SWE-2 Flash 對決 Muse Code：你真正買的是代理框架

把這兩個數字並排放在一起，故事就自己成形了：SWE-2 Flash 在 Terminal-Bench 2.1 上拿下 89.2，Muse Code 則是 82.9，因此 Cognition 的模型比 Meta 的代理好 6.3 分。那句話的每個子句都有可疑之處。SWE-2 Flash 是在 Devin 內提供服務的模型。Muse Code 是圍繞 Muse Spark 1.2 打造、並與其共同訓練的終端機代理，而它的 82.9 是在附帶特定 harness 與 effort 設定的情況下測得的。拿它們相比，就是把模型跟產品相比，而產品才是你實際會安裝的部分。

這並不會讓比較變得毫無用處。它改變了真正有趣的問題所在：不是哪個模型得分較高，而是這兩個{{1}}封閉迴圈{{/1}}之中，哪一個能替你完成更多工作、代價為何，以及方法{{2}}揭露{{/2}}了多少。

每件事物實際上究竟是什麼

Muse Code 是 Meta 首個程式碼代理，於 2026 年 8 月 5 日推出，支援 macOS 與 Linux。它是一款與 Claude Code 或 Codex 同類的 CLI：它會規劃變更、編輯檔案、執行測試，並在整個儲存庫中驗證結果。讓它與眾不同的設計選擇屬於架構層面，而非表面修飾。

• 背景代理——持久性的非同步代理，會在整個工作階段中持續存活，而非依每個任務分別啟動，因此一次蒐集到的資訊無須重複蒐集；數個代理可在各自隔離的工作樹中平行執行，且不會更動工作副本。

• 事件日誌——本機記錄每一次模型呼叫、工具執行、核准與編輯，使工作階段能精確重播，並在當機後安全重新啟動——正是這套機制讓長達數小時的任務得以存續。

• 技能 — 內建斜線命令，包括規劃步驟、規劃壓力測試步驟，以及目標驅動步驟。

• 模型 — Muse Spark 1.2，封閉權重，100 萬 token 上下文，每百萬個輸入 token 1.25 美元，每百萬個輸出 token 4.25 美元。

SWE-2 Flash 不是代理，而是一個模型，以 Inkling-Small 為基礎進行後訓練，總參數量 276B、活躍參數量 12B，並在 Devin Desktop 與 Devin CLI 內提供服務。Cognition 稱其速度比 SWE-2 快三倍、價格為 SWE-2 的五分之一；可免費使用至 2026 年 11 月 30 日；沒有公開 API、沒有模型 ID，也沒有可下載的權重檔。

所以，這場對決的真正格局是：兩個封閉系統，各自把模型與其製造商所掌控的運行框架配對。其中一方公開其運行框架與投入程度設定；另一方則否。

DeepSWE 中顯示他們並列的那一列

DeepSWE 1.1 是兩份報告中都提到、且雙方都沒有勉強扭曲任務定義的一項基準。SWE-2 Flash：60.1。Muse Code 中的 Muse Spark 1.2：59.3。相差零點八分。

這不是差距。這是同一個分數被回報了兩次，而更有趣的事實是，這兩個系統是從相反方向抵達該分數的。Meta 的模型是一個通用旗艦模型，具備 1M 上下文與廣泛的工具使用能力；Cognition 的模型則是以開放權重基礎模型進行後訓練的 12B 活躍參數模型，明確針對代理市場的低價端最佳化。對較便宜的架構而言，在 DeepSWE 上匯聚到相同結果，比原始表格所顯示的更有說服力。

在 Terminal-Bench 2.1 上，差距更大——89.2 對 82.9——而方法論上的不對稱在此顯現出影響。Meta 表示，其數字是在 xhigh 努力程度下、於共同訓練的 Muse Code 測試框架內、在隔離的 Daytona 沙箱中產生的，且 pass@1 是五次嘗試的平均值。Cognition 對這些均未說明。其 9 月關於 SWE-2 的文章附有方法論附錄；11 月 4 日關於 SWE-2 Flash 的文章則沒有。

Meta 自家的數據中也有一個警訊，而且適用於這個領域的每一張表。Meta 回報 Muse Spark 1.1 在 Terminal-Bench 2.1 上為 76.2，而公開的 tbench.ai 排行榜則列有同一模型經驗證的 80.0。差別在於，一行資料並不只是一個模型——它是模型加上測試框架，再加上投入程度設定。如果同一個模型的兩份報告之間可能出現 4 分的落差，那麼兩個採用不同量測配置的系統之間 6.3 分的差距，就不是決定性的結果。本節所有數字皆為廠商自行回報。

