SWE-2 Flash so với AesCode 32B: Hai mô hình, một từ, không có benchmark chung

Câu hỏi này cuối cùng sẽ xuất hiện trong mọi luồng so sánh "mô hình lập trình": cái nào tốt hơn, SWE-2 Flash hay AesCode 32B? Câu trả lời trung thực là chúng không cùng một cuộc chơi, và việc cả hai đều bị xếp vào nhóm "sinh mã" là một vấn đề phân loại chứ không phải một quyết định mua hàng. SWE-2 Flash, được Cognition phát hành ngày 4 tháng 11 năm 2026, là một mô hình tác nhân kỹ thuật phần mềm: nó đọc một kho mã, lập kế hoạch thay đổi, chạy các công cụ và chỉnh sửa tệp. AesCode 32B, được Microsoft công bố vào tháng 10 năm 2026, là một mô hình mã thẩm mỹ: nó nhận một đặc tả và tạo ra HTML và CSS cho slide, áp phích, bảng điều khiển và đồ họa thông tin. Một bên đóng các ticket. Bên kia tạo ra những thứ trông như đã được thiết kế.

Sự phân biệt đó đáng giá hơn một bảng điểm chuẩn, bởi vì chọn sai không phải là chuyện vài điểm — mà là chuyện mô hình hoàn toàn không có cơ chế nào để làm được việc đó.

AesCode 32B thực sự dùng để làm gì

AesCode 32B là một mô hình ngôn ngữ - thị giác 33,4 tỷ tham số được xây dựng trên Qwen3-VL-32B-Instruct, phát hành theo giấy phép Apache 2.0 với cửa sổ ngữ cảnh 32.000 token. Mô hình có các biến thể 8B và 32B và được giới thiệu cùng một bài báo, “AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards”, trong đó mô tả phương pháp huấn luyện: tách riêng các tín hiệu phần thưởng cho tính đúng đắn về mặt lập trình và cho chất lượng thị giác, để mô hình không bị buộc phải đánh đổi yếu tố này lấy yếu tố kia.

Đầu vào dự kiến là một bản đề bài thiết kế. Đầu ra dự kiến là mã đánh dấu có thể kết xuất thành giao diện. Các ví dụ của chính Microsoft là đồ họa thông tin, bộ trang trình chiếu, áp phích và bảng điều khiển — những sản phẩm mà điều kiện đạt chuẩn một phần mang tính máy móc (bảng có đúng số liệu không, biểu đồ có mã hóa đúng chuỗi dữ liệu không?) và một phần mang tính cảm nhận (trông nó có giống như do con người thiết kế không?).

Tham số — 33,4B, mô hình ngôn ngữ-thị giác, Apache 2.0

• Ngữ cảnh — 32.000 token

• Đầu ra — sản phẩm HTML/CSS; không dùng shell, không duyệt repo, không chạy kiểm thử trong đánh giá được báo cáo

• Mức chiếm dụng bộ nhớ — khoảng 65 GB ở BF16, ít hơn ở FP8

85.89 của nó có nghĩa gì và không có nghĩa gì

Điểm nhấn của AesCode là điểm tổng thể 85,89 trên một bộ đánh giá infographic gồm 300 trường hợp do các tác giả xây dựng cho bài báo. Điểm này chia thành 94,33 ở các kiểm tra dựa trên quy tắc (văn bản, ranh giới, bảng và biểu đồ) và 77,44 ở chất lượng hình ảnh, nơi một giám khảo thị giác-ngôn ngữ chấm điểm nội dung, bố cục và phong cách. Cùng bộ đánh giá đó đặt backbone Qwen3-VL-32B ở mức 48,61 tổng thể, vì vậy quá trình hậu huấn luyện đang đóng vai trò cực kỳ lớn: cộng thêm 22,4 điểm chỉ riêng ở nửa phần hình ảnh.

