Cognition SWE-2 Flash: الخصم حقيقي، والخبر في النموذج الأساسي

SWE-2 Flash طُرح في 4 نوفمبر 2026 ومعه رقمان مثبتان: خُمس السعر وثلاثة أضعاف سرعة SWE-2، النموذج ذي 2.8 تريليون معامل الذي أصدرته Cognition قبل ثمانية أسابيع. كلا الرقمين يمثل نسبةً لا معدلًا، وكلاهما يُقاس داخل Devin. الجملة التي تُحدث تغييرًا فعليًا يسهل إغفالها عند التصفح السريع: هذا النموذج هو تدريب لاحق لـ Inkling-Small، القاعدة المرخّصة بموجب Apache-2.0 من Thinking Machines Lab، مختبر ميرا موراتي. هذه هي المرة الأولى التي لا ينحدر فيها أحد نماذج البرمجة لدى Cognition من قاعدة صينية مفتوحة الأوزان، وهي السبب في وجود الرقمين الآخرين أصلًا.

لمن يصل من مربع بحث بدلًا من نشرة بريدية: إن SWE-2 Flash نموذج للبرمجة، ويعمل داخل منتجات Cognition الوكيلية، وليس شيئًا يمكنك استدعاؤه من شفرتك الخاصة. لا توجد نقطة نهاية، ولا معرّف نموذج، ولا جدول تسعير. يمنحك منشور الإطلاق تاريخًا، ونموذجًا أساسيًا، وقصة تدريب، وجدولًا من الأرقام، ونافذة مجانية تنتهي في 30 نوفمبر. كل ما يلي مستخلص من ذلك المنشور، ومن جدول Cognition نفسه، ومن البدائل المتاحة للاستدعاء علنًا — مع إرفاق المصدر بكل رقم.

ما الذي صدر، والكلمتان الغائبتان من المنشور

Cognition صريحة بشأن السطح. SWE-2 Flash متاح اليوم في Devin Desktop وDevin CLI، وتقول لافتة ختام المنشور: "مجانًا حتى 11/30 — جرّبه اليوم في Devin Desktop وCLI." تلك هي قصة التوزيع كاملة. لا يوجد إطلاق API، ولا قائمة انتظار لنقطة نهاية، ولا مستودع على Hugging Face.

الكلمتان الغائبتان من ادعاء التسعير هما "لكل رمز". إن عبارة "بخُمس السعر وثلاثة أضعاف سرعة نظيره الأكبر بكثير" هي تصريح عن تكلفة مهمة ما داخل Devin، وهو ما يدمج النموذج وأداة التشغيل والبنية المساندة ومكدس الخدمة لدى Cognition في فاتورة واحدة. إنها طريقة مشروعة لتسعير وكيل، وهي ليست سعرًا يمكنك مقارنته ببطاقة أي جهة أخرى لكل مليون رمز. القارئ الذي يحاول تحويلها إلى ذلك سيفشل، لأن المنشور لا يذكر أبدًا ما الذي يمثّل الخُمس خُمسًا له.

يحتاج رقم السرعة إلى القراءة نفسها. يقول قسم السرعة لدى Cognition إن 200 tok/s مقابل 60 tok/s لـ SWE-2، ثم يوضح ما قاسه: «تشغيل كل نموذج الخاص به على مهمة gsea-proteomics في Terminal-Bench 4.0، مع إعادة تشغيله بمعدل محاكى قدره 200 مقابل 60 رمزًا في الثانية. وتُقصَّر النصوص إلى طول متساوٍ للمقارنة.» هذه إعادة تشغيل بالمعدلات المعلنة، وليست قياسًا زمنيًا حيًا لنقطتي نهاية تحت الحمل. وهي تخبرك بملف تعريف الخدمة المقصود. لكنها لا تخبرك بما ستراه في الساعة 2 بعد الظهر يوم الثلاثاء.

استبدال النموذج الأساسي هو الإصدار الفعلي

قبل سبعة أسابيع، جرى تدريب SWE-2 تدريبًا لاحقًا انطلاقًا من Kimi K3 — مزيج Moonshot البالغ 2.8 تريليون معامل، منها 104 مليارات معامل نشطة لكل رمز. أما SWE-2 Flash فقد دُرّب تدريبًا لاحقًا انطلاقًا من Inkling-Small، بإجمالي 276 مليار معامل و12 مليارًا نشطة، وأُطلق بموجب Apache 2.0 في يوليو. ويضع مخطط الأحجام الخاص بـ Cognition النموذج الجديد عند 1x وSWE-2 عند 10.1x، وهي طريقة مهذبة للإشارة إلى فجوة بمقدار ثمانية أضعاف في المعاملات النشطة.

