Cognition 推出 SWE-2 編碼模型，在效能與成本上匹敵頂級競品
為何重要
- SWE-2 的核心突破在於「單次 RL 強化不同推理階層」的演算法，解決了過去在編碼代理中，追求高效能往往意味著高成本的痛點，符合削減 Agent 運算成本的產業需求。 - 能在效能上逼近 GPT-6 Astra（文中對手）同時具備半價成本優勢，顯示 Cognition（Devin 母公司）在閉源編碼模型市場的競爭力已達頂級，重塑了開發者與企業使用高階模型的價格邏輯。 - 這也意味著 Kimi K33 等基礎模型的 Post-training 效能發揮極大，證明透過優良的訓練 pipeline，可以顯著放大基礎模型的潛力。
- 基於 SWE-1.72 的訓練基礎，Cognition 首次在多百億引數規模執行重新強化學習（RL），推出了 SWE-2 模型。
- SWE-2 在 FrontierCode 1.1 Main1 上取得 50.0% 的分數，僅落後 Fable 5.1 1 分，但成本較其便宜 64%。
- 在 DeepSWE 1.1 與 FrontierCode 測試中，SWE-2 在得分與成本皆優於 SWE-1.7 與 Grok 4.6；其效能對齊 GPT-5.6 Sol 與 Fable 5/5.1，價格僅其四分之一。
- 模型已在 Devin Desktop、CLI、Web 與 Fusion 上線；新版 RL 演算法允許在同一訓練流程中處理不同推理力度。