SWE-2 Flash 對決 AesCode 32B：兩個模型，一個詞，沒有共同基準

每個「程式碼模型」比較討論串最後都會出現這個問題：SWE-2 Flash 和 AesCode 32B 哪個比較好？誠實的答案是，它們根本不在同一場競爭裡；而兩者都被歸類到「程式碼生成」之下，這是分類上的問題，而不是採購決策。Cognition 於 2026 年 11 月 4 日發布的 SWE-2 Flash，是軟體工程代理模型：它會讀取儲存庫、規劃變更、執行工具並編輯檔案。Microsoft 於 2026 年 10 月發布的 AesCode 32B，則是美學程式碼模型：它接收規格，並輸出簡報、海報、儀表板和資訊圖表所需的 HTML 與 CSS。一個是關閉工單，另一個是做出看起來經過設計的東西。

這個區別比一張基準測試表更有價值，因為選錯了並不是差幾分的問題——而是模型根本沒有任何機制能完成這項工作的問題。

AesCode 32B 實際上是用來做什麼的

AesCode 32B 是一款 33.4B 參數的視覺語言模型，建構於 Qwen3-VL-32B-Instruct 之上，以 Apache 2.0 授權釋出，並具有 32,000 個 token 的上下文視窗。它提供 8B 與 32B 兩種變體，並與論文《AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards》一同發表；該論文描述了其訓練方法：分別為程式正確性與視覺品質提供獨立的獎勵訊號，因此模型不必被迫在兩者之間取捨。

預期的輸入是一份設計簡報。預期的輸出是能渲染成畫面的標記。Microsoft 自家的範例是資訊圖表、簡報投影片、海報和儀表板；這些成品的合格條件有一部分是機械性的（表格裡的數字對不對、圖表編碼的系列對不對？），有一部分是感知性的（看起來像不像由人設計的？）。

• 參數 — 33.4B、視覺語言、Apache 2.0

• 上下文 — 32,000 個 token

• 輸出 — HTML/CSS 成品；不使用 shell、不遍歷儲存庫，回報的評估中亦不執行測試

• 記憶體佔用量 — BF16 下約 65 GB，FP8 下更少

它的 85.89 代表什麼、又不代表什麼

AesCode 最受矚目的成績，是在作者為論文建構的 300 個實例資訊圖表基準上取得 85.89 的總分。這個總分可拆解為規則式檢查（文字、邊界、表格與圖表）的 94.33 分，以及視覺品質的 77.44 分；視覺品質由視覺語言評審針對內容、版面與風格評分。同一個基準中，Qwen3-VL-32B 主幹模型的總分為 48.61，因此後訓練發揮了極大作用：光是視覺部分就提升 22.4 分。

作為背景說明，論文報告 GPT-5.5 在相同的 300 個實例上總體得分為 81.28，而 Claude Opus 4.8 為 80.39。這些都是值得並列比較的亮眼數字，也正是需要仔細閱讀該表格的原因：這是一個專門打造的資訊圖表基準，而非一般能力指數。該段落中的每一個數字都是廠商自行報告的，尚未經過獨立重現。既沒有 arena 排名，也沒有第三方重跑。

論文實際揭露的失效模式比標題數字更有用。畫布溢出在約 4.3% 的生成結果中反覆出現——遠優於 GPT-5.5 的 34.7%，這是一項實質勝利——但關聯結構破損出現在 23.9% 的輸出中，圖示扭曲或語意錯誤的元素則占 23.3%。風格仍是共同瓶頸：比較中的模型在該子分數上都沒有超過 60%。如果你要生成正式上線用的儀表板，四分之一機率出現關聯結構破損，才是應該驅動你審查流程的數字，而不是 85.89。

SWE-2 Flash 報告了什麼——以及為何其中沒有任何重疊

SWE-2 Flash 回報了八行數據，全部都是代理式或安全性評估：FrontierCode 2.0 為 24.0、FrontierCode 1.1 Main 為 45.5、DeepSWE 1.1 為 60.1、Terminal-Bench 4.0 為 20.0、Terminal-Bench 2.1 為 89.2、SWE-Atlas QA 為 50.0、SWE-Bench Pro v2 Hard 為 89.9，以及 ExploitBench 為 34.8。每一項都是 Cognition 自家的數字，且是在發布文章中未具名的評測框架上跑出來的。

