SWE-2 Flash 對比 Flint v1.0：一行誠實的基準測試結果，以及大量雜訊

兩款小規模激活的專家混合（MoE）編碼模型，相隔十五天發布，兩者都宣稱具備同一層級的效能，成本卻只有旗艦模型的一小部分。來自 Cognition、於 2026 年 11 月 4 日發布的 SWE-2 Flash，總參數量為 276B，激活參數為 12B。來自 Recursive、於 2026 年 10 月 21 日發布的 Flint v1.0，總參數量為 39.8B，激活參數約 2.5B。它們是在截然不同規模下的同一種架構賭注——而誠實比較它們的方式，就是先承認：它們公開的表格恰好只有一行重疊。

那一列是 Terminal-Bench 2.1：SWE-2 Flash 為 89.2，對上 Flint v1.0 的 54.9。這是 34 分的差距，是兩家公司在這場較量中出現過的最強單一數字，而且它附帶兩個大到足以改變你解讀方式的注意事項。其他你可能會想拿來比較的內容，不是不同版本的基準測試，就是同一基準測試的不同子集。

同樣的賭注，相反的牌照

共同的論點是：驅動推論成本的是活躍參數，而非總參數——因此你可以建構一個大型稀疏模型，且只需為實際觸發的那一部分付費。Flint 在每個 token 上讓 256 個路由專家中的 6 個加上一個共享專家投入運作，橫跨 49 層，其中 35 層是具備 513-token 視窗的滑動視窗，14 層為完整注意力。SWE-2 Flash 從其 Inkling-Small 基礎繼承了該結構：總計 276B、活躍 12B，並以 Cognition 此前未曾使用過的中期訓練階段進行後訓練。

真正比任何架構細節都更重要的差異，在於你被允許如何使用輸出：

• 權重 — Flint v1.0 在 Hugging Face 上以 BF16、FP8 與量化形式提供，採用 Apache 2.0 授權。SWE-2 Flash 則完全未釋出，雖然承諾了合作夥伴共享計畫，但尚未具體說明。

• 部署途徑 — Flint 可在您自有的硬體上，於 llama.cpp、Ollama、LM Studio、vLLM 與 SGLang 環境中執行。SWE-2 Flash 僅能在 Devin Desktop 與 Devin CLI 中執行，別無其他途徑。

• 價格 — Flint 的邊際成本就是你的 GPU。SWE-2 Flash 在 2026 年 11 月 30 日前免費，之後沒有公布每 token 的費率。

• 上下文 — Flint 公布 262,144 個 token，可配置至約 512K。SWE-2 Flash 則未公布。

這不是立場上的小差異。一個是你可以檢視、量化、微調，並在筆電上執行的產物。另一個則是附有一個月免費試用的產品。

你可以比較的那一列

Terminal-Bench 2.1 是唯一一個兩家公司都針對同一版本回報數字的基準測試。Flint 的 54.9 是透過 Terminus 2 產生的，pass@1 取至少五次嘗試的平均值。SWE-2 Flash 的 89.2 是在 Cognition 未具名的測試框架上、以未披露的投入設定產生的，出自一篇發布貼文，該文省略了其九月前代版本所附的方法論附錄。

所以那個 34 分的差距，在某種意義上是真實的：兩個數字都是在同一組任務上回報的；而在另一種意義上是虛的：一方告訴你它是怎麼得到那個數字的，另一方則沒有。一個在共同設計的代理框架內被評分的模型——Devin 正是如此——通常會勝過同一個模型透過通用測試框架被評分。Flint 的數字之所以是保守的那個，正因為 Recursive 公開了方法。

如果你要一句話：在唯一共同的那一列上，SWE-2 Flash 遙遙領先，而兩家公司都沒有讓獨立第三方有能力核查。

兩個看似相同、實則不同的 Pro 分數

這是這場對決中的陷阱，值得放慢腳步細看。Recursive 報告 Flint v1.0 在 SWE-bench Pro v2 上達到 89.7。Cognition 報告 SWE-2 Flash 在 SWE-Bench Pro v2 Hard 上達到 89.9。兩個數字相差 0.2 分，卻在你會找到的每一份彙總裡並排出現。

它們不是同一種測量。「Hard」只是子集——任務集經過篩選後的一個切片，並非全部。Flint 的數字是 mini-swe-agent 下完整的 Pro v2 執行結果，且將透過網路檢索取得的解答計為失敗，這是比多數廠商採用更嚴格的計分慣例。把 89.9 放在 89.7 旁邊就稱之為平手，正是那種會得出自信卻錯誤結論的比較。

同樣的謹慎態度也適用於兩張表都沒有共同列出的那一列。Flint 回報 SWE-bench Verified 為 74.2。SWE-2 Flash 完全沒有回報 Verified——它改為回報 Pro v2 Hard、DeepSWE 1.1 和 SWE-Atlas QA。因此，大多數團隊憑直覺熟悉的基準測試，對這款較新的模型來說並不可得，這使得「Flint 在 SWE-bench 上落後」成為未經支持的說法，而非一項發現。

脈絡才是決定規格的依據

For agentic coding, context window is not a footnote — it determines whether a model can hold a repository's relevant surface in one planning step or has to be fed it in pieces. Flint publishes 262,144 tokens. SWE-2 Flash publishes nothing, and after three days of coverage no outlet has established it.

