Wir stellen vor: SWE-2 Flash – acht Benchmark-Zeilen und kein einziger Endpunkt

Cognition kündigte am 4. November 2026 SWE-2 Flash an, und der Beitrag ist ungewöhnlich großzügig mit Zahlen: acht Benchmark-Zeilen, zwei Vorher-nachher-Deltas beim Training, eine Geschwindigkeitsangabe und eine Preisangabe. Was er nicht enthält, ist eine Möglichkeit, das Modell aufzurufen. SWE-2 Flash läuft in Devin Desktop und der Devin CLI und ist bis zum 30. November 2026 kostenlos. Es gibt keinen API-Endpunkt, keine Modell-ID, keinen Preis pro Token und keine öffentlichen Gewichte. Bei einem Launch, dessen Schlagzeile „schnell und effizient“ lautet, ist das Nützlichste, was ein Entwickler wissen kann, dass die Effizienz derzeit in Dollar gemessen wird, die man nicht zahlt, statt in Tokens, die man kaufen kann.

Das ist keine Kritik am Modell. Es ist die Ausgestaltung des Angebots, und sie entscheidet darüber, wer aufgrund dieser Ankündigung heute handeln kann und wer warten muss.

Was am 4. November tatsächlich veröffentlicht wurde

Das Datenblatt ist kurz genug, um auf einen Bildschirm zu passen, was für sich genommen aufschlussreich ist – Cognition veröffentlichte weniger über dieses Modell als im September über SWE-2.

• Basismodell — nachtrainiert auf Basis von Inkling-Small, dem Mixture-of-Experts-Modell mit offenen Gewichten von Thinking Machines Lab mit insgesamt 276 Mrd. Parametern und 12 Mrd. aktiven Parametern, Apache 2.0 als Upstream.

• Serving — nur Devin Desktop und die Devin CLI. Kein gehosteter Endpoint, keine Vendor-API, kein Download von Gewichten.

• Preis — es wird kein Preis pro Token veröffentlicht. Der Zugang ist bis zum 30. November 2026 kostenlos.

• Geschwindigkeit — etwa 200 Token pro Sekunde gegenüber 60 bei SWE-2, eine Zahl, die Cognition durch das Abspielen verkürzter Sitzungstranskripte mit simulierten Raten ermittelte, statt einen Live-Endpunkt zu messen.

• Kontextfenster, maximale Ausgabe und Effort-Einstellungen – nirgendwo im Launch-Beitrag angegeben.

Der Wechsel des Basismodells ist die wirklich neue Ingenieursleistung. SWE-2 wurde auf Kimi K3 aufgebaut, einem Basismodell mit insgesamt 2,8 T Parametern und 104 B aktiven Parametern. SWE-2 Flash basiert auf einem Basismodell, das bei den Gesamtparametern etwa ein Zehntel und bei den aktiven Parametern etwa ein Achtel der Größe hat, und Cognition sagt, dass der Großteil der Qualitätswiederherstellung auf bessere Aufgaben für bestärkendes Lernen und geprüfte Verifikatoren zurückging und nicht auf Skalierung. Der Beitrag beschreibt außerdem die erste Mid-Training-Phase, die das Unternehmen vor dem RL eingesetzt hat: ein paar Billionen Tokens aus wissenschaftlichen Artikeln, Blogs und Code, die in drei Durchläufen verarbeitet wurden, wobei die seltensten Daten zuletzt kamen.

Die Behauptung, die wiederholt werden wird, und die Zeile, auf der sie beruht

Der Satz, den alle zitieren werden, ist, dass SWE-2 Flash „alle amerikanischen Open-Weight-Modelle übertrifft, sogar solche, die dreimal so groß sind“. Es lohnt sich zu wissen, wie viel davon den Kontakt mit der darunterstehenden Tabelle übersteht.

Der einzige direkte Vergleich im selben Benchmark im Launch-Material gegen einen kleineren amerikanischen Open-Weight-Coder ist Terminal-Bench 2.1, wo SWE-2 Flash 89,2 gegenüber 54,9 von Flint v1.0 meldet. Das ist eine große Lücke bei einer gemeinsamen Benchmark-Version, und es ist der stärkste einzelne Beleg für die Behauptung. Aber Flint v1.0 hat insgesamt 39,8B, und Coheres North Mini Code hat 30B – keines ist dreimal so groß wie ein 276B-Modell. Sie sind kleiner, was es wenig bemerkenswert statt beeindruckend macht, sie zu übertreffen.