沒有視覺品質那一列。沒有版面配置分數，沒有渲染檢查，沒有設計評審。無論 SWE-2 Flash 擅長什麼，它都沒有在 AesCode 所圍繞的那個軸線上被衡量過，而 AesCode 也從未在代理式軟體工程軸線上被衡量過。這兩張表只共有一個欄位標題，除此之外別無其他。

實際輸入也是如此。SWE-2 Flash 在 Devin Desktop 與 Devin CLI 中執行，免費至 2026 年 11 月 30 日，沒有 API、沒有模型 ID，也沒有公布上下文視窗。AesCode 32B 則可在任何能載入 65 GB 權重的地方執行，或在任何提供它的推論供應商上執行，並公布 32,000 個 token 的上下文，採用 Apache 2.0 授權。一個是你訂閱卻無法檢視的產品。另一個是你可以下載並量化的產物。

他們相遇的狹窄之處

有一個真正的重疊，值得特別指出，因為團隊實際上就是在這裡出錯。如果你的代理會產生面向使用者的輸出——報告頁面、狀態儀表板、產生的投影片——那麼在這條流程的某個環節，模型就必須決定版面配置。一個編輯儲存庫的模型會很樂意產出能運作、但看起來像 2009 年的 HTML。一個設計模型會很樂意產出漂亮的儀表板，但裡面卻是錯誤的數字，因為它無法存取你的測試套件或資料層。

那是一個有兩項工作的流程，而不是一場選出單一贏家的比較。真正的決策在於：設計這一步是否該是一個獨立呼叫、擁有自己的模型與自己的審查關卡；還是你能接受由單一通用模型產出平庸的版面。在意視覺成果的團隊最後會把這一步拆開；不在意的團隊則根本不該購入設計模型。

成本、取得途徑，以及你實際會花多少錢

• AesCode 32B — 以 Apache 2.0 授權釋出的開放權重，因此邊際成本取決於你的 GPU，或供應商的每 token 費率；無需廠商訂閱。

• SWE-2 Flash — 在 Devin 內免費使用至 2026 年 11 月 30 日，之後未定價，因為 Cognition 在推出時未公布每 token 費率。

• AesCode 的隱藏成本——審查關卡。23.9% 的關聯結構失敗率，意味著每一份產出物都必須經由人工或程式化驗證。

• SWE-2 Flash 的隱藏成本——鎖定效應。若免費窗口期以你不樂見的條件結束，就沒有可退回的端點。

目前透過 OrcaRouter 都無法呼叫這兩個模型：SWE-2 Flash 完全沒有端點，而 AesCode 32B 也不在目錄中。不過，這番比較真正要論證的，是其周圍路由層的形態。OrcaRouter 在單一金鑰背後提供超過 200 個模型，而其路由 DSL 讓你能把不同模型固定到單一組合式呼叫的不同步驟——這正是上述「這裡是設計步驟、那裡是工程步驟」的分工。你不會從我們這裡取得這兩個模型中的任何一個。你得到的是一個單一位置，可放入你最終選擇的任何組合，以及在凌晨兩點其中一個無法使用時的自動容錯移轉。

經驗法則

如果使用者看到的產出物是 pull request，那麼 SWE-2 Flash 在範圍內，而 AesCode 32B 不在。如果產出物是投影片、海報、儀表板或資訊圖表，那麼 AesCode 32B 在範圍內，而 SWE-2 Flash 根本無法勝任——不是做得差，也不是做得慢，而是完全做不到。如果你兩者都需要，就需要兩次呼叫，並對設計類的那個加上審核關卡。

真正有用的比較目前還不存在：沒有人把 {{1}}AesCode 32B{{/1}} 放進能將自身渲染輸出對照測試套件檢查的代理迴圈中執行過，也沒有人在版面配置基準測試上跑過 {{2}}SWE-2 Flash{{/2}}。在上述任一情況發生之前，唯一站得住腳的說法就是那個乏味的說法。這些模型並不是彼此的替代品，而任何把它們的分數放在相鄰欄位的表格，都是用同一把尺量兩種不同的東西。