SWE-2 Flash vs Muse Code: ฮาร์เนสคือสิ่งที่คุณกำลังซื้อ

วางตัวเลขสองตัวนี้เคียงข้างกัน แล้วเรื่องราวก็เล่าตัวเองได้: SWE-2 Flash ได้ 89.2 บน Terminal-Bench 2.1, Muse Code ได้ 82.9 ดังนั้นโมเดลของ Cognition จึงดีกว่าเอเจนต์ของ Meta อยู่ 6.3 คะแนน ทุกอนุประโยคในประโยคนั้นกำลังทำสิ่งที่น่ากังขา SWE-2 Flash คือโมเดลที่ให้บริการอยู่ภายใน Devin ส่วน Muse Code เป็นเอเจนต์แบบเทอร์มินัลที่สร้างขึ้นโดยมี Muse Spark 1.2 เป็นแกนกลาง ฝึกควบคู่กับมัน และค่า 82.9 ของมันวัดโดยใช้ฮาร์เนสและค่าการตั้งค่าระดับความพยายามที่กำหนดไว้ การเปรียบเทียบทั้งสองจึงเป็นการเปรียบเทียบโมเดลกับผลิตภัณฑ์ และผลิตภัณฑ์คือส่วนที่คุณจะติดตั้งจริง

นั่นไม่ได้ทำให้การเปรียบเทียบไร้ประโยชน์ มันเปลี่ยนว่าคำถามที่น่าสนใจคืออะไร ไม่ใช่โมเดลไหนได้คะแนนสูงกว่า แต่เป็นวงจรปิดสองแบบนี้ แบบไหนทำงานส่วนของคุณให้คุณได้มากกว่า ในราคาเท่าไร และเปิดเผยวิธีการมากน้อยเพียงใด

แต่ละสิ่งคืออะไรกันแน่

Muse Code คือ coding agent ตัวแรกของ Meta เปิดตัวเมื่อวันที่ 5 สิงหาคม 2026 สำหรับ macOS และ Linux โดยเป็น CLI ในหมวดเดียวกับ Claude Code หรือ Codex: มันวางแผนการเปลี่ยนแปลง แก้ไขไฟล์ รันการทดสอบ และตรวจสอบผลลัพธ์ทั่วทั้ง repository ตัวเลือกด้านการออกแบบที่ทำให้มันแตกต่างนั้นเป็นเรื่องเชิงสถาปัตยกรรมมากกว่าความสวยงามภายนอก

• เอเจนต์เบื้องหลัง — เอเจนต์แบบอะซิงโครนัสที่คงอยู่ซึ่งยังมีชีวิตอยู่ตลอดทั้งเซสชัน แทนที่จะถูกสร้างขึ้นใหม่ต่อแต่ละงาน ข้อมูลที่รวบรวมไว้ครั้งเดียวจึงไม่ต้องรวบรวมซ้ำ; หลายตัวสามารถทำงานพร้อมกันใน work tree ที่แยกจากกันโดยไม่แตะ working copy

• บันทึกเหตุการณ์ — บันทึกภายในเครื่องของการเรียกใช้โมเดล การรันเครื่องมือ การอนุมัติ และการแก้ไขทุกครั้ง ซึ่งทำให้เซสชันสามารถเล่นซ้ำได้อย่างแม่นยำและปลอดภัยต่อการรีสตาร์ตหลังเกิดข้อขัดข้อง — กลไกที่ทำให้งานที่ใช้เวลาหลายชั่วโมงอยู่รอดได้

• Skills — คำสั่งแบบ slash ที่มีมาในตัว รวมถึงขั้นตอนการวางแผน ขั้นตอนทดสอบความเครียดของแผน และขั้นตอนขับเคลื่อนเป้าหมาย

• โมเดล — Muse Spark 1.2 แบบปิดน้ำหนัก บริบทขนาด 1M โทเคน ราคา $1.25 ต่อล้านโทเคนอินพุต และ $4.25 ต่อล้านโทเคนเอาต์พุต