還有一點值得留意：Muse Spark 1.2 已不再是 Meta 最新的模型——Artificial Analysis 現在已將 1.2 這個檢查點標記為已棄用，並引導讀者改看 Muse Spark 1.3。Muse Code 是在 1.2 上推出的，而 1.2 正是本文每一個數字所描述的檢查點，也是目前仍可呼叫的那一個。

1M 已發佈對比未發佈

Muse Spark 1.2 搭載 100 萬 token 的上下文視窗，而 Muse Code 的架構正是為了善用它而打造——常駐型代理、持久化的事件日誌，以及可連續執行數小時的工作。這樣的組合才是這項產品真正的主打：不是一次更精準的單次編輯，而是一個能掌握大型儲存庫與長時間任務、始終不失焦的代理。

SWE-2 Flash 完全沒有公布上下文視窗。對於一個僅在代理程式內提供的模型而言，這項省略的傷害比對 API 模型來得小，因為 Devin 會替你管理上下文。但這仍是一項省略：你無法圍繞一個未被告知的預算來規劃工作流程。

以價目表對比免費一個月

• Muse Spark 1.2 — 每百萬輸入 token 1.25 美元，每百萬輸出 4.25 美元。特定國家提供折扣的貢獻者方案，以換取訓練資料的使用；並接受零資料保留請求。

• SWE-2 Flash — 沒有按 token 計價。在 Devin 內免費至 2026 年 11 月 30 日，之後未說明。

• Muse Code — 代理本身，其計價方式是依模型用量計算，而非 Meta 已公布資料中的獨立訂閱方案。

未定價的產品不是便宜的產品，而是未知數。如果你正在為下一季建立成本模型，$1.25/$4.25 是能放進試算表的數字，而 SWE-2 Flash 則是附帶期限的問號。

你可以稱呼什麼，以及不能稱呼什麼

這裡，這兩個系統的分歧方式與基準測試毫無關係。SWE-2 Flash 無法被呼叫。沒有可供客戶端指向的端點，沒有模型 ID，也沒有任何日期會改變這一點。如果你的架構需要的是透過 HTTP 呼叫的程式碼模型，而不是桌面 IDE 內的模型，那麼這個月 SWE-2 Flash 根本就不是候選項。

Muse Spark 1.2 則是另一回事。在這場對比中，Meta 這一邊今天就能呼叫——Muse Spark 1.2 與 1.1 皆已在 OrcaRouter 型錄中上線，以供應商定價提供、0% 加價，因此上述的 $1.25/$4.25 費率就是你實際支付的價格，而非經銷商報價。這對這項特定決策很重要：你今晚就能拿 Muse Spark 1.2 跑你自己的儲存庫，確認 DeepSWE 上的 59.3 是否反映了你的工作。至於 SWE-2 Flash，若不待在 Devin 裡度過免費試用的一個月，你無法進行對等的測試。

OrcaRouter 也提供單一供應商押注所欠缺的容錯移轉機制。若你標準化採用 Meta 陣營，而供應商服務劣化，自動容錯移轉能讓呼叫持續運作——這正是「我們選了一個模型」與「我們選了一條供應鏈」之間的實務差異。

該選哪一個

如果你想用終端機驅動代理程式，並擁有公開的 effort 設定、持久的事件日誌、平行隔離的工作樹，以及模型背後的 API，就選 Muse Code。DeepSWE 的平手結果說明你並沒有在前沿放棄能力；Terminal-Bench 的差距則說明你可能放棄了一些上限，而那個數字的方法至少還能讓你檢視。

如果你是 Devin 使用者，而問題在於：你已經付費使用的 IDE 裡那個更快、更便宜的模型，對你的儲存庫來說是否夠好，那就選 SWE-2 Flash。開放到 11 月 30 日的免費期是一場真正的試用，而它在 DeepSWE 上拿下 60.1 分，說明它不會讓自己丟臉。

無論選哪一個，你都得不到確定性。兩家廠商都用自家的評測框架測量自家系統，而唯一能讓你驗證廠商說法的公開數據點——tbench.ai 上 Muse Spark 1.1 的 80.0 對上 Meta 的 76.2——顯示，已公布的一列結果與重現出來的一列結果之間的差距，可能和本文中兩款產品之間的差距一樣大。