SWE-2 Flash против Muse Code: обвязка — это то, что вы покупаете

Поставьте два числа рядом — и история сложится сама собой: SWE-2 Flash с 89,2 на Terminal-Bench 2.1, Muse Code с 82,9, следовательно, модель Cognition на 6,3 балла лучше агента Meta. Каждая часть этого предложения вызывает вопросы. SWE-2 Flash — это модель, работающая внутри Devin. Muse Code — это терминальный агент, построенный вокруг Muse Spark 1.2 и обученный вместе с ним, а его 82,9 были измерены с привязанными харнессом и настройкой усилий. Сравнивать их — значит сравнивать модель с продуктом, а продукт — это именно то, что вы бы действительно установили.

Это не делает сравнение бесполезным. Оно меняет, в чём состоит интересный вопрос: не в том, какая модель набирает больше баллов, а в том, какой из двух замкнутых контуров выполняет больше вашей работы за вас, по какой цене и насколько при этом раскрыт метод.

Что на самом деле представляет собой каждая вещь

Muse Code — первый агент Meta для программирования, выпущенный 5 августа 2026 года для macOS и Linux. Это CLI в той же категории, что Claude Code или Codex: он планирует изменения, редактирует файлы, запускает тесты и проверяет результаты по всему репозиторию. Отличающие его проектные решения носят архитектурный, а не косметический характер.

• Фоновые агенты — постоянные асинхронные агенты, которые остаются активными на протяжении всей сессии, а не порождаются заново для каждой задачи, поэтому информация, собранная один раз, не собирается повторно; несколько таких агентов могут работать параллельно в изолированных рабочих деревьях, не затрагивая рабочую копию.

• Журнал событий — локальная запись каждого вызова модели, запуска инструмента, одобрения и правки, которая делает сеанс точно воспроизводимым и устойчивым к перезапуску после сбоя — механизм, благодаря которому многочасовые задачи остаются выполнимыми.

• Skills — встроенные слэш-команды, включая шаг планирования, шаг стресс-тестирования плана и шаг, направляющий к цели.

• Модель — Muse Spark 1.2, с закрытыми весами, контекст 1 млн токенов, $1,25 за миллион входных токенов и $4,25 за миллион выходных.

SWE-2 Flash — не агент. Это модель, дообученная на основе Inkling-Small, с общим числом параметров 276 млрд и 12 млрд активных параметров, работающая внутри Devin Desktop и Devin CLI. Cognition называет её в три раза быстрее и в пять раз дешевле SWE-2; доступ бесплатный до 30 ноября 2026 года; публичного API нет, идентификатора модели нет, файла весов для скачивания нет.

Итак, реальная форма этого противостояния такова: две закрытые системы, каждая из которых сочетает модель с обвязкой, которую контролирует её создатель. Одна раскрывает свою обвязку и настройку уровня усилий. Другая — нет.

Строка DeepSWE, в которой указано, что у них равный результат

DeepSWE 1.1 — единственный бенчмарк, который присутствует в обоих отчётах и где ни одна из сторон не натягивает определение задачи. SWE-2 Flash: 60.1. Muse Spark 1.2 в составе Muse Code: 59.3. Восемь десятых пункта.

Это не разрыв. Это один и тот же показатель, приведённый дважды, и куда интереснее то, что две системы приходят к нему с противоположных направлений. Модель Meta — это универсальный флагман с контекстом 1M и широким профилем использования инструментов; модель Cognition — это дообученная (post-train) модель с 12B активных параметров на базе открытой модели с открытыми весами, явно оптимизированная под дешёвый сегмент рынка агентов. То, что обе сошлись на DeepSWE, — более сильный результат для более дешёвой архитектуры, чем предполагает исходная таблица.

На Terminal-Bench 2.1 разрыв больше — с 89.2 до 82.9 — и здесь асимметрия методологии даёт о себе знать. Meta заявляет, что её показатель был получен при усилии xhigh, внутри совместно обученной среды Muse Code, в изолированных песочницах Daytona, при этом pass@1 усреднён по пяти попыткам. Cognition ничего из этого не указывает. В её сентябрьском посте о SWE-2 было приложение по методологии; в посте от 4 ноября о SWE-2 Flash его нет.

В собственных цифрах Meta также есть предостережение, которое относится к каждой таблице в этой области. Meta сообщает, что Muse Spark 1.1 набирает 76,2 балла в Terminal-Bench 2.1, тогда как публичный лидерборд tbench.ai содержит подтверждённые 80,0 для той же модели. Разница в том, что строка — это не модель, а модель плюс harness плюс настройка усилия. Если между двумя отчётами об одной и той же модели может возникнуть колебание в 4 пункта, то разрыв в 6,3 пункта между двумя по-разному инструментированными системами не является решающим результатом. Все цифры в этом разделе приведены по данным производителей.