Die 3× größeren Vergleichsmodelle in Cognitions eigener Tabelle sind Muse Spark Open mit insgesamt 616 Mrd. Parametern und DeepSeek V4.1 Flash 1017 mit insgesamt 763 Mrd. Parametern. Auf DeepSWE 1.1 meldet SWE-2 Flash 60,1 gegenüber 60,0 von Muse Spark Open — ein Zehntelpunkt, innerhalb jedes plausiblen Rauschbands, und das Modell, mit dem es verglichen wird, wird nicht im selben Atemzug als Modell mit offenen Gewichten beschrieben. DeepSeek V4.1 Flash 1017 hingegen ist nicht amerikanisch und kann daher überhaupt nicht Teil einer Aussage über „amerikanische offene Gewichte“ sein. Es ist außerdem das Modell, das SWE-2 Flash auf Terminal-Bench 4.0 um 22,3 Punkte schlägt — 42,3 zu 20,0 —, was der größte Einzelverlust im gesamten Vergleich ist.

Nichts davon macht die Behauptung falsch. Es macht die Behauptung enger, als sie klingt: ein gemeinsamer Benchmark gegen ein amerikanisches Open-Weight-Modell und ein Sieg im Bereich des Rundungsfehlers gegen ein Modell, dessen Lizenz eine separate Frage ist. Alle diese Zahlen stammen von Cognition selbst und wurden auf einem Harness ermittelt, den der Beitrag nicht nennt.

Zwei Terminal-Bench-Zahlen, siebzig Punkte auseinander

Wenn Sie aus der Tabelle von Cognition nur eine Sache mitnehmen, dann diese beiden Werte. SWE-2 Flash erzielt 20,0 auf Terminal-Bench 4.0 und 89,2 auf Terminal-Bench 2.1. Das sind keine konkurrierenden Schätzungen derselben Sache; es sind unterschiedliche Benchmark-Generationen mit unterschiedlichen Aufgabensätzen und unterschiedlicher Schwierigkeit, und auf den ersten Blick trennt sie nur die Versionsnummer. Eine Launch-Tabelle, die beide aufführt, verleitet genau zu dem Fehler, 20,0 mit dem 2.1-Wert eines Konkurrenten zu vergleichen oder 89,2 mit dem 4.0-Wert eines Konkurrenten.

Die sichere Regel für dieses Modell – und für jedes Modell, bei dem der Anbieter mehr als eine Terminal-Bench-Version nennt – lautet: 2.1 mit 2.1 und 4.0 mit 4.0 vergleichen und angeben, welche Version man zitiert. Wir führen dazu eine laufende Notiz, weil die abgeflachte Textdarstellung der Launch-Tabelle in der Sekundärberichterstattung bereits eine Zeile falsch zugeordnet hat.

Warum die Gewichte hinter einer Tür sind – und was die Tür ist

Cognition stellt die zurückgehaltenen Gewichte als Abwägung zwischen Transparenz und Risiko dar, und der Beitrag ist ungewöhnlich direkt, was die Risikoseite betrifft. Das Unternehmen erklärt, es habe gezielt für Sicherheitsarbeit trainiert und seinen ExploitBench-Wert von 11,3 während des Basis-Trainings auf 34,8 nach dem Post-Training gesteigert. Würden diese Gewichte veröffentlicht, käme ein leistungsfähiges Modell zum Schreiben von Exploits in den allgemeinen Umlauf.

Stattdessen gibt es ein Programm. Gewichte sollen „sicher“ mit Partnern und Forschenden geteilt werden, und der Beitrag verspricht Details „in ein paar Wochen“. Zum Zeitpunkt dieses Textes gibt es kein Antragsformular, keine Teilnahmekriterien, keine Lizenz, kein Datum und keine Aussage dazu, ob geteilte Gewichte weiterverbreitet oder kommerziell genutzt werden dürfen. Ein Partnerprogramm ist keine Veröffentlichung als Open Weights, und der Unterschied ist wichtig für alle, die selbst hosten wollen: Solange die Bedingungen nicht existieren, ist die richtige Planungsannahme, dass SWE-2 Flash niemals herunterladbar sein wird.

