SWE-2 Flash vs AesCode 32B: สองโมเดล หนึ่งคำ ไม่มีเบนช์มาร์กที่ใช้ร่วมกัน

คำถามนี้จะโผล่มาในทุกกระทู้เปรียบเทียบ "โมเดลเขียนโค้ด" ในที่สุด: SWE-2 Flash หรือ AesCode 32B อันไหนดีกว่ากัน คำตอบตามจริงคือทั้งสองไม่ได้อยู่ในสนามแข่งขันเดียวกัน และการที่ทั้งคู่ถูกจัดไว้ใต้หมวด "การสร้างโค้ด" นั้นเป็นปัญหาของการจัดหมวดหมู่ มากกว่าจะเป็นข้อมูลประกอบการตัดสินใจซื้อ SWE-2 Flash ซึ่งเปิดตัวโดย Cognition เมื่อวันที่ 4 พฤศจิกายน 2026 เป็นโมเดลเอเจนต์ด้านวิศวกรรมซอฟต์แวร์: มันอ่านรีโพซิทอรี วางแผนการเปลี่ยนแปลง รันเครื่องมือ และแก้ไขไฟล์ ส่วน AesCode 32B ซึ่งเผยแพร่โดย Microsoft ในเดือนตุลาคม 2026 เป็นโมเดลโค้ดด้านสุนทรียศาสตร์: มันรับข้อกำหนดแล้วสร้าง HTML และ CSS สำหรับสไลด์ โปสเตอร์ แดชบอร์ด และอินโฟกราฟิก ตัวหนึ่งปิดตั๋วงาน อีกตัวสร้างสรรค์สิ่งที่ดูเหมือนผ่านการออกแบบ

ความแตกต่างนั้นมีค่ามากกว่าตาราง benchmark เพราะการเลือกผิดไม่ใช่เรื่องของคะแนนเพียงไม่กี่คะแนน — แต่เป็นเรื่องที่โมเดลไม่มีกลไกใดเลยที่จะทำงานนั้นได้

จริง ๆ แล้ว AesCode 32B มีไว้เพื่ออะไร

AesCode 32B เป็นโมเดลภาษาและภาพขนาด 33.4B พารามิเตอร์ สร้างบน Qwen3-VL-32B-Instruct เผยแพร่ภายใต้ Apache 2.0 พร้อมหน้าต่างบริบท 32,000 โทเค็น มีให้ใช้งานในรูปแบบ 8B และ 32B และเปิดตัวพร้อมกับบทความ "AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards" ซึ่งอธิบายแนวทางการฝึกว่าใช้สัญญาณรางวัลแยกกันสำหรับความถูกต้องเชิงโปรแกรมและสำหรับคุณภาพเชิงภาพ เพื่อไม่ให้โมเดลถูกบังคับให้แลกสิ่งหนึ่งกับอีกสิ่งหนึ่ง

อินพุตที่ตั้งใจไว้คือบรีฟการออกแบบ เอาต์พุตที่ตั้งใจไว้คือมาร์กอัปที่เรนเดอร์ได้ ตัวอย่างของ Microsoft เองได้แก่ อินโฟกราฟิก ชุดสไลด์ โปสเตอร์ และแดชบอร์ด — ชิ้นงานที่เงื่อนไขการผ่านเป็นเชิงกลไกส่วนหนึ่ง (ตารางมีตัวเลขที่ถูกต้องหรือไม่ แผนภูมิเข้ารหัสชุดข้อมูลที่ถูกต้องหรือไม่?) และเป็นเชิงการรับรู้ส่วนหนึ่ง (ดูเหมือนมนุษย์ออกแบบหรือไม่?)