SWE-2 Flash ไม่ใช่เอเจนต์ แต่เป็นโมเดลที่ผ่านการฝึกต่อยอด (post-trained) จาก Inkling-Small โดยมีพารามิเตอร์รวม 276B และพารามิเตอร์ที่ใช้งาน 12B ให้บริการภายใน Devin Desktop และ Devin CLI Cognition ระบุว่าโมเดลนี้เร็วกว่า 3 เท่าและมีราคาเป็นหนึ่งในห้าของ SWE-2; เข้าใช้งานได้ฟรีถึง 30 พฤศจิกายน 2026; ไม่มี API สาธารณะ ไม่มี model ID และไม่มีไฟล์น้ำหนักที่ดาวน์โหลดได้

ดังนั้นรูปทรงที่แท้จริงของการปะทะครั้งนี้คือ ระบบปิดสองระบบ โดยแต่ละระบบจับคู่โมเดลกับฮาร์เนสที่ผู้สร้างของตนควบคุมไว้ ฝ่ายหนึ่งเปิดเผยฮาร์เนสและการตั้งค่าระดับความพยายามของตน อีกฝ่ายไม่เปิดเผย

แถว DeepSWE ที่ระบุว่าพวกเขาเสมอกัน

DeepSWE 1.1 เป็นเบนช์มาร์กเดียวที่ทั้งสองรายงานกล่าวถึง ซึ่งไม่มีฝ่ายใดต้องฝืนนิยามของงานเลย SWE-2 Flash: 60.1 Muse Spark 1.2 ใน Muse Code: 59.3 ห่างกันแปดในสิบของคะแนน

นั่นไม่ใช่ช่องว่าง แต่เป็นคะแนนเดียวกันที่ถูกรายงานสองครั้ง และข้อเท็จจริงที่น่าสนใจกว่าคือระบบทั้งสองมาถึงจุดนั้นจากทิศทางที่ตรงกันข้าม โมเดลของ Meta เป็นโมเดลเรือธงเอนกประสงค์ที่มีคอนเท็กซ์ 1M และมีโปรไฟล์การใช้เครื่องมือที่กว้าง ส่วนโมเดลของ Cognition เป็นการ post-train โมเดลฐานแบบ open-weight ที่มีพารามิเตอร์ active 12B ซึ่งถูกปรับแต่งอย่างชัดเจนสำหรับปลายล่างด้านราคาของตลาดเอเจนต์ การมาบรรจบกันที่ DeepSWE ถือเป็นผลลัพธ์ที่แข็งแกร่งกว่าสำหรับสถาปัตยกรรมที่ถูกกว่าเมื่อเทียบกับสิ่งที่ตารางดิบบ่งชี้

บน Terminal-Bench 2.1 ช่องว่างนั้นใหญ่กว่า — 89.2 ถึง 82.9 — และตรงนี้เองที่ความไม่สมมาตรด้านระเบียบวิธีวิจัยส่งผลกระทบ Meta ระบุว่าตัวเลขของตนได้มาจากการทำงานที่ความพยายามระดับ xhigh ภายในฮาร์เนส Muse Code ที่ผ่านการฝึกฝนร่วมกัน ในแซนด์บ็อกซ์ Daytona แบบแยกเดี่ยว โดยใช้ pass@1 ที่เฉลี่ยจากการพยายามห้าครั้ง Cognition ไม่ได้ระบุสิ่งใดในนั้นเลย โพสต์เดือนกันยายนของบริษัทสำหรับ SWE-2 มีภาคผนวกด้านระเบียบวิธีวิจัย ส่วนโพสต์วันที่ 4 พฤศจิกายนสำหรับ SWE-2 Flash ไม่มี

ยังมีคำเตือนอยู่ในตัวเลขของ Meta เองที่ใช้ได้กับทุกตารางในพื้นที่นี้ Meta รายงานว่า Muse Spark 1.1 ได้ 76.2 ใน Terminal-Bench 2.1 ขณะที่ลีดเดอร์บอร์ดสาธารณะ tbench.ai มีคะแนนที่ได้รับการยืนยัน 80.0 สำหรับโมเดลเดียวกัน ความแตกต่างคือแถวหนึ่งไม่ใช่โมเดล — แต่เป็นโมเดล บวกฮาร์เนส บวกการตั้งค่าระดับความพยายาม หากส่วนต่าง 4 คะแนนสามารถเกิดขึ้นได้ระหว่างรายงานสองฉบับของโมเดลเดียวกัน ช่องว่าง 6.3 คะแนนระหว่างระบบสองระบบที่วัดด้วยเครื่องมือต่างกันก็ไม่ใช่ผลลัพธ์ที่ชี้ขาด ตัวเลขทั้งหมดในส่วนนี้เป็นการรายงานโดยผู้ขายเอง

