SWE-2 Flash vs AesCode 32B: Två modeller, ett ord, ingen gemensam benchmark

Frågan dyker förr eller senare upp i varje jämförelsetråd om "kodmodeller": vilken är bättre, SWE-2 Flash eller AesCode 32B? Det ärliga svaret är att de inte tävlar i samma kategori, och att båda sorteras under "kodgenerering" är ett taxonomiproblem snarare än ett köpbeslut. SWE-2 Flash, som släpptes av Cognition den 4 november 2026, är en agentmodell för mjukvaruutveckling: den läser ett kodförråd, planerar en ändring, kör verktyg och redigerar filer. AesCode 32B, som publicerades av Microsoft i oktober 2026, är en estetisk kodmodell: den tar en specifikation och genererar HTML och CSS för presentationsbilder, affischer, instrumentpaneler och infografik. Den ena stänger ärenden. Den andra skapar saker som ser designade ut.

Den distinktionen är värd mer än en benchmarktabell, för att välja fel handlar inte om några få poäng — det handlar om att modellen inte har någon mekanism för att utföra uppgiften alls.

Vad AesCode 32B egentligen är till för

AesCode 32B är en vision-språkmodell med 33,4 miljarder parametrar som bygger på Qwen3-VL-32B-Instruct, släppt under Apache 2.0 med ett kontextfönster på 32 000 token. Den finns i varianterna 8B och 32B och introducerades tillsammans med en artikel, "AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards", som beskriver träningsmetoden: separata belöningssignaler för programmatisk korrekthet och för visuell kvalitet, så att modellen inte tvingas offra det ena för det andra.

Den avsedda indatan är en designbrief. Den avsedda utdatan är markup som renderas. Microsofts egna exempel är infografiker, bildspel, affischer och dashboards – artefakter där godkännandevillkoret är delvis mekaniskt (har tabellen rätt siffror, kodar diagrammet rätt serie?) och delvis perceptuellt (ser det ut som att en människa har designat det?).

• Parametrar — 33,4B, vision-språk, Apache 2.0

• Kontext — 32 000 tokens

• Utdata – HTML/CSS-artefakter; inget shell, ingen genomgång av repot, ingen testkörning i den rapporterade utvärderingen

• Minnesavtryck — ungefär 65 GB vid BF16, mindre vid FP8

Vad dess 85,89 innebär och inte innebär

AesCodes huvudresultat är en totalpoäng på 85,89 i ett infografikbenchmark med 300 instanser som författarna byggde för artikeln. Det delas upp i 94,33 på regelbaserade kontroller (text, gränser, tabeller och diagram) och 77,44 på visuell kvalitet, där en vision-språklig bedömare poängsätter innehåll, layout och stil. Samma benchmark ger Qwen3-VL-32B-backbonen 48,61 totalt, så efterträningen gör ett enormt jobb: plus 22,4 poäng enbart på den visuella halvan.

För kontext rapporterar artikeln GPT-5.5 på 81,28 totalt och Claude Opus 4.8 på 80,39 på samma 300 instanser. Det är starka siffror att ställa bredvid, och de är också anledningen till att läsa tabellen noggrant: detta är ett specialbyggt benchmark för infografik, inte ett allmänt kapacitetsindex. Varje siffra i det stycket är rapporterad av leverantören och har inte reproducerats oberoende. Det finns ingen arena-rankning och ingen ny körning av tredje part.

De felmoder som artikeln faktiskt redovisar är mer användbara än rubriken. Canvas-överflöd återkommer i cirka 4,3 % av genereringarna – dramatiskt mycket bättre än GPT-5.5:s 34,7 %, vilket är en verklig vinst – men trasiga relationella strukturer förekommer i 23,9 % av utdata och förvrängda ikoner eller semantiskt felaktiga element i 23,3 %. Stilen förblir en gemensam flaskhals: ingen modell i jämförelsen klarar 60 % på den delpoängen. Om du genererar produktionsdashboards är en chans på fyra att en relationell struktur är trasig det tal som bör styra din granskningsprocess, inte 85,89.

Vad SWE-2 Flash rapporterar – och varför inget av det överlappar

SWE-2 Flash rapporterar åtta rader, samtliga agentiska eller säkerhetsinriktade utvärderingar: FrontierCode 2.0 på 24,0, FrontierCode 1.1 Main på 45,5, DeepSWE 1.1 på 60,1, Terminal-Bench 4.0 på 20,0, Terminal-Bench 2.1 på 89,2, SWE-Atlas QA på 50,0, SWE-Bench Pro v2 Hard på 89,9 och ExploitBench på 34,8. Samtliga är Cognitions egna siffror, körda i en harness som lanseringsinlägget inte namnger.

