Cognition发布SWE-2，主打更低成本编码智能体
Cognition发布SWE-2编码模型，称其接近前沿模型表现，同时显著减少任务步骤并降低软件开发成本。
Cognition发布SWE-2编码模型，面向其Devin软件工程智能体，目标是在接近前沿模型表现的同时降低持续开发任务的成本。
性能与训练方式
Cognition称，SWE-2在FrontierCode 1.1 Main上的得分为50.0%，与Claude Fable 5.1相差不到一个百分点，同时成本低64%。在DeepSWE 1.1上，模型得分为73.0%；在Terminal-Bench 2.1上则达到92.8%。
公司表示，该模型基于拥有2.8万亿参数的Kimi K3进行后训练，并首次将多万亿参数规模的强化学习训练用于这一系列模型。其方法在一次训练中对不同推理力度施加成本惩罚，试图整体改善成本—性能曲线，而不是只追求某个最高分。
Cognition还报告称，SWE-2能够减少智能体执行过程中的无效步骤。在包含100项任务的FrontierCode评测中，SWE-2 medium平均使用53步，而SWE-1.7为127步；在这一对比中，公司称平均成本下降了81%。
为什么重要
这次发布挑战了“编码智能体进步必须依赖更大通用模型”的看法。如果Cognition的结果能在其自有评测之外成立，更有效的强化学习和更克制的执行行为，可能让长期软件开发任务更容易负担。
但需要保留判断：目前几乎所有关键数字都来自Cognition自己的基准和部署环境。SWE-2的真正价值，仍要看它面对陌生代码库时的稳定性、失败恢复能力，以及Devin用户最终实际支付的价格。