هذا الاستبدال هو ما يجعل ادعاء السعر معقولًا ميكانيكيًا لا مجرد ادعاء ترويجي. فتكلفة الخدمة تتبع المعاملات النشطة والرموز المولّدة أكثر بكثير مما تتبع درجة معيار أداء، ونموذج نشط بحجم 12B ينتمي إلى فئة خدمة مختلفة عن نموذج نشط بحجم 104B. لا تحتاج إلى الوثوق بسردية الكفاءة لدى Cognition لتقبل أن نموذجًا أصغر بهذا القدر يمكن بيعه بخُمس السعر. السؤال المثير للاهتمام هو ما الذي احتفظ به.

تُؤطّر Cognition هذا التبديل وطنيًا. يقول السطر الأول من المنشور إن SWE-2 Flash «نموذج برمجة أمريكي بالكامل»، ثم يمضي ليقول إن النموذج «يتفوق على جميع النماذج الأمريكية المفتوحة الأوزان، حتى النماذج الأكبر منه بثلاثة أضعاف». العبارتان صحيحتان كما كُتبتا، وكلتاهما أضيق مما تبدوان عليه. يصف «أمريكي بالكامل» سلسلة توريد — أوزان أساسية لمختبر أمريكي، خضعت لتدريب لاحق من شركة أمريكية — وليس خندقًا دفاعيًا، لأن Inkling-Small مرخّص بموجب Apache 2.0 وقابل للتنزيل من أي شخص، بما في ذلك المنافسون الذين يستهدفهم الادعاء. الجزء الذي تتحكم فيه Cognition فعليًا هو المرحلة التدريبية الوسطى والتعلم المعزز، وهو الجزء الذي لا تطرحه للاستخدام.

التناقض الكامن في قسم الأصول والسيبرانية

أكثر فقرة جديرة بالاقتباس في الإصدار ليست اختبارًا معياريًا، بل هي الفقرة التي تشرح فيها Cognition سبب بقاء الأوزان في موطنها.

يبدأ بوصف عميل يحتاج إلى أكثر من "نموذج قادر خلف واجهة API": مؤسسات وحكومات تحتاج إلى "قابلية مراقبة تتيح استضافة عمليات النشر والتحكم فيها على بنيتها التحتية الخاصة، بما في ذلك داخل المنشأة (on-prem)"، وباحثين يحتاجون إلى دراسة كيفية تصرف النموذج. ثم يذكر الهدف بوضوح — "أحد أهدافنا مع SWE-2 Flash هو توفير خيار لشركاء الصناعة والباحثين يتيح وصولاً شفافًا إلى الأوزان إلى جانب القدرة على الضبط الدقيق وتشغيل النموذج في بيئات حساسة."

بعد فقرتين: «نحن لا نشارك الأوزان علنًا بعد»، مع برنامج شراكة موعود به «خلال بضعة أسابيع»، والسبب المذكور هو مخاطر الأمن السيبراني. درّبت Cognition النموذج عمدًا على ذلك. ويقول القسم نفسه إنها «استهدفت العمل في الأمن السيبراني في تدريبنا، مما رفع نتيجة النموذج في ExploitBench من 11.3% إلى 34.8%»، ثم يقر بأن «هذه القدرات نفسها يمكن أن يستخدمها مهاجمون خبيثون أيضًا» ويحجب الأوزان.

إذا قُرئ ذلك بوصفه سياسةً، فالمَنطق متماسك لكنه غير مريح: العميل الذي يعمل داخل مقرّه، والذي يصفه القسم، لا يمكنه الحصول على النموذج الذي دُرِّب من أجله، والعائق المعلن هو قدرةٌ اختارت Cognition إضافتها. وإذا قُرئ بوصفه دليلًا على النموذج، فهناك تفصيل أدقّ في الجدول. تحصل SWE-2 Flash على 34.8 في ExploitBench مقابل 36.1 لـ SWE-2. النموذج الذي لن تُصدره Cognition يبعد 1.3 نقطة عن النموذج الرائد الذي تبيعه بالفعل. لو كان الحجم هو حجة السلامة، لبدا ذلك الرقم مختلفًا.

تغيّرت الوصفة أيضًا، وهي الجزء الجدير بالنسخ.

تقول Cognition إن هذه هي المرة الأولى التي تضيف فيها مرحلة تدريب وسطية قبل التعلم المعزز. استخدمت المرحلة "بضعة تريليونات من الرموز" من المقالات العلمية عالية الجودة والمدونات والشفرة ومصادر أخرى، ونُفّذت على ثلاث تمريرات بحيث "يرى النموذج البيانات الأندر والأعلى جودة في وقت لاحق من التدريب". اختيرت الخلائط عبر تجارب كفاءة الرموز: شُغّلت خلائط مرشحة مقابل مجموعة تحقق محجوزة وقورنت بعدد الرموز التي احتاجتها كل منها للوصول إلى الخسارة نفسها كخط أساس.

