การ์ดชื่อเรื่องสำหรับ MAI Code 2 กับ SWE-2 โดย MAI Code 2 ถูกแสดงเป็นโมเดลของ Microsoft ภายใน GitHub Copilot โดยไม่มี API ราคา $0.50 สำหรับอินพุต และ $2.50 สำหรับเอาต์พุตต่อหนึ่งล้านโทเค็น โดยไม่มีอัตราการผ่านที่เผยแพร่และไม่มีเวต ส่วน SWE-2 ถูกแสดงเป็นโมเดลของ Cognition ภายใน Devin โดยไม่มีราคาต่อโทเค็น ได้คะแนน 73.0 เปอร์เซ็นต์บน DeepSWE 1.1, 92.8 เปอร์เซ็นต์บน Terminal-Bench 2.1 และ 27.3 เปอร์เซ็นต์บน Terminal-Bench 4.0
Guides & Insights

MAI Code 2 กับ SWE-2: สองเบนช์มาร์กชุดเดียวกัน แต่มีเพียงฝ่ายเดียวเท่านั้นที่เผยแพร่

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

MAI Code 2 และ SWE-2 ระบุชื่อ benchmark เกือบจะเหมือนกันทุกประการในเอกสารเปิดตัว และมีเพียงตัวเดียวเท่านั้นที่บอกคุณว่ามันได้คะแนนเท่าไร โพสต์ของ Microsoft เมื่อวันที่ 17 พฤศจิกายน 2026 ระบุรายชื่อ DeepSWE 1.1, Terminal Bench 2.1, SWE-Atlas และ FrontierCode v1.1 แล้วรายงานเป็นอัตราส่วน: 96% ของประสิทธิภาพของ Claude Opus 5.5 ในต้นทุน 5% โพสต์ SWE-2 ของ Cognition ซึ่งเผยแพร่เมื่อวันที่ 10 กันยายน 2026 ระบุรายชื่อสอง benchmark แรกเดียวกันและพิมพ์ตัวเลขสำหรับแต่ละตัว: 73.0% บน DeepSWE 1.1, 92.8% บน Terminal-Bench 2.1, 27.3% บน Terminal-Bench 4.0 ตัวเลขตัวที่สามนั้นคือสิ่งที่ควรจดจำ เพราะเป็นฉบับที่ Microsoft ไม่ได้รายงาน — และมันแสดงให้เห็นว่าเกิดอะไรขึ้นกับโมเดลเขียนโค้ดเมื่อ benchmark ด้าน terminal ยากขึ้น

ทั้งสองโมเดลยังมีข้อจำกัดด้านการเผยแพร่ร่วมกันซึ่งทำให้ทั้งคู่ผิดปกติในกลุ่มนี้: ไม่มีโมเดลใดมี API แบบคิดตามโทเค็นสาธารณะ MAI Code 2 เข้าถึงได้โดยเลือกในไคลเอนต์ GitHub Copilot SWE-2 ทำงานภายใน Devin สองโมเดลที่คุณไม่สามารถเรียกใช้จากโค้ดของคุณเองได้ โดยหนึ่งในนั้นเผยแพร่ตัวเลขของตน

รุ่นมาตรฐานที่ไม่มีใครหยิบมาเป็นจุดนำเสนอ

ตารางของ Cognition คือชิ้นงานที่มีประโยชน์ที่สุดที่ผู้จำหน่ายทั้งสองรายได้เผยแพร่ออกมา และไม่ใช่เพราะ SWE-2 ชนะอะไรบนตารางนั้น มันมีประโยชน์เพราะมันแสดงให้เห็นโมเดลเดียวกันที่ถูกวัดบนสองฉบับของ benchmark เดียวกัน

• Terminal-Bench 2.1 — SWE-2 อยู่ที่ 92.8% เทียบกับ 91.4% ของ Claude Fable 5.1, 89.9% ของ GPT-6 Astra และ 88.3% ของ Kimi K3

• Terminal-Bench 4.0 — SWE-2 อยู่ที่ 27.3% เทียบกับ 55.8% สำหรับ Claude Fable 5.1, 57.9% สำหรับ GPT-6 Astra และ 21.5% สำหรับ Kimi K3

• DeepSWE 1.1 — SWE-2 ที่ 73.0% เทียบกับ 74.1% สำหรับ GPT-6 Astra, 72.7% สำหรับ GPT-5.6 Sol และ 67.4% สำหรับ Claude Fable 5.1