• พารามิเตอร์ — 33.4B, ภาษาภาพ, Apache 2.0

• บริบท — 32,000 โทเค็น

• ผลลัพธ์ — อาร์ติแฟกต์ HTML/CSS; ไม่มีเชลล์ ไม่มีการท่องผ่านรีโป และไม่มีการรันการทดสอบในการประเมินที่รายงาน

• ขนาดหน่วยความจำ — ประมาณ 65 GB ที่ BF16 และน้อยกว่าเมื่อใช้ FP8

85.89 ของมันหมายถึงอะไร และไม่ได้หมายถึงอะไร

ผลลัพธ์เด่นของ AesCode คือคะแนนรวม 85.89 บนเบนช์มาร์กอินโฟกราฟิก 300 อินสแตนซ์ที่ผู้เขียนสร้างขึ้นสำหรับเปเปอร์นี้ ซึ่งแยกออกเป็น 94.33 สำหรับการตรวจสอบตามกฎ (ข้อความ ขอบเขต ตาราง และแผนภูมิ) และ 77.44 สำหรับคุณภาพด้านภาพ โดยตัวตัดสินแบบ vision-language จะให้คะแนนเนื้อหา เลย์เอาต์ และสไตล์ เบนช์มาร์กเดียวกันนี้ให้คะแนนแบ็กโบน Qwen3-VL-32B อยู่ที่ 48.61 โดยรวม ดังนั้น post-training จึงทำงานอย่างมหาศาล: เพิ่มขึ้น 22.4 คะแนนเฉพาะครึ่งด้านภาพเท่านั้น

เพื่อเป็นบริบท เอกสารรายงานว่า GPT-5.5 ได้ 81.28 โดยรวม และ Claude Opus 4.8 ได้ 80.39 บนชุดตัวอย่าง 300 รายการเดียวกัน ตัวเลขเหล่านี้เป็นตัวเลขที่แข็งแกร่งเมื่อนำมาวางเทียบเคียง และนี่ก็เป็นเหตุผลที่ต้องอ่านตารางอย่างรอบคอบ: นี่เป็นเบนช์มาร์กอินโฟกราฟิกที่สร้างขึ้นโดยเฉพาะ ไม่ใช่ดัชนีความสามารถทั่วไป ทุกตัวเลขในย่อหน้านั้นเป็นข้อมูลที่ผู้ขายรายงานเอง และยังไม่ได้รับการทำซ้ำอย่างเป็นอิสระ ไม่มีการจัดอันดับแบบอารีนา และไม่มีการรันซ้ำโดยบุคคลที่สาม

โหมดความล้มเหลวที่บทความเปิดเผยนั้นมีประโยชน์มากกว่าพาดหัวข่าว การล้นของ Canvas เกิดขึ้นซ้ำในราว 4.3% ของการสร้าง — ดีกว่าของ GPT-5.5 ที่ 34.7% อย่างมาก ซึ่งเป็นชัยชนะที่แท้จริง — แต่โครงสร้างความสัมพันธ์ที่เสียหายปรากฏใน 23.9% ของเอาต์พุต และไอคอนที่บิดเบี้ยวหรือองค์ประกอบที่ผิดความหมายใน 23.3% สไตล์ยังคงเป็นคอขวดร่วม: ไม่มีโมเดลใดในการเปรียบเทียบที่ทำคะแนนย่อยนั้นได้เกิน 60% หากคุณกำลังสร้างแดชบอร์ดสำหรับใช้งานจริง โอกาสหนึ่งในสี่ที่จะเกิดโครงสร้างความสัมพันธ์ที่เสียหายคือตัวเลขที่ควรขับเคลื่อนกระบวนการตรวจทานของคุณ ไม่ใช่ 85.89

สิ่งที่ SWE-2 Flash รายงาน — และเหตุใดจึงไม่มีส่วนใดทับซ้อนกันเลย

SWE-2 Flash รายงานแปดแถว ซึ่งทั้งหมดเป็นการประเมินแบบเอเจนต์หรือด้านความปลอดภัย: FrontierCode 2.0 ที่ 24.0, FrontierCode 1.1 Main ที่ 45.5, DeepSWE 1.1 ที่ 60.1, Terminal-Bench 4.0 ที่ 20.0, Terminal-Bench 2.1 ที่ 89.2, SWE-Atlas QA ที่ 50.0, SWE-Bench Pro v2 Hard ที่ 89.9 และ ExploitBench ที่ 34.8 ทุกตัวเลขเป็นตัวเลขของ Cognition เอง ซึ่งรันบนฮาร์เนสที่โพสต์เปิดตัวไม่ได้ระบุชื่อ

