения, а SWE-2 Flash не может справиться с задачей — не плохо, не медленно, а вообще никак. Если нужно и то и другое, вам понадобятся два вызова и этап проверки для дизайнерского артефакта.

Полезного на деле сравнения пока не существует: никто не запускал AesCode 32B внутри агентного цикла, который может сверять собственный отрендеренный вывод с набором тестов, и никто не запускал SWE-2 Flash на бенчмарке вёрстки. Пока не произойдёт одно из этого, единственное защитимое утверждение — то самое скучное. Эти модели не взаимозаменяемы, и любая таблица, ставящая их оценки в соседние столбцы, измеряет две разные вещи одной линейкой.