• FrontierCode 1.1 Main — SWE-2 ที่ 50.0% เทียบกับ 53.3% สำหรับ GPT-6 Astra และ 50.9% สำหรับ Claude Fable 5.1

อ่านสองบรรทัดแรกควบคู่กัน SWE-2 อยู่อันดับสองบน 2.1 และเป็นรองสุดท้ายบน 4.0 ซึ่งลดลงราว 65 คะแนน และไม่ใช่แค่ตัวเดียว: Kimi K3 ลดลง 67 คะแนนในคู่เดียวกัน โมเดลที่ยังทำได้ดีคือโมเดลที่ปรับแต่งมาเพื่องานระยะยาว นี่ไม่ใช่ความแปลกประหลาดของฮาร์เนสของแล็บใดแล็บหนึ่ง — แต่เป็นเพราะฉบับของเบนช์มาร์กยากขึ้น และนี่คือเหตุผลที่ว่า "เราได้รัน Terminal Bench 2.1" เป็นข้อกล่าวอ้างที่หนักแน่นน้อยกว่าในเดือนพฤศจิกายน 2026 เมื่อเทียบกับเดือนกันยายน

Microsoft รัน Terminal Bench 2.1 แต่ไม่ได้เผยแพร่คะแนนใด ๆ สำหรับการทดสอบนี้ Microsoft ไม่ได้เผยแพร่ข้อมูลใด ๆ เกี่ยวกับ 4.0 ข้อเท็จจริงทั้งสามนี้เมื่อรวมกันหมายความว่าผู้ซื้อไม่สามารถระบุได้ว่า MAI Code 2 เป็นโมเดลเขียนโค้ดประเภทใด: ประเภทที่ยังคงทำได้ดีเมื่องานในเทอร์มินัลยาวขึ้น หรือประเภทที่ไม่ได้เป็นเช่นนั้น

สิ่งที่ผู้ขายแต่ละรายเปิดเผยจริง ๆ

ช่องว่างด้านการเปิดเผยข้อมูลกว้างยิ่งกว่าราคาของโมเดลเสียอีก ดังนั้นจึงควรกล่าวให้ชัดเจน

Cognition เผยแพร่ตารางเจ็ดโมเดลพร้อมเบนช์มาร์กสี่รายการ ชุดการเปรียบเทียบที่ระบุไว้อย่างชัดเจน หมายเหตุว่าโมเดลคู่แข่งถูกทดสอบใน CLI ของ Cognition เองที่ความพยายามด้านการให้เหตุผลสูงสุดของแต่ละโมเดล และการเปิดเผยอย่างตรงไปตรงมาเกี่ยวกับสิ่งหนึ่งที่ถูกตัดออก: Claude Fable 5.1 ที่ความพยายามสูงสุดทำคะแนนได้ 50.3% บน FrontierCode ด้วยต้นทุน $12.83 ต่องาน ซึ่งต่ำกว่าผลลัพธ์ที่ความพยายามระดับปานกลางของตัวเอง จึงถูกตัดออกจากแผนภูมิ ผู้ขายที่บอกคุณว่าจุดข้อมูลใดถูกนำออกไปคือผู้ขายที่มอบเครื่องมือให้คุณใช้ลดความน่าเชื่อถือของตารางนั้น

Microsoft เผยแพร่ชื่อแบบทดสอบมาตรฐาน ฮาร์เนสอย่าง MSBench ซึ่งเป็นแพลตฟอร์มประเมินภายในของบริษัท ผ่าน GitHub Copilot CLI โดยปิดใช้งานเอเจนต์ย่อยและตั้งทุกโมเดลให้ใช้ความพยายามในการใช้เหตุผลสูงสุด พร้อมทั้งเผยแพร่อัตราส่วนที่แบบทดสอบมาตรฐานเหล่านั้นเฉลี่ยออกมา แต่ไม่ได้เผยแพร่อัตราการผ่านของ MAI Code 2 ในแบบทดสอบทั้งสี่รายการใดเลย ไม่ได้ระบุจำนวนพารามิเตอร์ ไม่ได้ระบุเพดานเอาต์พุต และไม่มีตารางเปรียบเทียบกับคู่แข่งที่ระบุชื่อ นอกเหนือจากอัตราส่วนสองรายการนั้น ณ วันที่ 18 พฤศจิกายน 2026 Artificial Analysis ยังไม่มีแถวข้อมูลสำหรับโมเดลนี้ จึงไม่มีข้อมูลจากบุคคลที่สามมาใช้แทนได้