ไม่มีแถวคุณภาพด้านภาพ ไม่มีคะแนนเลย์เอาต์ ไม่มีการตรวจสอบการเรนเดอร์ ไม่มีผู้ตัดสินด้านดีไซน์ อะไรก็ตามที่ SWE-2 Flash เก่ง สิ่งนั้นยังไม่ได้รับการวัดบนแกนที่ AesCode ถูกสร้างขึ้นมาโดยยึดเป็นหลัก และ AesCode ก็ไม่เคยถูกวัดบนแกนวิศวกรรมซอฟต์แวร์แบบเอเจนต์ิก สองตารางนี้มีเพียงหัวคอลัมน์ที่เหมือนกันเท่านั้น และไม่มีอย่างอื่นเลย

ปัจจัยนำเข้าที่ใช้จริงก็เช่นเดียวกัน {{1}}SWE-2 Flash{{/1}} ทำงานภายใน {{2}}Devin Desktop{{/2}} และ {{3}}Devin CLI{{/3}} ฟรีจนถึง 30 พฤศจิกายน 2026 โดยไม่มี API ไม่มี model ID และไม่มีหน้าต่างบริบทที่เผยแพร่ ส่วน {{4}}AesCode 32B{{/4}} ทำงานได้ทุกที่ที่คุณโหลดเวต 65 GB ได้ หรือบนผู้ให้บริการ inference รายใดก็ตามที่ให้บริการมัน โดยมีหน้าต่างบริบท 32,000 โทเคนที่เผยแพร่และสัญญาอนุญาต Apache 2.0 ตัวหนึ่งเป็นผลิตภัณฑ์ที่คุณสมัครใช้และตรวจสอบภายในไม่ได้ ส่วนอีกตัวเป็นอาร์ติแฟกต์ที่คุณดาวน์โหลดและควอนไทซ์ได้

สถานที่แคบ ๆ ที่พวกเขามาพบกัน

มีความทับซ้อนจริงอยู่หนึ่งจุด และควรระบุให้ชัดเพราะเป็นจุดที่ทีมมักทำผิดกันจริง ๆ หากเอเจนต์ของคุณสร้างเอาต์พุตที่ผู้ใช้เห็น เช่น หน้ารายงาน แดชบอร์ดสถานะ หรือสไลด์ที่สร้างขึ้น แล้ว ณ จุดใดจุดหนึ่งในไปป์ไลน์นั้น โมเดลจะต้องตัดสินใจเรื่องเลย์เอาต์ โมเดลที่แก้ไขรีโพซิทอรีจะยินดีปล่อย HTML ที่ใช้งานได้แต่หน้าตาเหมือนปี 2009 ส่วนโมเดลด้านดีไซน์จะยินดีปล่อยแดชบอร์ดที่สวยงามแต่มีตัวเลขผิดอยู่ข้างใน เพราะมันไม่สามารถเข้าถึงชุดทดสอบหรือชั้นข้อมูลของคุณได้

นั่นคือไปป์ไลน์ที่มีงานสองอย่าง ไม่ใช่การเปรียบเทียบที่หาผู้ชนะเพียงหนึ่งเดียว การตัดสินใจที่แท้จริงคือว่าจะแยกขั้นตอนการออกแบบออกมาเป็นการเรียกต่างหากที่มีโมเดลของตัวเองและมีด่านตรวจทานของตัวเอง หรือจะยอมรับเลย์เอาต์ระดับกลาง ๆ จากโมเดลทั่วไปเพียงตัวเดียว ทีมที่ใส่ใจผลลัพธ์ด้านภาพจะลงเอยด้วยการแยกขั้นตอนนี้ออกมา ส่วนทีมที่ไม่ใส่ใจก็ไม่ควรซื้อโมเดลออกแบบเลยตั้งแต่แรก

ค่าใช้จ่าย การเข้าถึง และสิ่งที่คุณจะใช้จ่ายจริง ๆ

• AesCode 32B — น้ำหนักโมเดลแบบเปิดภายใต้ Apache 2.0 ดังนั้นต้นทุนส่วนเพิ่มคือ GPU ของคุณเอง หรืออัตราค่าบริการต่อโทเค็นของผู้ให้บริการของคุณ; ไม่มีค่าสมัครสมาชิกกับผู้ขาย

