SWE-2 Flash vs Muse Code: Thứ bạn đang mua chính là bộ khung

Đặt hai con số cạnh nhau và câu chuyện tự hiện ra: SWE-2 Flash đạt 89,2 trên Terminal-Bench 2.1, Muse Code đạt 82,9, vì thế mô hình của Cognition tốt hơn 6,3 điểm so với tác nhân của Meta. Mỗi mệnh đề trong câu đó đều đang làm một điều gì đó đáng ngờ. SWE-2 Flash là một mô hình được phục vụ bên trong Devin. Muse Code là một tác nhân terminal được xây dựng quanh Muse Spark 1.2, được đồng huấn luyện với nó, và con số 82,9 của nó được đo với harness và thiết lập effort đi kèm. So sánh chúng là so sánh một mô hình với một sản phẩm, và sản phẩm mới là phần bạn thực sự sẽ cài đặt.

Điều đó không khiến việc so sánh trở nên vô dụng. Nó thay đổi câu hỏi thú vị: không phải mô hình nào đạt điểm cao hơn, mà là trong hai vòng kín, cái nào làm giúp bạn nhiều việc hơn, với mức giá nào, và tiết lộ bao nhiêu phần phương pháp.

Mỗi thứ thực sự là gì

Muse Code là coding agent đầu tiên của Meta, ra mắt ngày 5 tháng 8 năm 2026 dành cho macOS và Linux. Đây là một CLI cùng loại với Claude Code hay Codex: nó lập kế hoạch thay đổi, chỉnh sửa tệp, chạy kiểm thử và xác thực kết quả trên toàn bộ kho mã nguồn. Những lựa chọn thiết kế giúp phân biệt nó mang tính kiến trúc chứ không phải bề ngoài.

• Agent nền — những agent bất đồng bộ thường trú, tồn tại xuyên suốt một phiên làm việc thay vì được khởi tạo cho từng tác vụ, nhờ đó thông tin đã thu thập một lần sẽ không phải thu thập lại; nhiều agent có thể chạy song song trong các work tree biệt lập mà không đụng đến bản sao làm việc.

• Nhật ký sự kiện — một bản ghi cục bộ của mọi lần gọi mô hình, chạy công cụ, phê duyệt và chỉnh sửa, giúp một phiên có thể phát lại chính xác và an toàn khi khởi động lại sau sự cố — cơ chế khiến những tác vụ kéo dài nhiều giờ vẫn có thể tồn tại qua gián đoạn.

• Kỹ năng — các lệnh slash tích hợp bao gồm bước lập kế hoạch, bước kiểm tra căng thẳng kế hoạch và bước thúc đẩy mục tiêu.

• Mô hình — Muse Spark 1.2, trọng số đóng, ngữ cảnh 1 triệu token, $1.25 mỗi triệu token đầu vào và $4.25 mỗi triệu token đầu ra.

SWE-2 Flash không phải là một agent. Đây là một mô hình, được huấn luyện hậu kỳ từ Inkling-Small với tổng cộng 276B tham số và 12B tham số hoạt động, được phục vụ bên trong Devin Desktop và Devin CLI. Cognition cho biết mô hình này nhanh gấp ba lần và có giá bằng một phần năm so với SWE-2; quyền truy cập miễn phí đến hết ngày 30 tháng 11 năm 2026; không có API công khai, không có ID mô hình và không có tệp trọng số nào có thể tải xuống.

Vậy hình thái thực sự của màn so tài này là: hai hệ thống đóng, mỗi bên ghép một mô hình với một harness do chính nhà sản xuất kiểm soát. Một bên công bố harness và thiết lập mức effort của mình. Bên kia thì không.

Dòng DeepSWE ghi rằng chúng ngang nhau

DeepSWE 1.1 là benchmark duy nhất mà cả hai báo cáo cùng nêu, nơi không bên nào phải bóp méo định nghĩa của nhiệm vụ. SWE-2 Flash: 60.1. Muse Spark 1.2 trong Muse Code: 59.3. Tám phần mười điểm.