Ещё один момент, который стоит учитывать. Muse Spark 1.2 больше не самая новая модель Meta: Artificial Analysis теперь помечает чекпойнт 1.2 как устаревший и указывает читателям на Muse Spark 1.3. Muse Code была запущена на 1.2, и 1.2 — это чекпойнт, к которому относятся все цифры в этой статье и который по-прежнему доступен для вызова.

Контекст: 1 млн опубликованных против неопубликованных

Muse Spark 1.2 поставляется с контекстным окном на 1 млн токенов, и архитектура Muse Code построена так, чтобы использовать его — постоянные агенты, долговечный журнал событий, работа, которая длится часами. Именно в этой комбинации и заключается суть продукта: не улучшенное отдельное редактирование, а агент, способный удерживать большой репозиторий и долгую задачу, не теряя нити.

SWE-2 Flash вообще не публикует размер контекстного окна. Для модели, доступной только внутри агента, это упущение менее вредно, чем было бы для API-модели, поскольку Devin управляет контекстом за вас. Но это всё равно упущение: нельзя планировать рабочий процесс под бюджет, о котором вам не сообщают.

Тарифная карта против бесплатного месяца

• Muse Spark 1.2 — $1.25 за миллион входных токенов, $4.25 за миллион выходных. В отдельных странах действует льготный тариф для контрибьюторов в обмен на использование данных для обучения, а также принимаются запросы на нулевое хранение данных.

• SWE-2 Flash — нет цены за токен. Бесплатно в Devin до 30 ноября 2026 года, затем цена не указана.

• Muse Code — сам агент, стоимость которого, согласно опубликованным Meta материалам, рассчитывается исходя из использования моделей, а не через отдельную подписку.

Товар без цены — не дешёвый товар, а неизвестный. Если вы строите модель затрат на следующий квартал, $1.25/$4.25 — это число, которое можно вписать в таблицу, а SWE-2 Flash — знак вопроса с привязанным к нему дедлайном.

Что можно вызывать, а что — нельзя

Здесь две системы расходятся в том, что совершенно не связано с бенчмарками. {{1}}SWE-2 Flash{{/1}} невозможно вызвать. Нет эндпоинта, к которому можно направить клиент, нет идентификатора модели и нет даты, когда это изменится. Если вашей архитектуре нужна модель для программирования, доступная через HTTP-вызов, а не внутри десктопной IDE, то {{2}}SWE-2 Flash{{/2}} в этом месяце просто не является кандидатом.

Muse Spark 1.2 — совсем другая история. Сторона Meta в этом противостоянии доступна для вызова уже сегодня — и Muse Spark 1.2, и 1.1 уже доступны в каталоге OrcaRouter, по каталожной цене провайдера с наценкой 0%, так что указанный выше тариф $1.25/$4.25 — это тариф, который вы платите, а не цена реселлера. Это важно для этого конкретного решения: вы можете сегодня вечером прогнать Muse Spark 1.2 на своём собственном репозитории и выяснить, отражает ли результат 59.3 в DeepSWE вашу работу. Вы не можете провести эквивалентный тест на SWE-2 Flash, не прожив месяц внутри Devin в рамках бесплатного периода.

OrcaRouter также обеспечивает отказоустойчивость, которой не хватает ставке на одного поставщика. Если вы сделаете стандартом сторону Meta и провайдер начнёт деградировать, автоматическое аварийное переключение сохранит вызов активным — и это практическая разница между «мы выбрали модель» и «мы выбрали цепочку поставок».

Какой вариант выбрать

Выбирайте Muse Code, если вам нужен агент, которым можно управлять из терминала, с опубликованными настройками усилий, долговечным журналом событий, параллельными изолированными рабочими деревьями и API, стоящим за моделью. Равенство в DeepSWE говорит о том, что на переднем крае вы не теряете возможности; разрыв в Terminal-Bench говорит о том, что вы, возможно, теряете часть потолка — по показателю, чью методику вы по крайней мере можете проверить.

Выбирайте SWE-2 Flash, если вы пользователь Devin и вопрос в том, достаточно ли для ваших репозиториев более быстрой и дешёвой модели внутри IDE, за которую вы уже платите. Бесплатный период до 30 ноября — это настоящая пробная возможность, а результат 60,1 в DeepSWE говорит о том, что она не ударит в грязь лицом.

Ни один из вариантов не даёт вам уверенности. Оба поставщика измеряли собственные системы собственными тестовыми стендами, и единственная публичная точка данных, позволяющая проверить заявление поставщика, — 80,0 от tbench.ai для Muse Spark 1.1 против 76,2 у Meta — показывает, что разрыв между опубликованной строкой и воспроизведённой может быть таким же большим, как разрыв между двумя продуктами в этой статье.