Cognition发布SWE-2编码模型：性能媲美Fable 5.1，成本低64%

模型定位与部署方式

SWE-2是Cognition继SWE-1.7之后推出的最新编码模型，也是该公司迄今能力最强的代码专用模型。它并非从头训练，而是以Moonshot AI发布的2.8万亿参数开源基础模型Kimi K3为起点，通过强化学习（RL）进行后训练。Cognition宣称，SWE-2在自研基准FrontierCode 1.1 Main上取得50.0%得分，与当前领先模型Fable 5.1（50.9%）相差不足1个百分点，但单位任务成本仅为后者的36%，即降低64%。值得注意的是，SWE-2暂不面向开发者开放——无开源权重、无独立API接口，仅作为核心引擎内嵌于Cognition旗下产品：目前已上线Devin Desktop与CLI版本，Devin Web及Devin Fusion正陆续推出。

技术演进与训练创新

SWE-2延续了SWE-1.7的技术路径（后者基于Kimi K2.7），但将强化学习扩展至多万亿参数量级，所用基座模型参数规模接近前代的3倍。Cognition指出，其RL方法在K3基础上仍具显著提升空间，在多个公开基准上带来5–6分增益。最大技术突破在于：首次实现单次RL训练同步产出三级推理努力度（medium/high/max）。该设计依托“帕累托感知成本惩罚机制”——每级努力度对应不同λ系数，其取值精确匹配基座模型帕累托前沿的局部斜率，使奖励函数（R = 成功得分 − λ × 成本）的等效奖励线始终与性能-成本前沿相切，从而确保优化方向唯一指向前沿整体上移。

基准测试表现

Cognition公布了涵盖7个模型的横向评测结果（数据来源为各模型官方报告或Cognition统一环境下的最佳调优运行）。在FrontierCode 1.1 Main上，SWE-2以50.0%位列第三，仅次于GPT-6 Astra（53.3%）和Fable 5.1（50.9%）；在DeepSWE 1.1与Terminal-Bench 2.1两项指标上，SWE-2分别以73.0%和92.8%位居第一，且全面超越其基座Kimi K3。Cognition强调，SWE-2在Terminal-Bench 2.1上的表现接近GPT-6 Astra（74.1% vs 72.7%），但成本仅为后者的约四分之一。其明显短板是Terminal-Bench 4（27.3%），大幅落后于Fable 5.1（55.8%）和GPT-6 Astra（57.9%）。需注意，FrontierCode系列为Cognition自建闭源基准，所有竞品分数均由其统一评估得出。

行为优化：更聚焦、更高效

相较SWE-1.7易在简单任务中过度探索的问题，SWE-2引入“聚焦式探索”（focused exploration）策略。在FrontierCode 1.1 Main上，其中等努力度（medium）版本不仅得分更高，且平均步数减少58%、总成本下降81%：单次任务平均步数从SWE-1.7的127步降至53步（medium）、80步（high）、98步（max）；首次实质性代码编辑的中位步数亦从48步压缩至18步。Cognition团队还观察到三项关键行为改进：端到端测试覆盖率增强、工具受阻时更具应变能力、验证过程更严谨——面对质疑，模型倾向于重新推导结论而非简单复述原断言。

工程细节与可信性验证

训练层面，SWE-2采用多项关键技术：长度加权奖励基线（缓解梯度爆炸）、预填充延迟批处理（TPM/TPS提升10–20%）、DSpark投机解码（经SpecForge重训的草稿模型使接受长度延长15%）、NVFP4/FP8量化感知训练（内存占用更低、训推一致性优于SWE-1.7）。数据方面，RL环境数量增至三倍，并引入指令遵循增强层，构建“飞轮机制”——利用早期SWE-2检查点动态修正验证器中的误报与漏报。在可信性测试中，SWE-2对145道涉华政治敏感问题的整体通过率达98.0%（英文99.8%、简体中文95.2%、繁体中文99.1%）；在上下文依赖型漏洞测试中，不同客户提问框架均未引发统计显著的行为偏移。

编者观点

SWE-2的实践表明：在大模型时代，针对垂直场景的精细化后训练与成本感知型强化学习设计，可能比单纯堆叠参数更具商业落地效率——对中国AI企业而言，与其追逐通用大模型参数竞赛，不如聚焦高价值闭环场景（如软件工程），以系统级工程思维重构训练范式与推理调度，或将更快跨越“技术先进性”与“商业可行性”的鸿沟。