Cognition 发布 SWE-2：低成本对标 Fable 5.1 的代码模型

Cognition 发布了 SWE-2，这是其迄今为止能力最强的编程模型。SWE-2 基于 Kimi K3（Moonshot AI 的 2.8T 参数开源模型）通过强化学习进行后训练。Cognition 报告，SWE-2 在 FrontierCode 1.1 Main 上得分为 50.0%，与 Fable 5.1 仅差 1 分，成本却低 64%。此外，SWE-2 还是 Cognition 首款支持可选推理 effort 水平的模型，所有级别均在同一次 RL 训练中完成。

能否自行部署？无法在自有基础设施上部署。SWE-2 没有开源权重，也不提供独立 API。它目前仅在 Devin: Desktop 和 CLI 中运行，Devin Web 和 Fusion 即将推出。

SWE-2 建立在 SWE-1.7 的基础设施和配方之上——后者基于 Kimi K2.7 进行后训练。此次 Cognition 将 RL 扩展到了数万亿参数级别，使用的基座模型参数规模接近原来的 3 倍。Cognition 表示，其 RL 仍在 K3 之上发现了相当大的提升空间，在许多基准测试上增加了 5 到 6 个百分点。

主要变化在于一种 RL 算法，能够在一次训练中同时训练 3 个 effort 级别。每个级别都带有各自的成本惩罚项，因此整个成本-性能前沿曲线同时向前推进。

Cognition 发布了如下表格。公开成绩使用公开数据；其余模型均在其原生测试环境中以最佳配置运行。

Benchmark	SWE-2	Kimi K3	Grok 4.6	Fable 5.1	GPT-5.6 Sol	GPT-6 Astra	SWE-1.7
FrontierCode 1.1 Main	50.0%	44.2%	48.0%	50.9%	47.5%	53.3%	42.0%
DeepSWE 1.1	73.0%	68.5%	67.5%	67.4%	72.7%	74.1%	37.7%
Terminal-Bench 2.1	92.8%	88.3%	88.4%	91.4%	88.8%	89.9%	81.5%
Terminal-Bench 4	27.3%	21.5%	20.3%	55.8%	37.3%	57.9%	7.6%

SWE-2 在 Terminal-Bench 2.1 上领先，并在每一项上均超越了其 K3 基座模型。Cognition 表示，SWE-2 与 GPT-6 Astra 仅差几分，但成本仅为其四分之一。明显的短板是 Terminal-Bench 4，SWE-2 落后 Fable 5.1 和 GPT-6 Astra 约 30 分。FrontierCode 是 Cognition 自有的基准测试，所有竞争对手的成绩均来自 Cognition 的评测。

模型行为：减少绕路

SWE-1.7 在简单任务上往往过度探索。SWE-2 通过 Cognition 所称的"专注探索"（focused exploration）解决了这一问题。在 FrontierCode 1.1 Main 上，SWE-2 medium 的得分高于 SWE-1.7，同时步数减少 58%，成本降低 81%。每次运行的平均步数从 127 步（SWE-1.7）降至 53 步（medium）、80 步（high）和 98 步（max）。SWE-2 medium 在第 18 步时即完成首次真实编辑，而 SWE-1.7 需要 48 步。

Cognition 团队还报告了 3 个行为模式：更强的端到端测试覆盖率、工具被阻止时的应变能力，以及验证纪律。当受到挑战时，模型会重新推导结论，而非重新断言。

Pareto 驱动的成本惩罚：奖励为 R = S 减去 lambda 乘以 C，其中 S 为二元成功标志，C 综合了以 USD 计量的推理成本和 rollout 时间。Cognition 证明，只有线性惩罚才能使 RL 目标纯粹依赖于平均成本和解决率。每个 effort 级别的 lambda 被设置为基座模型 Pareto 曲线的局部斜率。这使得等奖励线与前沿曲线相切，因此奖励只能通过推动前沿曲线上移来提升。

长度加权奖励基线：Cognition 分享了自 SWE-1.6 起使用的基线。梯度幅度与 rollout 长度高度相关，因此组基线按 token 数加权：sum(R × L) 除以 sum(L)。在消融实验中，这保持了推理与训练之间更低的 KL 散度，并在不增加额外计算量的情况下稳定了训练。

Rollout 服务与数值精度：Prefill delayer 将相邻请求批量处理，使每 GPU TPM 和每请求 TPS 提升 10% 到 20%。DSpark 推测性解码加速 rollouts，draft model 通过 SpecForge 重新训练以获得 15% 更长的接受长度，然后与 policy 一同在线训练。NVFP4 和 FP8 内核配合量化感知训练，将内存占用控制在较低水平，训练-推理不匹配程度低于 SWE-1.7。

数据：Cognition 将 RL 环境扩充至原来的 3 倍，添加了指令遵循覆盖层，并构建了一套飞轮流程，利用更早的 SWE-2 检查点修正验证器中的假阳性和假阴性。

可信度检查

Cognition 重新运行了其开源可信度研究中的 2 项评估。在 145 个关于中国的政治敏感问题中，SWE-2 的总体通过率为 98.0%：英语 99.8%、简体中文 95.2%、繁体中文 99.1%。在跨客户框架的上下文相关漏洞测试中，没有任何框架对任何模型产生统计显著的变化。

Interactive Explainer

SWE-2 在 FrontierCode 1.1 Main 上得分为 50.0%，与 Fable 5.1 仅差 1 分，成本却低 64%

基于 2.8T 参数的 Kimi K3 后训练；RL 在大多数基准测试上提升 5 到 6 个百分点

首款支持 effort 级别的 Cognition 模型，通过斜率匹配成本惩罚在 1 次 RL 训练中完成

SWE-2 medium 在 FrontierCode 上相比 SWE-1.7 步数减少 58%、成本降低 81%

无开源权重、无 API：仅限 Devin，付费用户可在 2026 年 10 月 10 日前免费使用