ثم جاءت مرحلة التعلم المعزز (RL). وتُبدي Cognition صراحة غير معتادة بشأن مصدر المكاسب: «رغم أننا أجرينا بعض التعديلات على وصفة التعلم المعزز (RL) لدينا من SWE-2، فإن معظم التحسينات جاءت من الجودة والتنوع الأعلى بكثير في مهام التعلم المعزز (RL) لدينا». وتصف تدقيق التعليمات وإعداد البيئة والمدققين، وانتقاء أنواع مهام جديدة عبر نطاق أوسع من القدرات. هذه حكاية بيانات ومدققين، لا حكاية حجم، وهي أكثر ما يمكن نقله في هذا الإصدار.

يدعم حجم القفزة هذا التفسير. وبالمقارنة بقاعدته الخاصة، ينقل SWE-2 Flash نتيجة Terminal-Bench 4.0 من 0.9 إلى 20.0، ونتيجة FrontierCode 2.0 من 3.2 إلى 24.0. ومهما كانت تكلفة التدريب اللاحق، فقد اشترت ما يقارب عشرين ضعف نتيجة النموذج الأساسي في أحد المعايير وسبعة أضعاف في آخر، وذلك في نموذج نشط بـ12 مليار معلمة. وما لا تنشره Cognition هو عدد الرموز في التدريب الأوسط بما يتجاوز «بضعة تريليونات»، أو الحوسبة، أو أي تجربة استئصال تعزل التدريب الأوسط عن التعلم المعزز (RL). والادعاء بأن المرحلة الجديدة هي التي سببت هذا المكسب هو ادعاء Cognition؛ أما الآلية فغير قابلة للتحقق منها بشكل مستقل.

الأرقام، وأين يصبح الادعاء الرئيسي ضعيفًا

كل ما يلي مأخوذ من Cognition نفسها، من جدول الإطلاق الخاص بها، ولم يُعَد إنتاجه بشكل مستقل. وFrontierCode هو معيار قياس تابع لـ Cognition، كُتب بمشاركة مشرفين خارجيين ويُقيَّم من قِبل Cognition.

• FrontierCode 2.0 — SWE-2 Flash 24.0 مقابل SWE-2 23.8

• FrontierCode 1.1 الرئيسي — 45.5 مقابل 50.0

• DeepSWE 1.1 — 60.1 مقابل 73.0

• Terminal-Bench 4.0 — 20.0 مقابل 27.3

• Terminal-Bench 2.1 — 89.2 مقابل 92.8

• SWE-Atlas QA — 50.0 مقابل 56.3

• SWE-Bench Pro v2 Hard — 89.9 مقابل 90.6

• ExploitBench — 34.8 مقابل 36.1

صفٌّ واحد فوز وسبعة خسائر، معظمها صغيرة. يتعادل Flash مع الطراز الرائد على FrontierCode 2.0، ويكون ضمن نقطة واحدة على SWE-Bench Pro v2 Hard، ويتخلف بثلاثة عشر نقطة على DeepSWE 1.1. هذا النمط — قريب في المهام المحدودة، وأبعد في المهام الطويلة الأفق — هو أكثر ما يفيد في الجدول، وهو موضوع مقارنتنا المنفصلة بين النموذجين.

تستحق دعوى «أكبر بثلاثة أضعاف» فقرة خاصة بها لأن الهامش أضيق مما توحي به الجملة. النموذج الأمريكي المفتوح الأوزان الأقرب للمقارنة هو Muse Spark Open، بإجمالي 616B و42B نشطًا. على DeepSWE 1.1 يسجل 60.0 مقابل 60.1 لـ SWE-2 Flash. عُشر نقطة. تصمد الدعوى لأن هوامش Flash الأخرى حقيقية — 20.0 مقابل 8.0 على Terminal-Bench 4.0، و24.0 مقابل 6.2 على FrontierCode 2.0 — لكن العنوان الرئيسي «حتى النماذج الأكبر بثلاثة أضعاف» يقوم، في الصف الذي يكون فيه ذلك النموذج الأقوى، على خطأ تقريب.

يوجد أيضًا عمود في الجدول نفسه يعمل في الاتجاه المعاكس. فـ DeepSeek V4.1 Flash 1017، بإجمالي 763B و16B نشطًا، يتفوق على Flash في أربعة من الصفوف الثمانية: 77.0 مقابل 60.1 في DeepSWE 1.1، و71.0 مقابل 50.0 في SWE-Atlas QA، و42.3 مقابل 20.0 في Terminal-Bench 4.0، و91.0 مقابل 89.2 في Terminal-Bench 2.1. اثنتان من هذه الفوارق أكبر من أي فارق يفوز به Flash في أي مكان في الجدول. إن ادعاء "جميع النماذج الأمريكية المفتوحة الأوزان" محدد بالنطاق الوطني، وأقوى نموذج للمقارنة في الجدول يقع خارج هذا النطاق.