Bis 30. November kostenlos, danach ohne Preisangabe

Das kommerzielle Angebot ist ein Monat kostenloser Zugang innerhalb von Devin. Danach weiß niemand außerhalb von Cognition, was es kostet, weil kein Preis pro Token veröffentlicht wurde. Die Aussage „ein Fünftel des Preises von SWE-2“ ist ein Verhältnis zu einem Produkt mit eigener Bündelpreisgestaltung, keine Preisliste.

Das ist ein echtes Planungsrisiko, wenn Sie erwägen, darauf einen Workflow aufzubauen. Eine Abhängigkeit ohne Preis ist schlimmer als eine teure, denn Sie können sie nicht modellieren. Der sinnvolle Schritt zwischen jetzt und dem 30. November besteht darin, das zu messen, was Sie messen können – ob die Ausgabequalität des Modells in Ihrem eigenen Repository einen Wechsel Ihrer Devin-Konfiguration rechtfertigt – und die Kostenfrage als offen zu behandeln, bis Cognition eine Zahl veröffentlicht.

Was Sie heute tatsächlich anrufen können

SWE-2 Flash ist nicht auf OrcaRouter und wird es auch nicht sein, bis Cognition einen Endpoint oder eine lizenzierte Gewichtsveröffentlichung ausliefert; wir werden nicht so tun, als wäre es anders. Was jetzt aufrufbar ist, ist der Rest des Felds, mit dem dieser Launch implizit konkurriert — darunter Metas Muse Spark 1.2 und 1.1, die beide im Katalog live sind und beide die Modelle sind, die SWE-2 Flashs DeepSWE-1.1-Score auf einen Zehntelpunkt festgelegt haben.

Wenn der Grund, warum Sie das hier lesen, der ist, dass Sie diese Woche und nicht erst im Dezember ein günstiges, schnelles Coding-Modell in einer Agentenschleife wollen, dann ist das die praktische Weggabelung: auf Cognitions Preisgestaltung und Partnerprogramm warten oder Ihren bestehenden Client auf eine API für mehr als 200 Modelle ausrichten und die Alternativen gegen Ihre eigene Testsuite im A/B-Vergleich prüfen. OrcaRouter gibt die Listenpreise der Anbieter mit 0 % Aufschlag weiter; wenn Cognition also irgendwann einen Tarif veröffentlicht, dann ist dieser Tarif das, was Sie hier am ersten Tag sehen würden, und keine aufgeschlagene Reseller-Zahl.

Was im Launch-Post fehlte

Vier Auslassungen sollten hervorgehoben werden, denn sie entscheiden darüber, ob die Zahlen etwas aussagen:

• Kein Harness. Der SWE-2-Beitrag vom September legte sein Scaffold und seine Effort-Einstellung offen. Dieser hier nicht, wodurch jeder Agentic-Score eine Blackbox ist.

• Keine Best-of-N-Angabe. Wir wissen nicht, ob es sich um pass@1 oder ein Best-of-Five handelt.

• Kein Kontextfenster. Für ein Modell, das als günstige Option innerhalb eines Agenten positioniert ist, ist das Kontextbudget keine Fußnote.

• Kein unabhängiger Lauf. Jede hier genannte Zahl ist vom Anbieter gemeldet und nicht reproduziert, einschließlich des FrontierCode-2.0-Scores von 24.0 – und FrontierCode ist Cognition's eigener Benchmark, woran man sich erinnern sollte, wenn ausgerechnet diese Zeile einen Sieg zeigt.

Worauf man achten sollte, ist nicht noch eine weitere Benchmark-Zeile. Es ist die Partnerprogramm-Seite: das Datum, die Lizenz und der Preis. Wenn diese drei Dinge vorliegen, wird SWE-2 Flash zu einem Modell, das man bewerten kann. Bis dahin ist es eine gut dokumentierte Demo mit einem angehängten Gratismonat.