Flint 的上下文本身也附帶一個但書。社群測量顯示，長上下文下吞吐量會急遽下滑——短提示時約為每秒 110 個 token，到了接近 115,000 個 token 時則降至每秒約 9 個 token。一個以每秒 9 個 token 運行的 262K 視窗，是你會刻意動用的視窗，用於單次大量讀取，而不是在漫長的工作階段中一直開著的視窗。量化能緩解運算成本，卻改變不了那條曲線。

SWE-2 Flash 未公開的上下文視窗是更大的未知數，因為 Devin 是長時間會話的產品。如果你是在假定閉源模型能更好地處理較大型儲存庫的前提下，在兩者之間做選擇，那麼你依據的是一個沒有人公開過的數字。

你能驗證的速度，對比你無法驗證的速度

Cognition 表示，SWE-2 Flash 的執行速度約為每秒 200 個 token，而 SWE-2 則是 60 個。這個數字來自以模擬速率重播經過縮減的 session 逐字稿，而非對實際運作中的端點進行計時。這是一項示範，而非實測，而且目前 Cognition 以外的人士無從查核。

相較之下，Flint 的吞吐量宣稱較為保守，也更容易被證偽：在 M4 Pro MacBook Pro 上約為每秒 125 至 131 個 token，在配備 64 GB 的 RTX Spark 上則超過 150。這些數據是在市售硬體上測得，且測量者公開了配置。據報導，NVFP4 量化版本在基準測試中與 BF16 的差距約在 0.7 分以內，而這正是社群能夠也必將測試的那類說法。

有一個真正要注意的毛病：GGUF 路徑在 llama.cpp 裡曾有過 chat-template 的錯誤，而且相較於任何大型實驗室的產品，這個模型在社群中的實際使用紀錄相對薄弱。早期採用者正在幫忙除錯。

每個選項實際上讓你付出多少代價

{{1}}Flint v1.0{{/1}} 可免費下載，費用則取決於你的推論成本。一個總參數 39.8B、活躍參數 2.5B 的模型，能在規格良好的筆電上以可用的速度運行，而這正是此架構的重點。採用它的成本在於營運層面：你得自行負責服務堆疊、量化選擇與故障模式。

SWE-2 Flash 在 2026 年 11 月 30 日之前完全免費，之後的價格則是未知數，因為 Cognition 公布的是比例——SWE-2 價格的五分之一——而不是一個具體費率。如果你的團隊在規劃流程中需要一個能填進試算表的數字，那麼卡住你的是這件事，而不是基準測試的差距。

目前這兩款模型都不在 OrcaRouter 的目錄中，我們也不會暗示相反的情況。在這個對比中，真正有用的不是在這兩者之間進行路由，而是對它們周遭的模型群進行基準測試：超過 200 款模型只需一個 OrcaRouter 金鑰即可使用，且相較供應商定價零加成，這使得透過十幾個候選模型執行同一個儲存庫任務，只需更改一個字串。當你在兩款模型之間做決定，而其中一方已公開其測試框架、另一方尚未公開時，你自己的評估比任何一方的廠商表格都更有價值。

誰該選哪個

如果你的需求是取得權重，就選 Flint v1.0。如果你的限制條件是資料落地、離線運作、微調，或是每 token 成本不能取決於另一家公司的定價決策，那麼這 34 分的 Terminal-Bench 差距，很可能正是你願意付出的代價——而 Flint 的 262K 上下文與公開的測試框架，給你的是可以推理分析的模型，而不是一個黑箱。

如果你已經在 Devin 裡面，而且免費期間足以回答你的問題，就選 SWE-2 Flash。在兩家公司都有測量的那一列上，它是表現更好的模型，而且大幅領先；在十一月底之前試用完全免費。

任何人都不該做的事，就是憑 SWE-bench Pro 的分數在這兩者之間做選擇。89.7 和 89.9 並非同一項測試，而它們之間的差距，還小於這兩個數字與你的儲存庫實際會跑出的結果之間的差距。