Đó không phải là một khoảng trống. Đó là cùng một điểm số được báo cáo hai lần, và điều thú vị hơn là hai hệ thống đạt tới đó từ hai hướng ngược nhau. Mô hình của Meta là một mẫu flagship đa dụng với ngữ cảnh 1M và hồ sơ sử dụng công cụ rộng; còn của Cognition là một bản hậu huấn luyện 12B hoạt động dựa trên một nền tảng trọng số mở, được tối ưu rõ ràng cho phân khúc rẻ của thị trường tác tử. Việc cùng hội tụ về DeepSWE là một kết quả mạnh mẽ hơn cho kiến trúc rẻ hơn so với những gì bảng số liệu thô cho thấy.

Trên Terminal-Bench 2.1, khoảng cách còn lớn hơn — 89,2 so với 82,9 — và ở đây, sự bất đối xứng về phương pháp luận cho thấy rõ tác động của nó. Meta nêu rằng con số của mình được tạo ra ở mức nỗ lực xhigh, bên trong khung Muse Code được đồng huấn luyện, trong các hộp cát Daytona biệt lập, với pass@1 được lấy trung bình qua năm lần thử. Cognition không nêu bất kỳ điều nào trong số đó. Bài đăng tháng 9 của họ cho SWE-2 có kèm một phụ lục phương pháp luận; bài đăng ngày 4 tháng 11 cho SWE-2 Flash thì không.

Ngay trong chính các con số của Meta cũng có một cảnh báo áp dụng cho mọi bảng trong lĩnh vực này. Meta báo cáo Muse Spark 1.1 đạt 76,2 trên Terminal-Bench 2.1, trong khi bảng xếp hạng công khai tbench.ai ghi nhận 80,0 đã được xác minh cho cùng mô hình. Khác biệt là ở chỗ một dòng không phải là một mô hình — mà là một mô hình cộng với một harness cộng với một thiết lập mức nỗ lực. Nếu có thể xuất hiện chênh lệch 4 điểm giữa hai báo cáo về cùng một mô hình, thì khoảng cách 6,3 điểm giữa hai hệ thống được trang bị công cụ khác nhau không phải là một kết quả quyết định. Tất cả các số liệu trong phần này là do nhà cung cấp báo cáo.

Một điều nữa cần lưu tâm. Muse Spark 1.2 không còn là mô hình mới nhất mà Meta sở hữu: Artificial Analysis hiện đã đánh dấu checkpoint 1.2 là không còn được khuyến nghị và hướng người đọc sang Muse Spark 1.3. Muse Code ra mắt trên 1.2, và 1.2 chính là checkpoint mà mọi con số trong bài viết này mô tả, đồng thời là bản vẫn có thể gọi được.

Ngữ cảnh: 1M đã xuất bản so với chưa xuất bản

Muse Spark 1.2 được phát hành với cửa sổ ngữ cảnh 1 triệu token, và kiến trúc của Muse Code được xây dựng để tận dụng điều đó — các agent thường trực, một nhật ký sự kiện bền vững, công việc có thể chạy hàng giờ liền. Sự kết hợp đó chính là lời chào hàng thực sự của sản phẩm: không phải một chỉnh sửa đơn lẻ tốt hơn, mà là một agent có thể nắm giữ cả một kho mã lớn và một tác vụ dài mà không bị mất mạch.

SWE-2 Flash không công bố cửa sổ ngữ cảnh nào cả. Đối với một mô hình chỉ được cung cấp bên trong một agent, việc thiếu sót này ít gây hại hơn so với một mô hình API, vì Devin quản lý ngữ cảnh thay bạn. Tuy vẫn là một thiếu sót: bạn không thể định cỡ quy trình làm việc dựa trên một ngân sách mà bạn không được thông báo.

Bảng giá so với một tháng miễn phí

• Muse Spark 1.2 — 1,25 USD mỗi triệu token đầu vào, 4,25 USD mỗi triệu token đầu ra. Có gói cộng tác viên được giảm giá tại một số quốc gia để đổi lấy việc sử dụng dữ liệu huấn luyện và các yêu cầu không lưu giữ dữ liệu đều được chấp nhận.

• SWE-2 Flash — không có giá theo token. Miễn phí trong Devin đến hết ngày 30 tháng 11 năm 2026, sau đó không được nêu cụ thể.

