SWE-2 Flash vs Muse Code: Det är ramverket du köper

Ställ de två siffrorna sida vid sida och berättelsen skriver sig själv: SWE-2 Flash på 89,2 i Terminal-Bench 2.1, Muse Code på 82,9, alltså är Cognitions modell 6,3 poäng bättre än Metas agent. Varje satsdel i den meningen gör något tveksamt. SWE-2 Flash är en modell som serveras inuti Devin. Muse Code är en terminalagent byggd kring Muse Spark 1.2, samtränad med den, och dess 82,9 mättes med harness och effort-inställningen kopplade. Att jämföra dem är att jämföra en modell med en produkt, och produkten är den del du faktiskt skulle installera.

Det gör inte jämförelsen värdelös. Det förändrar vad den intressanta frågan är: inte vilken modell som får högre poäng, utan vilken av de två slutna looparna som utför mer av ditt arbete åt dig, till vilket pris, och med hur mycket av metoden som avslöjas.

Vad varje sak faktiskt är

Muse Code är Metas första kodagent och lanserades den 5 augusti 2026 för macOS och Linux. Det är ett CLI i samma kategori som Claude Code eller Codex: det planerar ändringar, redigerar filer, kör tester och validerar resultat i ett repository. De designval som skiljer den åt är arkitektoniska snarare än kosmetiska.

• Bakgrundsagenter – persistenta asynkrona agenter som håller sig vid liv under en hel session i stället för att startas per uppgift, så att information som samlats in en gång inte behöver samlas in igen; flera kan köra parallellt i isolerade arbetsträd utan att röra arbetskopian.

• Händelselogg — en lokal registrering av varje modellanrop, verktygskörning, godkännande och redigering, vilket gör en session exakt återspelbar och säker att starta om efter en krasch — mekanismen som gör att uppgifter som tar flera timmar kan överleva.

• Skills – inbyggda slash-kommandon, inklusive ett planeringssteg, ett steg för stresstest av planen och ett målstyrande steg.

• Modell — Muse Spark 1.2, slutna vikter, kontext på 1 miljon tokens, 1,25 USD per miljon indatatokens och 4,25 USD per miljon utdatatokens.

SWE-2 Flash är inte en agent. Det är en modell, eftertränad från Inkling-Small med 276B totalt och 12B aktiva parametrar, som serveras i Devin Desktop och Devin CLI. Cognition kallar den tre gånger snabbare och en femtedel av priset för SWE-2; åtkomsten är gratis fram till den 30 november 2026; det finns inget offentligt API, inget modell-ID och ingen nedladdningsbar viktfil.

Så den verkliga formen av den här duellen är: två slutna system, som vart och ett parar ihop en modell med ett harness som dess skapare kontrollerar. Den ena publicerar sitt harness och sin effort-inställning. Den andra gör det inte.

DeepSWE-raden som säger att de är lika

DeepSWE 1.1 är det enda benchmark som båda rapporterna redovisar där ingen av sidorna tänjer på definitionen av uppgiften. SWE-2 Flash: 60,1. Muse Spark 1.2 i Muse Code: 59,3. Åtta tiondels poäng.

Det är inte ett glapp. Det är samma poäng som rapporteras två gånger, och det mer intressanta är att de två systemen når dit från motsatta håll. Metas modell är en allmän flaggskeppsmodell med 1M kontext och en bred profil för verktygsanvändning; Cognitions är en eftertränad modell med 12B aktiva parametrar på en bas med öppna vikter, uttryckligen optimerad för den billiga änden av agentmarknaden. Att de konvergerar på DeepSWE är ett starkare resultat för den billigare arkitekturen än den råa tabellen antyder.

På Terminal-Bench 2.1 är gapet större — 89,2 till 82,9 — och här blir den metodologiska asymmetrin kännbar. Meta anger att deras siffra togs fram vid xhigh effort, i den samtränade Muse Code-harnessen, i isolerade Daytona-sandlådor, med pass@1 som medelvärde över fem försök. Cognition anger inget av detta. Deras septemberinlägg för SWE-2 innehöll en metodbilaga; inlägget den 4 november för SWE-2 Flash gör det inte.

Det finns också en varning i Metas egna siffror som gäller för varje tabell inom detta område. Meta rapporterar Muse Spark 1.1 som 76,2 på Terminal-Bench 2.1, medan den offentliga resultattavlan på tbench.ai anger verifierade 80,0 för samma modell. Skillnaden är att en rad inte är en modell – den är en modell plus ett testramverk plus en inställning för beräkningsansträngning. Om en svängning på 4 poäng kan uppstå mellan två rapporter om samma modell, är ett gap på 6,3 poäng mellan två system med olika instrumentering inte ett avgörande resultat. Alla siffror i det här avsnittet är rapporterade av leverantören.

En sak till att hålla i minnet. Muse Spark 1.2 är inte längre den nyaste modellen som Meta har: Artificial Analysis markerar nu 1.2-checkpointen som utfasad och hänvisar läsarna till Muse Spark 1.3. Muse Code lanserades på 1.2, och 1.2 är den checkpoint som varje siffra i den här artikeln beskriver och den som fortfarande går att anropa.

Kontext: 1M publicerade kontra opublicerade

Muse Spark 1.2 levereras med ett kontextfönster på 1M token, och Muse Codes arkitektur är byggd för att utnyttja det – beständiga agenter, en varaktig händelselogg, arbete som pågår i timmar. Den kombinationen är produktens egentliga säljargument: inte en bättre enskild redigering, utan en agent som kan hålla ett stort kodförråd och en lång uppgift utan att tappa tråden.

SWE-2 Flash publicerar ingen kontextfönsterstorlek alls. För en modell som endast levereras inuti en agent är denna utelämnade uppgift mindre skadlig än den skulle vara för en API-modell, eftersom Devin hanterar kontexten åt dig. Det är ändå en utelämnad uppgift: du kan inte dimensionera ett arbetsflöde kring en budget som du inte får veta.

En prislista mot en gratis månad

• Muse Spark 1.2 — 1,25 USD per miljon indatatokens, 4,25 USD per miljon utdatatokens. En rabatterad bidragsgivarnivå finns i utvalda länder i utbyte mot användning av träningsdata, och begäranden om noll datalagring accepteras.

• SWE-2 Flash — inget pris per token. Gratis i Devin till och med 30 november 2026, därefter ej specificerat.

• Muse Code — själva agenten, prissatt utifrån modellanvändning snarare än en separat prenumeration i det material som Meta har publicerat.

En produkt utan pris är inte en billig produkt; den är en okänd sådan. Om du bygger en kostnadsmodell för nästa kvartal är 1,25/4,25 dollar en siffra du kan sätta in i ett kalkylblad, medan SWE-2 Flash är ett frågetecken med en deadline hängande över sig.

Vad du kan ringa, och vad du inte kan ringa

Här skiljer sig de två systemen åt på ett sätt som inte har något med benchmarks att göra. SWE-2 Flash går inte att anropa. Det finns ingen endpoint att rikta en klient mot, inget modell-ID och inget datum då det ändras. Om din arkitektur behöver en kodningsmodell bakom ett HTTP-anrop i stället för inuti en desktop-IDE, är SWE-2 Flash helt enkelt inte en kandidat den här månaden.

Muse Spark 1.2 är en annan historia. Meta-sidan i den här duellen kan anropas idag – både Muse Spark 1.2 och 1.1 finns i OrcaRouter-katalogen, till leverantörens listpris med 0 % påslag, så priset $1.25/$4.25 ovan är det pris du betalar i stället för ett återförsäljarpris. Det spelar roll för just det här beslutet: du kan köra Muse Spark 1.2 mot ditt eget kodförråd ikväll och ta reda på om 59,3 på DeepSWE beskriver ditt arbete. Du kan inte göra motsvarande test på SWE-2 Flash utan att tillbringa gratismånaden inuti Devin.

OrcaRouter ger dig också den redundans vid fel som en satsning på en enda leverantör saknar. Om du standardiserar på Meta-sidan och leverantören försämras håller automatisk failover anropet vid liv – vilket är den praktiska skillnaden mellan "vi valde en modell" och "vi valde en leveranskedja".

Vilken ska man välja?

Välj Muse Code om du vill ha en agent som du kan driva från en terminal, med publicerade effort-inställningar, en beständig händelselogg, parallella isolerade arbetsträd och ett API bakom modellen. Det oavgjorda resultatet i DeepSWE säger att du inte ger upp kapacitet i frontlinjen; Terminal-Bench-gapet säger att du kan ge upp visst tak, på en siffra vars metod du åtminstone kan granska.

Välj SWE-2 Flash om du är Devin-användare och frågan är huruvida den snabbare, billigare modellen i IDE:t du redan betalar för är tillräckligt bra för dina repon. Den kostnadsfria perioden fram till 30 november är en riktig testperiod, och 60,1 på DeepSWE säger att den inte kommer att göra bort sig.

Det du inte får med något av alternativen är visshet. Båda leverantörerna mätte sina egna system med sina egna testramverk, och den enda offentliga datapunkt som låter dig kontrollera en leverantörs påstående – tbench.ai:s 80,0 för Muse Spark 1.1 mot Metas 76,2 – visar att gapet mellan en publicerad rad och en reproducerad sådan kan vara lika stort som gapet mellan de två produkterna i den här artikeln.