หนึ่งในการเปิดเผยเหล่านี้ช่วยให้คุณทำซ้ำกระบวนการให้เหตุผลได้ ส่วนอีกอันขอให้คุณยอมรับข้อสรุป

โมเดลทั้งสองไม่ใช่เอนด์พอยต์ และนั่นทำให้การตัดสินใจซื้อเปลี่ยนไป

SWE-2 ไม่มีราคาต่อโทเคนที่เผยแพร่ต่อสาธารณะ และไม่มี API สาธารณะ โพสต์ของ Cognition ระบุว่าพร้อมใช้งานใน Devin Desktop และ CLI โดยจะทยอยเปิดให้ใช้ใน Devin Web และ Fusion ต่อไป และตัวเลขด้านค่าใช้จ่ายเดียวที่มีอยู่ในโพสต์นั้นคือต้นทุนการทดสอบ benchmark ต่องาน — เป็นตัวเลขประเภทที่คุณยกมาอ้างเพื่อแสดงว่าคู่แข่งมีราคาแพง ไม่ใช่ตัวเลขประเภทที่คุณใช้เรียกเก็บเงิน

MAI Code 2 มีตารางราคาเผยแพร่โดย GitHub: $0.50 ต่อล้านโทเค็นอินพุต, $0.025 สำหรับแคช, $2.50 เอาต์พุต, โปรโมชันถึง 17 พฤษภาคม 2027 จากนั้น $1.00 / $0.05 / $5.00 โดยไม่มี API ของตัวเอง MAI Code 2 Flash ซึ่งเป็นรุ่นน้องที่เล็กกว่า เป็นโมเดลเดียวในตระกูลที่มี API ดังกล่าว — พรีวิวแบบจำกัดการเข้าถึงใน Microsoft Foundry ผ่าน Responses API ที่เข้ากันได้กับ OpenAI

• ราคา — MAI Code 2 อยู่ที่ $0.50 / $0.025 / $2.50 ต่อล้านโทเค็น โปรโมชันถึง 17 พฤษภาคม 2027 เทียบกับ SWE-2 ที่ไม่มีราคาต่อโทเค็นเผยแพร่

• การเข้าถึง — สิทธิ์การใช้งาน GitHub Copilot ครอบคลุม Pro, Pro+, Max, Business และ Enterprise เทียบกับการสมัครสมาชิก Devin ใน Desktop และ CLI

• น้ำหนัก — ไม่กระจายไปทั้งสองด้าน

• บริบท — ไม่มีตัวเลขบริบทที่เผยแพร่สำหรับ SWE-2 เมื่อเทียบกับ 1 ล้านโทเคนบน MAI Code 2 ซึ่งมีให้ใช้เฉพาะใน Visual Studio Code และ Copilot CLI

• คะแนน benchmark ที่เผยแพร่แล้ว — ไม่มีสำหรับ MAI Code 2 เทียบกับสี่รายการสำหรับ SWE-2

• แถวดัชนีอิสระ — ไม่มีโมเดลใดมีแถวดังกล่าว

ผลลัพธ์ในทางปฏิบัติคือ การซื้อทั้งสองแบบเป็นการซื้อแบบที่นั่ง (seat) ไม่ใช่การซื้อแบบโทเคน และมีเพียงแบบเดียวเท่านั้นที่มาพร้อมมิเตอร์ที่คุณนำไปสร้างแบบจำลองได้ หากทีมการเงินของคุณต้องการต้นทุนต่อหน่วย MAI Code 2 ให้ข้อมูลนั้นแก่คุณ แต่ SWE-2 ไม่ได้ให้ หากทีมวิศวกรรมของคุณต้องการทราบว่าโมเดลปรับปรุงบนรีโพซิทอรีของคุณหรือไม่ SWE-2 ให้ตารางเปรียบเทียบแก่คุณ และ MAI Code 2 ให้ค่าอัตราส่วนแก่คุณ

Microsoft's MAI Models page announcing MAI Code 2 and Code 2 Flash under the heading 'Everyday coding at scalable prices', tagged Nov 17, 2026 and Ignite, with the MAI Code 2 model entry below it.