• Muse Code — bản thân agent, được định giá dựa trên mức sử dụng mô hình thay vì một gói đăng ký riêng, theo tài liệu mà Meta đã công bố.

Một sản phẩm không có giá không phải là sản phẩm rẻ; nó là một sản phẩm chưa biết. Nếu bạn đang xây dựng mô hình chi phí cho quý tới, $1.25/$4.25 là con số bạn có thể đưa vào bảng tính, còn SWE-2 Flash là một dấu hỏi gắn với một hạn chót.

Những gì bạn có thể gọi và những gì bạn không thể

Ở đây, hai hệ thống phân kỳ theo cách không liên quan gì đến các benchmark. Không thể gọi SWE-2 Flash. Không có endpoint nào để trỏ client tới, không có model ID, và không có ngày nào mà điều đó thay đổi. Nếu kiến trúc của bạn cần một mô hình lập trình đằng sau một lệnh gọi HTTP thay vì bên trong một IDE máy tính để bàn, thì SWE-2 Flash đơn giản không phải là ứng viên trong tháng này.

Muse Spark 1.2 là một câu chuyện khác. Phía Meta trong cuộc so tài này có thể gọi được ngay hôm nay — cả Muse Spark 1.2 và 1.1 đều đang hoạt động trong danh mục OrcaRouter, với giá niêm yết của nhà cung cấp, chênh lệch 0%, nên mức $1.25/$4.25 ở trên chính là mức bạn phải trả chứ không phải con số của nhà bán lại. Điều đó quan trọng với quyết định cụ thể này: bạn có thể chạy Muse Spark 1.2 với kho mã của riêng mình ngay tối nay và tìm ra liệu con số 59.3 trên DeepSWE có mô tả đúng công việc của bạn hay không. Bạn không thể chạy bài kiểm tra tương đương trên SWE-2 Flash mà không sống trong Devin suốt tháng miễn phí.

OrcaRouter cũng mang lại cho bạn khả năng chuyển đổi dự phòng mà một canh bạc chỉ dựa vào một nhà cung cấp duy nhất không có. Nếu bạn chuẩn hóa về phía Meta và nhà cung cấp bị suy giảm, tính năng chuyển đổi dự phòng tự động sẽ giữ cho cuộc gọi không bị gián đoạn — đó chính là khác biệt thực tế giữa "chúng tôi đã chọn một mô hình" và "chúng tôi đã chọn một chuỗi cung ứng".

Chọn cái nào?

Hãy chọn Muse Code nếu bạn muốn một agent có thể điều khiển từ terminal, với các thiết lập effort được công bố, nhật ký sự kiện bền vững, các work tree song song và tách biệt, cùng một API nằm sau mô hình. Kết quả hòa trên DeepSWE cho thấy bạn không phải từ bỏ năng lực ở vùng tiên phong; khoảng cách trên Terminal-Bench cho thấy bạn có thể đang từ bỏ phần nào đó của trần năng lực, ở một con số mà ít nhất bạn có thể kiểm tra được phương pháp của nó.

Hãy chọn SWE-2 Flash nếu bạn là người dùng Devin và câu hỏi là liệu mô hình nhanh hơn, rẻ hơn bên trong IDE mà bạn đã trả tiền có đủ tốt cho các kho mã của bạn hay không. Thời gian dùng miễn phí đến ngày 30 tháng 11 là một đợt dùng thử thực sự, và điểm 60,1 trên DeepSWE cho thấy nó sẽ không làm mất mặt.

Điều mà cả hai lựa chọn đều không mang lại cho bạn là sự chắc chắn. Cả hai nhà cung cấp đều đo hệ thống của riêng mình bằng bộ khung đo lường của riêng họ, và điểm dữ liệu công khai duy nhất cho phép bạn kiểm chứng một tuyên bố của nhà cung cấp — 80,0 của tbench.ai dành cho Muse Spark 1.1 so với 76,2 của Meta — cho thấy khoảng cách giữa một dòng đã công bố và một dòng được tái lập có thể lớn ngang khoảng cách giữa hai sản phẩm trong bài viết này.