อีกเรื่องหนึ่งที่ควรคำนึงไว้ Muse Spark 1.2 ไม่ใช่โมเดลใหม่ล่าสุดที่ Meta มีแล้วอีกต่อไป ตอนนี้ Artificial Analysis ระบุว่า checkpoint 1.2 เลิกใช้งานแล้ว และชี้แนะผู้อ่านไปยัง Muse Spark 1.3 Muse Code เปิดตัวบน 1.2 และ 1.2 คือ checkpoint ที่ตัวเลขทุกตัวในบทความนี้อธิบายถึง และเป็นตัวที่ยังเรียกใช้งานได้อยู่

บริบท: 1M ที่เผยแพร่แล้วเทียบกับที่ยังไม่เผยแพร่

Muse Spark 1.2 มาพร้อมหน้าต่างบริบทขนาด 1M โทเคน และสถาปัตยกรรมของ Muse Code ก็ถูกออกแบบมาเพื่อใช้มันอย่างเต็มที่ — เอเจนต์ที่คงสถานะอยู่ได้ บันทึกเหตุการณ์ที่คงทนถาวร และงานที่ดำเนินต่อเนื่องได้หลายชั่วโมง การผสานกันนี้คือจุดขายที่แท้จริงของผลิตภัณฑ์ ไม่ใช่แค่การแก้ไขโค้ดครั้งเดียวที่ดีขึ้น แต่เป็นเอเจนต์ที่สามารถถือครองรีโพซิทอรีขนาดใหญ่และงานที่ยาวนานได้โดยไม่หลุดประเด็น

SWE-2 Flash ไม่ได้เปิดเผยหน้าต่างบริบทเลย สำหรับโมเดลที่ให้บริการผ่านเอเจนต์เท่านั้น การละเว้นข้อมูลนี้สร้างความเสียหายได้น้อยกว่ากรณีของโมเดล API เพราะ Devin จัดการบริบทแทนคุณ แต่ก็ยังเป็นการละเว้นอยู่ดี คุณไม่สามารถกำหนดขนาดเวิร์กโฟลว์ให้สอดคล้องกับงบประมาณที่คุณไม่ได้รับแจ้งได้

เรทการ์ดเทียบกับหนึ่งเดือนฟรี

• Muse Spark 1.2 — 1.25 ดอลลาร์ต่อโทเค็นอินพุต 1 ล้านโทเค็น, 4.25 ดอลลาร์ต่อโทเค็นเอาต์พุต 1 ล้านโทเค็น มีระดับผู้ร่วมสมทบแบบส่วนลดในบางประเทศ โดยแลกกับการใช้ข้อมูลเพื่อการฝึกโมเดล และรับคำขอแบบไม่เก็บข้อมูล (zero-data-retention)

• SWE-2 Flash — ไม่มีราคาต่อโทเค็น ฟรีภายใน Devin ถึงวันที่ 30 พฤศจิกายน 2026 จากนั้นจะไม่ระบุ

• Muse Code — ตัวเอเจนต์เอง ซึ่งคิดค่าบริการตามการใช้งานโมเดลแทนการสมัครสมาชิกแยก ตามที่ระบุในเอกสารที่ Meta เผยแพร่

สินค้าที่ไม่มีราคาไม่ใช่สินค้าที่ถูก แต่เป็นสินค้าที่ไม่รู้จัก หากคุณกำลังสร้างแบบจำลองต้นทุนสำหรับไตรมาสหน้า $1.25/$4.25 คือตัวเลขที่คุณใส่ลงในสเปรดชีตได้ ส่วน SWE-2 Flash คือเครื่องหมายคำถามที่ผูกกับกำหนดส่ง