สิ่งที่แต่ละโมเดลถูกสร้างขึ้นมาเพื่อทำ

บรีฟของ Microsoft สำหรับ MAI Code 2 คืองานองค์กรในชีวิตประจำวัน ได้แก่ การนำโค้ดขึ้นสู่โปรดักชัน การดีบักเชิงลึก การพัฒนาหลายไฟล์ การให้เหตุผลครอบคลุมทั้งรีโป UI และแดชบอร์ด โพสต์เปิดตัวยอมรับตรงๆ ว่าโมเดลเหล่านี้ "ยังไม่ได้รับการปรับแต่งอย่างชัดเจนสำหรับปัญหาที่ยากขึ้น เช่น การวิจัยวิทยาศาสตร์พื้นฐานและงานแบบเอเจนต์ที่มีขอบเขตเวลายาวนานมาก" — ประโยคที่ดูขัดๆ เมื่ออยู่ข้างข้อกล่าวอ้าง Terminal Bench 2.1 เพราะ Terminal-Bench คือเบนช์มาร์กแบบเอเจนต์ที่มองขอบเขตเวลายาว การวางตำแหน่งของ Microsoft เองระบุว่าไม่ได้ปรับแต่งสำหรับสิ่งที่เบนช์มาร์กนั้นวัด

โจทย์ของ Cognition สำหรับ SWE-2 ไปในทิศทางตรงกันข้าม: ขั้นตอนน้อยลง, การ rollout ถูกกว่า, โมเดลที่ออกแบบร่วมกับเอเจนต์ที่รันมัน โพสต์รายงานว่าค่าเฉลี่ยขั้นตอนต่อการรันลดลงเหลือ 53 บน SWE-2 medium เทียบกับ 127 สำหรับ SWE-1.7, โดย medium มีต้นทุนต่ำกว่า SWE-1.7 ถึง 81% และค่ามัธยฐาน 18 ขั้นตอนถึงการแก้ไขจริงครั้งแรก เทียบกับ 48 สิ่งเหล่านี้เป็นข้อกล่าวอ้างเชิงวิศวกรรมเกี่ยวกับประสิทธิภาพของเอเจนต์ และมีความสำคัญต่อผู้สมัครใช้บริการ Devin มากกว่าแถวผล benchmark ใด ๆ เพราะมันกำหนดว่าภารกิจหนึ่งจะใช้โควตารายเดือนไปมากเพียงใด

ดังนั้นโมเดลทั้งสองจึงถูกปรับแต่งให้สอดคล้องกับวัตถุประสงค์ที่แตกต่างกันอีกครั้ง: ตัวหนึ่งสำหรับงานในชีวิตประจำวันภายใน IDE อีกตัวหนึ่งสำหรับจำนวนขั้นตอนภายในเอเจนต์อัตโนมัติ ทั้งสองไม่ได้เป็นเวอร์ชันที่ดีกว่าของกันและกัน

จุดที่เราเตอร์พิสูจน์คุณค่าของตน เมื่อไม่มีโมเดลใดสามารถกำหนดเส้นทางได้

ทั้ง MAI Code 2 และ SWE-2 ไม่ได้อยู่ในแค็ตตาล็อกของ OrcaRouter และไม่มีวิธีใดที่ซื่อตรงจะบอกเป็นนัยเป็นอย่างอื่นได้: ตัวหนึ่งเป็นรายการในตัวเลือกโมเดลของ Copilot ส่วนอีกตัวอยู่ใน Devin สิ่งที่เลเยอร์การกำหนดเส้นทางเปลี่ยนไม่ใช่การเข้าถึงสองตัวนั้น แต่เป็นต้นทุนในการสร้างการเปรียบเทียบ ตัวควบคุมในการประเมินใด ๆ เกี่ยวกับสองตัวนั้นต้องเป็นโมเดลที่คุณเรียกใช้และวัดผลได้ — Claude Opus 5.5, Kimi K3.1 Pro, Qwen3.8-Max, Gemini 4 Carbon — และ โมเดลเหล่านี้อยู่เบื้องหลังคีย์เดียวในราคาตามรายการของผู้ให้บริการ โดยมีมาร์กอัป 0% ดังนั้นการรันเบนช์มาร์กกับโมเดลเหล่านี้จึงคิดค่าบริการในอัตราของผู้ขายพอดี