• SWE-2 Flash — ฟรีภายใน Devin ถึงวันที่ 30 พฤศจิกายน 2026 จากนั้นยังไม่มีการกำหนดราคา เนื่องจาก Cognition ไม่ได้เผยแพร่อัตราต่อโทเคนเมื่อเปิดตัว

• ต้นทุนแฝงของ AesCode — ด่านการตรวจทาน อัตราความล้มเหลวของโครงสร้างความสัมพันธ์ที่ 23.9% หมายความว่าต้องมีการตรวจสอบทุกชิ้นงานโดยมนุษย์หรือโดยโปรแกรม

• ต้นทุนแฝงของ SWE-2 Flash — การล็อกให้อยู่กับผู้ให้บริการ ไม่มีเอนด์พอยต์สำรองให้ถอยกลับไปใช้ได้ หากช่วงเวลาใช้งานฟรีปิดลงด้วยเงื่อนไขที่คุณไม่พอใจ

วันนี้ไม่มีโมเดลใดในสองโมเดลนี้ที่เรียกใช้ผ่าน OrcaRouter ได้: SWE-2 Flash ไม่มี endpoint เลย และ AesCode 32B ก็ไม่อยู่ในแคตตาล็อก สิ่งที่การเปรียบเทียบนี้ยืนยันได้คือโครงสร้างของเลเยอร์การกำหนดเส้นทางที่อยู่รอบ ๆ เรื่องนี้ OrcaRouter เปิดให้เข้าถึง โมเดลมากกว่า 200 โมเดลผ่านคีย์เดียว และ DSL สำหรับการกำหนดเส้นทางของมันช่วยให้คุณผูกโมเดลต่าง ๆ เข้ากับขั้นตอนต่าง ๆ ของการเรียกแบบประกอบครั้งเดียวได้ ซึ่งก็คือการแบ่งแบบ "ขั้นตอนออกแบบตรงนี้ ขั้นตอนวิศวกรรมตรงนั้น" ตามที่อธิบายไว้ข้างต้นทุกประการ คุณจะไม่ได้รับโมเดลทั้งสองนี้จากเรา คุณจะได้สถานที่เดียวสำหรับใส่คู่โมเดลใดก็ตามที่คุณเลือกในที่สุด และการสลับไปใช้ระบบสำรองอัตโนมัติเมื่อตัวใดตัวหนึ่งไม่พร้อมใช้งานตอนตี 2

หลักการง่ายๆ

ถ้าสิ่งที่ผู้ใช้ของคุณเห็นเป็น pull request แสดงว่า SWE-2 Flash อยู่ในขอบเขต และ AesCode 32B ไม่อยู่ในขอบเขต ถ้าสิ่งนั้นเป็นสไลด์ โปสเตอร์ แดชบอร์ด หรืออินโฟกราฟิก แสดงว่า AesCode 32B อยู่ในขอบเขต และ SWE-2 Flash ทำงานนี้ไม่ได้ — ไม่ใช่ทำได้ไม่ดี ไม่ใช่ทำช้า แต่ทำไม่ได้เลย ถ้าคุณต้องการทั้งสองอย่าง คุณต้องเรียกสองครั้ง และมีจุดตรวจทานสำหรับงานด้านดีไซน์

การเปรียบเทียบที่จะมีประโยชน์จริง ๆ ยังไม่มีอยู่: ยังไม่มีใครรัน AesCode 32B ภายในลูปเอเจนต์ที่สามารถตรวจสอบเอาต์พุตที่เรนเดอร์ของตัวเองเทียบกับชุดทดสอบได้ และยังไม่มีใครรัน SWE-2 Flash บนเบนช์มาร์กด้านเลย์เอาต์ จนกว่าหนึ่งในนั้นจะเกิดขึ้น ข้อกล่าวอ้างเดียวที่ปกป้องได้ก็คือข้อที่แสนธรรมดา โมเดลเหล่านี้ไม่ใช่สิ่งทดแทนกัน และตารางใดก็ตามที่วางคะแนนของพวกมันไว้ในคอลัมน์ติดกันกำลังวัดสองสิ่งที่แตกต่างกันด้วยไม้บรรทัดเพียงอันเดียว