สิ่งที่คุณโทรได้ และสิ่งที่คุณโทรไม่ได้

ตรงนี้ระบบทั้งสองแยกจากกันในลักษณะที่ไม่เกี่ยวกับ benchmark เลย SWE-2 Flash เรียกใช้งานไม่ได้ ไม่มี endpoint ให้ไคลเอนต์ชี้ไป ไม่มี model ID และไม่มีวันที่สิ่งนั้นจะเปลี่ยน หากสถาปัตยกรรมของคุณต้องการโมเดลเขียนโค้ดที่อยู่เบื้องหลังการเรียกผ่าน HTTP แทนที่จะอยู่ใน IDE บนเดสก์ท็อป SWE-2 Flash ก็ไม่ใช่ตัวเลือกในเดือนนี้เลย

Muse Spark 1.2 เป็นอีกเรื่องหนึ่ง ฝั่ง Meta ของการเปรียบเทียบนี้เรียกใช้งานได้แล้ววันนี้ — ทั้ง Muse Spark 1.2 และ 1.1 พร้อมใช้งานในแคตตาล็อก OrcaRouter ในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกเพิ่ม 0% ดังนั้นอัตรา $1.25/$4.25 ข้างต้นคืออัตราที่คุณจ่ายจริง ไม่ใช่ตัวเลขจากผู้ขายต่อ สิ่งนี้สำคัญสำหรับการตัดสินใจเฉพาะครั้งนี้: คุณสามารถรัน Muse Spark 1.2 กับ repository ของคุณเองได้คืนนี้ และดูว่า 59.3 บน DeepSWE สะท้อนงานของคุณหรือไม่ คุณไม่สามารถรันการทดสอบที่เทียบเท่ากับ SWE-2 Flash ได้ เว้นแต่จะใช้ชีวิตอยู่ใน Devin ตลอดเดือนฟรี

OrcaRouter ยังมอบ failover ที่การเดิมพันกับผู้ขายรายเดียวไม่มีให้ หากคุณกำหนดมาตรฐานบนฝั่ง Meta และผู้ให้บริการมีประสิทธิภาพลดลง ระบบ failover อัตโนมัติจะทำให้การเรียกใช้งานยังคงดำเนินต่อไป — ซึ่งเป็นความแตกต่างในทางปฏิบัติระหว่าง "เราเลือกโมเดล" กับ "เราเลือกห่วงโซ่อุปทาน"

เลือกอันไหนดี

เลือก Muse Code หากคุณต้องการเอเจนต์ที่ขับเคลื่อนได้จากเทอร์มินัล พร้อมการตั้งค่าความพยายามที่เผยแพร่ บันทึกเหตุการณ์ที่คงทน เวิร์กทรีแยกแบบขนาน และ API ที่อยู่เบื้องหลังโมเดล การที่ DeepSWE เสมอกันบ่งบอกว่าคุณไม่ได้ลดทอนความสามารถ ณ แนวหน้า ส่วนช่องว่างของ Terminal-Bench บ่งบอกว่าคุณอาจลดเพดานลงบางส่วน ในตัวเลขที่อย่างน้อยคุณก็ตรวจสอบวิธีการได้

เลือก SWE-2 Flash หากคุณเป็นผู้ใช้ Devin และคำถามคือโมเดลที่เร็วกว่าและถูกกว่าภายใน IDE ที่คุณจ่ายเงินอยู่แล้วนั้นดีพอสำหรับรีโพซิทอรีของคุณหรือไม่ ช่วงเวลาฟรีถึงวันที่ 30 พฤศจิกายนคือการทดลองจริง และคะแนน 60.1 บน DeepSWE บอกว่ามันจะไม่ทำให้ขายหน้า

สิ่งที่ทั้งสองตัวเลือกไม่ได้ให้คุณคือความแน่นอน ผู้ขายทั้งสองวัดระบบของตนเองด้วยชุดทดสอบของตนเอง และข้อมูลสาธารณะเพียงจุดเดียวที่ช่วยให้คุณตรวจสอบข้อกล่าวอ้างของผู้ขายได้ — คะแนน 80.0 ของ tbench.ai สำหรับ Muse Spark 1.1 เทียบกับ 76.2 ของ Meta — แสดงให้เห็นว่าช่องว่างระหว่างแถวที่เผยแพร่กับแถวที่ทำซ้ำได้อาจใหญ่พอ ๆ กับช่องว่างระหว่างผลิตภัณฑ์ทั้งสองในบทความนี้