สิ่งนี้สำคัญตรงนี้มากกว่าในการเปรียบเทียบส่วนใหญ่ เพราะคำถามที่น่าสนใจเกี่ยวกับทั้งสองโมเดลเป็นการเปรียบเทียบ: โมเดลเขียนโค้ดทั่วไปจะชนะโมเดลระดับแนวหน้าในเรื่องต้นทุนต่อการ merge บนโค้ดของคุณหรือไม่? คุณตอบคำถามนี้ไม่ได้ด้วยการอ่านตารางของผู้ขายสองตารางที่สร้างจากฮาร์เนสสองตัว คุณตอบได้ด้วยการรันโมเดลที่สามารถวัดผลได้เคียงข้างกับตัวใดตัวหนึ่งในสองตัวนี้ที่ทีมของคุณเข้าถึงได้จริง และนับงานที่เสร็จสิ้นแทนการนับโทเค็น การ failover อัตโนมัติคือสิ่งที่ทำให้การเปรียบเทียบนั้นดำเนินต่อไปได้เมื่อผู้ให้บริการจำกัดอัตราการใช้งานระหว่างการรัน และเนื่องจากราคาถูกส่งต่อในราคาตามรายการ ต้นทุนต่องานของกลุ่มควบคุมจึงไม่ถูกทำให้สูงเกินจริงโดยเลเยอร์ที่คุณใช้ในการวัด

ควรเลือกอันไหน โดยพิจารณาจากสิ่งที่คุณตรวจสอบได้

• ทีมของคุณใช้งาน Devin อยู่ และต้องการให้แต่ละ rollout มีจำนวนขั้นตอนน้อยลง — SWE-2 และตัวเลขจำนวนขั้นตอนและการลดต้นทุนในโพสต์ของ Cognition คือปัจจัยที่ใช้ตัดสินใจ

• ทีมของคุณใช้ Copilot และต้องการโทเคนราคาถูกสำหรับงานซ่อมตามปกติ — MAI Code 2 ในราคา $0.50 และ $2.50 โดยคำนวณจากอัตราเดือนพฤษภาคม 2027 ที่เพิ่มเป็นสองเท่า รวมถึงอัตราโปรโมชันด้วย

• คุณต้องอธิบายเหตุผลของตัวเลือกด้วยตัวเลข — SWE-2 เพราะมันเผยแพร่สี่รายการ ส่วนอีกโมเดลไม่เผยแพร่เลย

• คุณต้องทำงานแบบเอเจนต์ระยะยาว — ไม่ใช่ทั้งสองอย่าง เมื่อพิจารณาจากหลักฐานที่มีอยู่ Microsoft กล่าวว่าไม่ได้ปรับแต่งเพื่อสิ่งนั้น ตารางของ SWE-2 เองแสดงให้เห็นการทรุดตัว 65 จุดเมื่อ benchmark ยากขึ้น

• คุณจำเป็นต้องมีแบบจำลองต้นทุนต่อโทเคน — MAI Code 2 เนื่องจาก SWE-2 ไม่มีอัตราที่เผยแพร่สำหรับใช้สร้างแบบจำลอง

Cognition's 'Introducing SWE-2: Pushing the Pareto Frontier' post by the Cognition Team, dated 2026.09.10, with a lede reporting 50.0 percent on FrontierCode 1.1 Main, within one point of Fable 5.1 while being 64 percent cheaper, and describing RL scaled to the multi-trillion-parameter regime.

สิ่งที่ต้องจับตาคือ Microsoft จะเผยแพร่ตัวเลขที่ทำให้การเปรียบเทียบนี้เป็นจริงสักครั้งหรือไม่ อัตราการผ่าน Terminal Bench 2.1 ก็เพียงพอแล้ว อัตรา Terminal Bench 4.0 จะชี้ขาดได้ เพราะนั่นคือฉบับที่ตารางของ SWE-2 เองแสดงให้เห็นว่าโมเดลเขียนโค้ดมีหน้าตาอย่างไรเมื่องานยาวขึ้น จนกว่าจะมีสักตัวหนึ่ง MAI Code 2 ก็เป็นเพียงการ์ดอัตราที่แนบคำสัญญาไว้ และ SWE-2 ก็เป็นตารางที่แนบจำนวนสเต็ปไว้ และมีเพียงหนึ่งเดียวในสองสิ่งนี้เท่านั้นที่ตรวจสอบได้จากภายนอกผู้ขาย

Scoreboard comparing MAI Code 2 and SWE-2 across six dimensions. DeepSWE 1.1 not published versus 73.0 percent, Terminal-Bench 2.1 not published versus 92.8 percent, Terminal-Bench 4.0 not published versus 27.3 percent, price $0.50 and $2.50 per million tokens versus no per-token price, weights not distributed on both, and access via GitHub Copilot versus Devin only.

การเปรียบเทียบในบทความนี้1

ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube