SWE-2 Flash 对比 Flint v1.0：一行诚实的基准测试结果，以及大量噪声

两个小激活混合专家代码模型相隔十五天发布，都声称以旗舰成本的一小部分达到同一档性能。来自 Cognition 的 SWE-2 Flash 于 2026 年 11 月 4 日发布，总参数 276B，激活参数 12B。来自 Recursive 的 Flint v1.0 于 2026 年 10 月 21 日发布，总参数 39.8B，激活参数约 2.5B。它们是同一架构赌注在不同规模上的体现——而诚实地比较二者，就要先承认：它们公布的表格恰好只在一行上重合。

那一行是 Terminal-Bench 2.1：SWE-2 Flash 为 89.2，而 Flint v1.0 为 54.9。这是 34 个百分点的差距，是两家公司在这场对决中拿出的最强数字，但它附带两个足以改变你解读方式的重大限定条件。其他任何你可能想拿来比较的内容，要么是不同版本的基准测试，要么是同一基准测试的不同子集。

同样的押注，相反的牌照

共同的论点是：决定推理成本的是激活参数，而非总参数——因此你可以构建一个大型稀疏模型，只为实际激活的那一部分付费。Flint 在每个 token 上启用 256 个路由专家中的 6 个，外加一个共享专家，覆盖 49 层，其中 35 层是窗口为 513 个 token 的滑动窗口注意力，14 层是全注意力。SWE-2 Flash 从 Inkling-Small 基座继承了这一结构：总参数 276B，激活参数 12B，并经过后训练，其中包含一个 Cognition 此前未曾使用过的中期训练阶段。

比任何架构细节都更重要的区别在于：你可以用输出做什么：

• 权重——Flint v1.0 在 Hugging Face 上以 Apache 2.0 许可发布，提供 BF16、FP8 和量化版本。SWE-2 Flash 则完全未公开，虽承诺推出合作伙伴共享计划，但尚未说明具体细节。

• 分发方式 — Flint 可在你自有的硬件上通过 llama.cpp、Ollama、LM Studio、vLLM 和 SGLang 运行。SWE-2 Flash 仅在 Devin Desktop 和 Devin CLI 内部运行，别处无法使用。

• 价格——Flint 的边际成本就是你的 GPU。SWE-2 Flash 在 2026 年 11 月 30 日之前免费，此后未公布按 token 计费的价格。

• 上下文 — Flint 公布 262,144 个 token，可配置至约 512K。SWE-2 Flash 未公布任何内容。

这并不是立场上的细微差别。一个是你可以检查、量化、微调并在笔记本电脑上运行的制品；另一个则是附带一个月免费试用期的产品。

您可以比较的那一行

Terminal-Bench 2.1 是唯一一个两家公司都报告了同一版本成绩的基准测试。Flint 的 54.9 是通过 Terminus 2 得出的，其中 pass@1 取至少五次尝试的平均值。SWE-2 Flash 的 89.2 是在 Cognition 未具名的评测框架上、以未披露的 effort 设置得出的，出自一篇发布博文，而该博文省略了其 9 月前代产品所附的方法论附录。

所以，这 34 个百分点的差距，从两个数字都是在同一个任务集上报告的意义上说是真实的，而从一方告诉了你它是怎么达到的、另一方没有告诉你的意义上说又是模糊的。一个模型在共同设计的智能体脚手架内评分——Devin 正是如此——通常会胜过同一个模型通过通用评测框架得到的评分。Flint 的数字之所以是保守的那个，正是因为 Recursive 公开了方法。

如果你只想听一句话：在唯一共同的那一行上，SWE-2 Flash 遥遥领先，而两家公司都没有让独立第三方具备核查的能力。

两个看起来相同却实则不同的 Pro 分数

这就是这场对决中的陷阱，值得慢下来仔细想想。Recursive 报告 Flint v1.0 在 SWE-bench Pro v2 上达到 89.7。Cognition 报告 SWE-2 Flash 在 SWE-Bench Pro v2 Hard 上达到 89.9。两个数字相差 0.2 分，在你所能找到的每一份汇总里都并排出现。

它们不是同一种测量。“Hard”是一个子集——任务集经过筛选后的一个切片，而不是任务集的全部。Flint 的数字是在 mini-swe-agent 下完整运行 Pro v2 的结果，其中将通过网页检索得到的解法计为失败，这比大多数厂商采用的评分惯例更严格。把 89.9 和 89.7 并列在一起并称之为平局，正是那种会产生自信却错误结论的比较。