ما الذي يكلفك إياه خط الضفيرة المفقود

جاء إطلاق SWE-2 في سبتمبر مرفقًا بملحق منهجي. وقد حدّد إطار العمل المستخدم لكل مورّد — Claude Code لنماذج Anthropic، وCodex لنماذج OpenAI، وGrok Build لـ xAI — وأوضح أنه تم الإبلاغ عن أفضل نتيجة لكل نموذج عبر إعدادات جهد الاستدلال. ولا يتضمن منشور Flash أيًا من ذلك. فلا أداة اختبار، ولا إعداد لجهد الاستدلال، ولا بيان بشأن ما إذا كانت الأرقام تمثل أفضل نتيجة من N، ولا حاشية تشرح الجدول.

هذا الإغفال يهمّ النموذج الصغير أكثر مما يهمّ النموذج الكبير، لأن حجة Flash تقول إن التدريب اللاحق أغلق فجوة. وإذا كان نموّجا Cognition قد شُغِّلا في هياكل تشغيل (scaffolds) مختلفة، فإن جزءًا من فرق الـ0.2 نقطة في FrontierCode يعود إلى أداة التشغيل (harness). وإذا كان صف SWE-2 يمثّل أفضل إعداد لجهدها بينما يملك Flash إعدادًا واحدًا، فالمقارنة حينها بين أفضل حالة وحالة مجهولة. ثلاثة إفصاحات كفيلة بإصلاح ذلك: أداة التشغيل لكل صف، وإعداد الجهد لكل صف، وتشغيل مستقل واحد لـ Terminal-Bench 4.0 من جهة لا تتبع Cognition.

ما يمكنك الاتصال به هذا الأسبوع

لا شيء هنا. لا يملك SWE-2 Flash أي نقطة نهاية، ولا توفره أي منصة تابعة لجهة خارجية — فلا يوجد معرّف للتوجيه. ما يمكنك استدعاؤه هو النماذج التي يُقارَن بها، والفجوة بين الحالتين هي القصة العملية لهذا الإصدار.

يتم توجيه DeepSeek V4 Flash عبر OrcaRouter باسم deepseek/deepseek-v4-flash، مع سياق يبلغ 1M رمز وحدٍّ أقصى للإخراج يبلغ 384K، وهما القيمتان اللتان تنشرهما DeepSeek ولا تنشرهما Cognition لنسخة Flash. أما Kimi K3، النموذج الأساسي الذي انطلق منه التدريب اللاحق لـSWE-2، فيُوجَّه عبر OrcaRouter بسعر 3.00 دولارات لكل مليون رمز إدخال و15.00 دولارًا لكل مليون رمز إخراج باسم kimi/kimi-k3. وتغطي واجهة برمجية واحدة أكثر من 200 نموذج بسعر قائمة المزوّد دون أي هامش إضافي، لذا يصل إليك تغيير سعر المورّد في اليوم نفسه بدلًا من أن يصل وفق جدول الموجّه. وإذا كنت تختبر ما إذا كان نموذج مُدرَّب لاحقًا بـ12B معاملًا نشطًا جيدًا بما يكفي لطابورك، فيجب أن يجري ذلك الاختبار على نموذج بـ12B نشطًا يمكنك استدعاؤه فعليًا، مع سلسلة احتياطية من خلفه حتى لا تتحول التجربة إلى اعتمادية في بيئة الإنتاج.

القراءة الضيقة لـ SWE-2 Flash هي التي تدعمها الأدلة. فنموذج ذو 12 مليار معامل نشط، دُرّب لاحقًا على تدريب أوسط وعلى مجموعة تعلّم معزز أكثر تدقيقًا، يقع ضمن 4.5 نقاط من نموذج رائد ذي 104 مليارات معامل نشط على FrontierCode 1.1 Main، وعلى المستوى نفسه في FrontierCode 2.0، بخُمس السعر داخل منتج واحد. وإذا صمد ذلك في اختبارات مستقلة، فالدرس ليس أن النماذج الصغيرة لحقت بالركب. بل إن العائد الحدّي على المعاملات في وكلاء البرمجة قد أصبح أدنى من العائد الحدّي على جودة المدقّق — والشركات القادرة على توليد المهام الصعبة وتدقيقها، لا تلك القادرة على تحمّل تكلفة أكبر قاعدة، هي التي ستضبط الإيقاع. وهذا ادعاء أكبر من فوز بـ0.2 نقطة، وهو الجدير بالمراقبة في الجولة المستقلة التالية.