Để cung cấp bối cảnh, bài báo cáo cho biết GPT-5.5 đạt 81.28 tổng thể và Claude Opus 4.8 đạt 80.39 trên cùng 300 mẫu. Đó là những con số mạnh để đặt cạnh nhau, và cũng chính là lý do cần đọc bảng một cách cẩn thận: đây là một benchmark infographic được xây dựng có mục đích riêng, không phải chỉ số năng lực tổng quát. Mọi con số trong đoạn đó đều do nhà cung cấp báo cáo và chưa được tái lập độc lập. Không có xếp hạng arena và không có lần chạy lại của bên thứ ba.

Những kiểu lỗi mà bài báo thực sự công bố hữu ích hơn con số tiêu đề. Lỗi tràn canvas lặp lại ở khoảng 4,3% số lần sinh — tốt hơn đáng kể so với 34,7% của GPT-5.5, một thắng lợi thực sự — nhưng cấu trúc quan hệ bị hỏng xuất hiện trong 23,9% đầu ra và biểu tượng bị biến dạng hoặc phần tử sai ngữ nghĩa trong 23,3%. Phong cách vẫn là điểm nghẽn chung: không mô hình nào trong so sánh vượt qua 60% ở điểm phụ đó. Nếu bạn đang tạo dashboard cho môi trường production, xác suất một phần tư có cấu trúc quan hệ bị hỏng mới là con số nên định hướng quy trình đánh giá của bạn, chứ không phải 85,89.

SWE-2 Flash báo cáo những gì — và tại sao không có nội dung nào trong đó bị trùng lặp

SWE-2 Flash báo cáo tám dòng, tất cả đều là đánh giá agentic hoặc bảo mật: FrontierCode 2.0 ở 24.0, FrontierCode 1.1 Main ở 45.5, DeepSWE 1.1 ở 60.1, Terminal-Bench 4.0 ở 20.0, Terminal-Bench 2.1 ở 89.2, SWE-Atlas QA ở 50.0, SWE-Bench Pro v2 Hard ở 89.9 và ExploitBench ở 34.8. Mỗi con số đều là số liệu của chính Cognition, được chạy trên một harness mà bài đăng ra mắt không nêu tên.

Không có hàng chất lượng hình ảnh nào. Không có điểm bố cục, không có kiểm tra kết xuất, không có giám định thiết kế. Dù SWE-2 Flash giỏi điều gì, nó chưa từng được đo trên trục mà AesCode được xây dựng xoay quanh, và AesCode chưa từng được đo trên trục kỹ thuật phần mềm dạng tác tử. Hai bảng chỉ chung một tiêu đề cột và không chung gì khác.

Điều tương tự cũng đúng với các đầu vào thực tế. SWE-2 Flash chạy bên trong Devin Desktop và Devin CLI, miễn phí đến ngày 30 tháng 11 năm 2026, không có API, không có ID mô hình và không có cửa sổ ngữ cảnh được công bố. AesCode 32B chạy ở bất cứ đâu bạn có thể nạp 65 GB trọng số, hoặc trên bất kỳ nhà cung cấp suy luận nào phục vụ nó, với ngữ cảnh 32.000 token được công bố và giấy phép Apache 2.0. Một cái là sản phẩm bạn đăng ký và không thể kiểm tra. Cái còn lại là một tạo tác bạn có thể tải xuống và lượng tử hóa.

Nơi chật hẹp mà chúng gặp nhau

Có một điểm trùng lặp thực sự, và đáng gọi tên vì đó chính là chỗ các đội thường làm sai. Nếu tác nhân của bạn tạo đầu ra hướng tới người dùng — một trang báo cáo, một bảng điều khiển trạng thái, một slide được tạo tự động — thì ở đâu đó trong pipeline đó, một mô hình phải quyết định bố cục. Mô hình chỉnh sửa kho mã sẽ sẵn sàng phát ra HTML chạy được và trông như từ năm 2009. Mô hình thiết kế sẽ sẵn sàng phát ra một bảng điều khiển đẹp mắt nhưng chứa số liệu sai, vì nó không có quyền truy cập vào bộ kiểm thử hay lớp dữ liệu của bạn.