同样的谨慎也适用于两个表格都没有共同列出的那一行。Flint 报告 SWE-bench Verified 为 74.2。SWE-2 Flash 完全没有报告 Verified——它转而报告 Pro v2 Hard、DeepSWE 1.1 和 SWE-Atlas QA。因此，大多数团队有直观认识的那个基准对新模型不可用，这使得“Flint 在 SWE-bench 上落后”成为一项缺乏支持的断言，而不是一个发现。

上下文是起决定作用的规范

对于智能体编程而言，上下文窗口绝不是可有可无的脚注——它决定了一个模型是能在一次规划步骤中把握住仓库的相关部分，还是只能被零零碎碎地喂进去。Flint 公布了 262,144 个 token。SWE-2 Flash 什么都没公布，而且经过三天的报道，没有任何一家媒体机构证实过这一点。

Flint 的上下文本身也有一个前提需要说明。社区实测显示，长上下文下吞吐量会急剧下降——短提示词时约为每秒 110 个 token，而在接近 115,000 个 token 时则会降至每秒约 9 个 token。一个以 9 tok/s 运行、窗口为 262K 的上下文，是那种你会刻意使用的窗口，适合单次大规模读取，而不是在长会话中一直保持打开的窗口。量化能减轻计算成本，但改变不了这条曲线。

SWE-2 Flash 尚未公布的窗口是更大的未知数，因为 Devin 是长会话产品。如果你是在“闭源模型能更好地处理更大的代码库”这一假设下在两者之间做选择，那么你依据的是一个没人公布过的数字。

可验证的速度，对比无法验证的速度

Cognition 表示，SWE-2 Flash 的运行速度约为每秒 200 个 token，而 SWE-2 为 60 个。该数字来自以模拟速率回放缩短后的会话记录，而非对实时端点进行计时。这是一种演示，而非实际测量，而且目前 Cognition 之外的任何人都不可能对其进行核实。

相比之下，Flint 的吞吐量声称较为保守，也更容易被证伪：在 M4 Pro MacBook Pro 上约为每秒 125 到 131 个 token，在配备 64 GB 的 RTX Spark 上则超过 150。这些数据是在可以买到的硬件上测得的，测量者还公开了配置。据报道，NVFP4 量化版本在基准测试中与 BF16 的差距约为 0.7 分，这正是社区能够也一定会去检验的那类说法。

需要了解的一个真实缺陷是：GGUF 路径在 llama.cpp 中曾出现过聊天模板 bug，而且与大型实验室推出的任何模型相比，该模型的社区实践记录都很薄弱。早期采用者正在承担调试工作。

每个选项实际上会让你付出什么代价

Flint v1.0 可免费下载，而它的成本就是你的推理成本。一个 39.8B 参数、2.5B 激活参数的模型，能在一台配置良好的笔记本电脑上以可用的速度运行，这正是该架构的意义所在。采用它的成本在于运维层面：服务栈、量化方案以及各种故障模式，都得由你自己承担。

SWE-2 Flash 在 2026 年 11 月 30 日之前不产生任何费用，之后则费用未知，因为 Cognition 公布的是比率——SWE-2 价格的五分之一——而不是费率。如果你们团队的规划流程需要一个数字填进电子表格，那才是阻塞性问题，而不是基准测试差距。

目前这两款模型都不在 OrcaRouter 目录中，我们也不会暗示并非如此。这场对比中有用的地方不是在这两者之间做路由，而是对它们周围的模型群体进行基准测试：超过 200 个模型可通过一个 OrcaRouter 密钥访问，按供应商标价 0% 加价，这使得让十几个候选模型运行同一个仓库任务只需更改一个字符串。当你在两款模型之间做决定，而其中一方已公开其测试框架、另一方尚未公开时，你自己的评估比任何一方的厂商表格都更有价值。

谁应该选哪个

如果你需要权重，就选 Flint v1.0。如果你的限制条件是数据驻留、离线运行、微调，或者每 token 成本不取决于另一家公司的定价决策，那么 34 分的 Terminal-Bench 差距很可能就是你会愿意付出的代价——而 Flint 的 262K 上下文和公开的 harness 为你提供了一个可以推敲的模型，而不是一个黑箱。

如果你已经在 Devin 里，并且免费窗口足以回答你的问题，就选 SWE-2 Flash。在两家公司都测量的那一行上，它是表现更好的模型，而且优势很大；在 11 月底之前试用它不花任何费用。

谁都不应该仅凭 SWE-bench Pro 的分数就在两者中做选择。89.7 和 89.9 并不是同一个测试，而且这两个数字之间的差距，比其中任何一个数字与你仓库实际会产生的结果之间的差距都要小。