SWE-2 Flash 对比 Muse Code：你真正购买的是运行框架

把这两个数字并排放置，结论似乎就不言自明：SWE-2 Flash 在 Terminal-Bench 2.1 上得 89.2 分，Muse Code 得 82.9 分，因此 Cognition 的模型比 Meta 的智能体高出 6.3 分。这句话的每个分句都经不起推敲。SWE-2 Flash 是部署在 Devin 内提供服务的模型。Muse Code 则是围绕 Muse Spark 1.2 构建、并与之联合训练的终端智能体；其 82.9 分是在配套的测试框架和 effort 设置下测得的。将二者进行比较，实际上是把模型和产品拿来对比，而产品才是你实际会安装的部分。

这并不会让比较变得毫无用处。它改变的是真正有趣的问题是什么：不是哪个模型得分更高，而是这两个闭环中哪一个能替你完成更多工作、以什么代价完成，以及方法披露了多少。

每样东西实际上是什么

Muse Code 是 Meta 推出的首个编程智能体，于 2026 年 8 月 5 日发布，支持 macOS 和 Linux。它是一款与 Claude Code、Codex 同属一类的 CLI 工具：能够规划改动、编辑文件、运行测试，并在整个代码仓库中验证结果。让它与众不同的，是架构层面的设计选择，而非表面的修饰。

• 后台代理——持久化的异步代理，在整个会话期间保持存活，而不是为每个任务单独派生，因此收集过一次的信息不会被重复收集；多个代理可以在彼此隔离的工作树中并行运行，而不会触及工作副本。

• 事件日志——对每一次模型调用、工具运行、审批与编辑的本地记录，它使会话可精确重放，并在崩溃后安全重启——正是这一机制让耗时数小时的任务得以幸存。

• 技能 — 内置斜杠命令，包括计划步骤、计划压力测试步骤和目标驱动步骤。

• 模型 — Muse Spark 1.2，闭源权重，100 万 token 上下文，每百万输入 token 1.25 美元，每百万输出 token 4.25 美元。

SWE-2 Flash 并不是一个智能体。它是一个模型，以 Inkling-Small 为基础经后训练而来，总参数 276B、激活参数 12B，运行于 Devin Desktop 和 Devin CLI 之中。Cognition 称其速度是 SWE-2 的三倍、价格是 SWE-2 的五分之一；在 2026 年 11 月 30 日之前可免费使用；它没有公开 API，没有模型 ID，也没有可下载的权重文件。

所以这场对决的真正格局是：两个封闭系统，各自把一个模型与一套由其开发者掌控的运行框架配对组合。其中一方公开自己的运行框架和推理强度设置，另一方则不公开。

DeepSWE 中显示它们并列的那一行

DeepSWE 1.1 是两份报告都提到的唯一一个基准，而在这一基准上，双方都没有勉强拉伸任务定义的边界。SWE-2 Flash：60.1。Muse Code 中的 Muse Spark 1.2：59.3。只差零点八分。

这不是差距。这是同一个分数被报告了两次，而更有趣的事实是，两个系统是从相反方向到达这一结果的。Meta 的模型是通用旗舰模型，具有 1M 上下文和广泛的工具使用能力；Cognition 的模型则是对开放权重基础模型进行后训练得到的 12B 激活模型，明确针对智能体市场的廉价端进行了优化。对更便宜的架构而言，在 DeepSWE 上趋同这一结果，比原始表格所显示的更强。

在 Terminal-Bench 2.1 上，差距更大——89.2 对 82.9——而方法论上的不对称在这里造成了影响。Meta 表示，其数据是在 xhigh 努力级别下、在共同训练的 Muse Code 测试框架内、在隔离的 Daytona 沙箱中生成的，pass@1 为五次尝试的平均值。Cognition 则没有说明其中任何一项。其 9 月关于 SWE-2 的文章附有方法论附录；11 月 4 日关于 SWE-2 Flash 的文章则没有。

Meta 自己的数据中也有一条警告，适用于这一领域的所有表格。Meta 报告 Muse Spark 1.1 在 Terminal-Bench 2.1 上为 76.2，而公开的 tbench.ai 排行榜对同一模型给出的经核实成绩为 80.0。区别在于，一行并不等于一个模型——它是模型加上评测框架再加上 effort 设置。如果同一模型的两次报告之间都能出现 4 分的波动，那么两个采用不同测量方式的系统之间 6.3 分的差距就不是决定性结果。本节所有数字均为厂商报告。