Det finns ingen rad för visuell kvalitet. Ingen layoutpoäng, ingen renderingskontroll, ingen designbedömare. Vad SWE-2 Flash än är bra på har det inte mätts på den axel som AesCode byggdes kring, och AesCode har aldrig mätts på en agentisk mjukvaruutvecklingsaxel. De två tabellerna delar en kolumnrubrik och inget annat.

Detsamma gäller de praktiska indata. SWE-2 Flash körs i Devin Desktop och Devin CLI, gratis fram till den 30 november 2026, utan API, utan modell-ID och utan publicerat kontextfönster. AesCode 32B körs varhelst du kan ladda 65 GB vikter, eller hos vilken inferensleverantör som helst som tillhandahåller den, med ett publicerat kontextfönster på 32 000 token och en Apache 2.0-licens. Den ena är en produkt du prenumererar på och inte kan granska. Den andra är en artefakt du kan ladda ner och kvantisera.

Det trånga stället där de möts

Det finns en verklig överlappning, och den är värd att sätta ord på eftersom det är där team faktiskt gör fel. Om din agent producerar användarvänd output – en rapportsida, en statusdashboard, en genererad presentationsbild – måste någonstans i den pipeline en modell besluta om layout. En modell för att redigera kodförråd kommer gladeligen att generera HTML som fungerar och ser ut som 2009. En designmodell kommer gladeligen att generera en vacker dashboard med fel siffror i, eftersom den inte har åtkomst till din testsvit eller ditt datalager.

Det är en pipeline med två jobb, inte en jämförelse med en enda vinnare. Det verkliga beslutet är huruvida designsteget är ett separat anrop med sin egen modell och sin egen granskningsgrind, eller om du accepterar en medioker layout från en enda generell modell. Team som bryr sig om det visuella resultatet delar till slut upp steget; team som inte bryr sig bör inte köpa en designmodell överhuvudtaget.

Kostnad, åtkomst och vad du faktiskt skulle lägga pengar på

• AesCode 32B — öppna vikter under Apache 2.0, så marginalkostnaden är din GPU eller din leverantörs pris per token; inget leverantörsabonnemang.

• SWE-2 Flash – gratis i Devin fram till och med 30 november 2026, därefter utan angivet pris, eftersom Cognition inte publicerade något pris per token vid lanseringen.

• Den dolda kostnaden för AesCode – granskningsgrinden. En felfrekvens på 23,9 % för relationsstruktur innebär mänsklig eller programmatisk verifiering av varje artefakt.

• Dold kostnad för SWE-2 Flash – inlåsningen. Det finns ingen slutpunkt att falla tillbaka till om det kostnadsfria fönstret stängs på villkor du inte gillar.

Ingen av dessa modeller kan anropas via OrcaRouter i dag: SWE-2 Flash har ingen endpoint alls, och AesCode 32B finns inte i katalogen. Vad jämförelsen däremot talar för är utformningen av routinglagret runt det. OrcaRouter exponerar fler än 200 modeller bakom en enda nyckel, och dess routing-DSL låter dig knyta olika modeller till olika steg i ett enda sammansatt anrop – vilket är exakt den "designsteg här, ingenjörssteg där"-uppdelning som beskrivs ovan. Du får inte någon av dessa två modeller från oss. Du får en enda plats att placera vilket par du än till slut väljer, och automatisk failover när en av dem är otillgänglig kl. 2 på natten.

Tumregeln

Om artefakten som din användare ser är en pull request ingår SWE-2 Flash i omfattningen och AesCode 32B gör det inte. Om artefakten är en bild, en affisch, en dashboard eller en infografik ingår AesCode 32B i omfattningen och SWE-2 Flash kan inte göra jobbet – inte dåligt, inte långsamt, utan inte alls. Om du behöver båda behöver du två anrop och en granskningsgrind för den designrelaterade.

Den jämförelse som faktiskt skulle vara användbar finns ännu inte: ingen har kört AesCode 32B i en agentloop som kan kontrollera sin egen renderade utdata mot en testsvit, och ingen har kört SWE-2 Flash på ett layoutbenchmark. Tills något av detta händer är det enda försvarbara påståendet det tråkiga. Dessa modeller är inte utbytbara, och varje tabell som placerar deras poäng i angränsande kolumner mäter två olika saker med en och samma linjal.