Đó là một pipeline với hai công việc, không phải một phép so sánh có một bên thắng. Quyết định thực sự là liệu bước thiết kế có phải là một lời gọi riêng với mô hình riêng và cổng đánh giá riêng hay không, hay là bạn chấp nhận bố cục tầm thường từ một mô hình tổng quát duy nhất. Các nhóm quan tâm đến kết quả hình ảnh cuối cùng rốt cuộc sẽ tách bước này ra; các nhóm không quan tâm thì không nên mua mô hình thiết kế ngay từ đầu.

Chi phí, khả năng tiếp cận và số tiền bạn thực sự sẽ bỏ ra

• AesCode 32B — trọng số mở theo Apache 2.0, vì vậy chi phí biên là GPU của bạn hoặc mức giá theo token của nhà cung cấp; không có phí thuê bao nhà cung cấp.

• SWE-2 Flash — miễn phí trong Devin đến hết ngày 30 tháng 11 năm 2026, sau đó không có giá, vì Cognition không công bố mức giá theo token khi ra mắt.

• Chi phí ẩn của AesCode — cổng rà soát. Tỷ lệ thất bại về cấu trúc quan hệ là 23,9%, nghĩa là mọi sản phẩm đều phải được xác minh thủ công hoặc bằng chương trình.

• Chi phí ẩn của SWE-2 Flash — sự ràng buộc. Không có endpoint nào để chuyển sang nếu cửa sổ miễn phí đóng lại với những điều khoản bạn không thích.

Cả hai mô hình này hiện đều không thể gọi được qua OrcaRouter: SWE-2 Flash hoàn toàn không có endpoint, và AesCode 32B không có trong danh mục. Điều mà so sánh này thực sự lập luận là hình dạng của lớp định tuyến xung quanh nó. OrcaRouter cung cấp hơn 200 mô hình chỉ sau một khóa, và DSL định tuyến của nó cho phép bạn ghim các mô hình khác nhau vào các bước khác nhau của một lệnh gọi tổng hợp duy nhất — đúng với cách tách "bước thiết kế ở đây, bước kỹ thuật ở kia" được mô tả ở trên. Bạn không nhận được một trong hai mô hình này từ chúng tôi. Bạn có một nơi duy nhất để đặt bất kỳ cặp nào bạn chọn, và chuyển đổi dự phòng tự động khi một trong số chúng không khả dụng lúc 2 giờ sáng.

Quy tắc ngón tay cái

Nếu sản phẩm bàn giao mà người dùng của bạn nhìn thấy là một pull request, thì SWE-2 Flash nằm trong phạm vi và AesCode 32B thì không. Nếu sản phẩm đó là một slide, một poster, một dashboard hay một infographic, thì AesCode 32B nằm trong phạm vi và SWE-2 Flash không thể làm được việc đó — không phải làm kém, không phải làm chậm, mà là hoàn toàn không làm được. Nếu bạn cần cả hai, bạn cần hai lần gọi và một cổng đánh giá đối với phần thiết kế.

Phép so sánh thực sự hữu ích vẫn chưa tồn tại: chưa ai chạy AesCode 32B bên trong một vòng lặp agent có thể kiểm tra đầu ra được kết xuất của nó với một bộ kiểm thử, và chưa ai chạy SWE-2 Flash trên một benchmark bố cục. Cho đến khi một trong hai điều đó xảy ra, khẳng định duy nhất có thể bảo vệ được là khẳng định nhàm chán. Những mô hình này không phải là sản phẩm thay thế cho nhau, và bất kỳ bảng nào đặt điểm của chúng ở các cột liền kề đều đang đo hai thứ khác nhau bằng cùng một cây thước.