还有一点需要留意。Muse Spark 1.2 已不再是 Meta 最新的模型：Artificial Analysis 现在将 1.2 检查点标记为已弃用，并引导读者查看 Muse Spark 1.3。Muse Code 是在 1.2 上推出的，而 1.2 正是本文中所有数字所描述的检查点，也是目前仍可调用的那个。

已发布与未发布对比：1M

Muse Spark 1.2 搭载 100 万 token 的上下文窗口，而 Muse Code 的架构正是为充分利用这一优势而构建的——持久化智能体、持久化事件日志，以及能够连续运行数小时的任务。这种组合才是产品真正的卖点：不是一次更出色的单次编辑，而是一个能够承载大型代码仓库与长时间任务、始终不偏离主线的智能体。

SWE-2 Flash 完全没有公布上下文窗口。对于仅在 agent 内部交付的模型而言，这一缺失的危害要小于它对 API 模型所造成的影响，因为 Devin 会替你管理上下文。但这仍然是一种缺失：你无法围绕一个别人并未告知你的预算来规划工作流。

费率卡与免费一个月的对比

• Muse Spark 1.2 — 每百万输入 token 1.25 美元，每百万输出 4.25 美元。部分国家/地区提供折扣贡献者层级，以换取训练数据的使用，并接受零数据保留请求。

• SWE-2 Flash — 无每 token 价格。在 Devin 中免费使用至 2026 年 11 月 30 日，之后未说明。

• Muse Code —— 该智能体本身，按模型使用量计费，而不是 Meta 已发布材料中所说的单独订阅。

没有标价的产品并不等于便宜的产品，它只是一个未知数。如果你正在为下个季度搭建成本模型，$1.25/$4.25 是一个能直接填进电子表格的数字，而 SWE-2 Flash 则是一个附带截止日期的问号。

你可以呼叫什么，以及不能呼叫什么

在这里，两个系统出现分歧的方式与基准测试毫无关系。SWE-2 Flash 无法被调用。没有可供客户端指向的端点，没有模型 ID，也没有任何会让这种情况发生改变的日期。如果你的架构需要的是通过 HTTP 调用访问的编码模型，而不是桌面 IDE 内部的编码模型，那么本月 SWE-2 Flash 根本不是候选。

Muse Spark 1.2 则是另一回事。在这场对比中，Meta 这一方如今即可调用——Muse Spark 1.2 和 1.1 均已上架 OrcaRouter 目录，按供应商标价、0% 加价提供，因此上文的 $1.25/$4.25 费率就是你实际支付的价格，而非经销商的报价。这对眼下的决策很关键：你今晚就能在自己的代码仓库上运行 Muse Spark 1.2，看看 DeepSWE 上的 59.3 是否贴合你的工作场景。而若想在 SWE-2 Flash 上做同样的测试，你就必须在免费月内一直待在 Devin 里才行。

OrcaRouter 还提供了押注单一供应商所缺乏的故障转移能力。如果你统一采用 Meta 方案，而供应商服务降级，自动故障转移会让调用保持不中断——这正是“我们选择了一个模型”与“我们选择了一条供应链”之间的实际区别。

该选哪一个

如果你想要一个能从终端驱动的智能体，带有公开的投入强度设置、持久的事件日志、并行隔离的工作树，以及模型背后的 API，那就选择 Muse Code。DeepSWE 持平说明你并未在前沿能力上让步；Terminal-Bench 的差距则说明你可能在某些上限上有所让步，而这个数字的方法至少是你可以查看的。

如果你是 Devin 用户，并且你的问题是：在你已经付费的 IDE 里，那个更快、更便宜的模型对你的代码仓库来说是否足够好用——那就选 SWE-2 Flash。到 11 月 30 日的免费窗口是一次真正的试用，而它在 DeepSWE 上 60.1 的成绩说明它不会丢脸。

无论选择哪一个，都无法获得确定性。两家厂商都用自己的测试框架测量了自己的系统，而唯一一个能让你验证厂商说法的公开数据点——tbench.ai 给 Muse Spark 1.1 的 80.0 对 Meta 的 76.2——表明，已公布的一行数据与复现出的一行数据之间的差距，可能和本文中两款产品之间的差距一样大。