Cognition SWE-2 Flash: El descuento es real, el modelo base es la noticia

SWE-2 Flash se lanzó el 4 de noviembre de 2026 con dos cifras adosadas: un quinto del precio y tres veces la velocidad de SWE-2, el modelo de 2,8 billones de parámetros que Cognition lanzó ocho semanas antes. Ambas son proporciones, no tasas, y ambas se miden dentro de Devin. La frase que realmente cambia algo es más fácil de pasar por alto al leer por encima: este modelo es un post-entrenamiento de Inkling-Small, la base Apache-2.0 del Thinking Machines Lab de Mira Murati. Es la primera vez que uno de los modelos de programación de Cognition no desciende de una base china de pesos abiertos, y es la razón por la que las otras dos cifras existen siquiera.

Para quienes llegan desde un buscador y no desde un boletín: SWE-2 Flash es un modelo de programación, se ejecuta dentro de los productos de agente de Cognition y no es algo que puedas invocar desde tu propio código. No hay endpoint, ni identificador de modelo, ni tarifa de precios. La publicación de lanzamiento ofrece una fecha, un modelo base, una historia de entrenamiento, una tabla de cifras y una ventana gratuita que termina el 30 de noviembre. Todo lo que sigue se extrae de esa publicación, de la propia tabla de Cognition y de las alternativas de acceso público — con la fuente indicada para cada cifra.

Lo que se lanzó, y las dos palabras que faltan en la publicación

Cognition es explícita sobre la superficie. SWE-2 Flash está disponible hoy en Devin Desktop y Devin CLI, y el banner final de la publicación dice: «Gratis hasta el 30/11 — Pruébalo hoy en Devin Desktop y CLI». Esa es toda la historia de distribución. No hay lanzamiento de API, ni lista de espera para un endpoint, ni repositorio de Hugging Face.

Las dos palabras que faltan en la afirmación sobre el precio son «por token». «A una quinta parte del precio y 3 veces la velocidad de su hermano mucho más grande» es una afirmación sobre lo que cuesta una tarea dentro de Devin, que combina el modelo, el arnés, el andamiaje y la pila de servicio de Cognition en una sola factura. Es una forma legítima de poner precio a un agente, y no es una tarifa que puedas comparar con la tarifa por millón de tokens de ningún otro. Un lector que intente convertirla en una fallará, porque la publicación nunca dice de qué es una quinta parte.

La cifra de velocidad necesita la misma interpretación. La sección de velocidad de Cognition dice 200 tok/s frente a 60 tok/s para SWE-2, y luego explica qué midió: "La ejecución propia de cada modelo en la tarea gsea-proteomics de Terminal-Bench 4.0, reproducida a una velocidad simulada de 200 frente a 60 tokens por segundo. Las transcripciones se acortan a la misma longitud para compararlas". Eso es una reproducción a las velocidades indicadas, no una medición en vivo de dos endpoints bajo carga. Te dice el perfil de servicio previsto. No te dice lo que verás a las 2 de la tarde de un martes.

El cambio de modelo base es el verdadero lanzamiento.

Hace siete semanas, SWE-2 se entrenó posteriormente a partir de Kimi K3 —la mezcla de 2,8 billones de parámetros de Moonshot, con 104B activos por token—. SWE-2 Flash se entrena posteriormente a partir de Inkling-Small, 276B en total y 12B activos, publicado bajo Apache 2.0 en julio. El propio gráfico de tamaños de Cognition sitúa al nuevo modelo en 1x y a SWE-2 en 10,1x, lo que es una forma educada de señalar una brecha de ocho veces en parámetros activos.

Ese intercambio es lo que hace que la afirmación sobre el precio sea mecánicamente plausible en lugar de promocional. El costo de servicio depende de los parámetros activos y de los tokens generados mucho más que de una puntuación de benchmark, y un modelo de 12B activos está en una clase de servicio distinta a la de uno de 104B activos. No hace falta confiar en la narrativa de eficiencia de Cognition para aceptar que un modelo mucho más pequeño puede venderse a una quinta parte del precio. La pregunta interesante es qué conservó.

Cognition enmarca el cambio en clave nacional. La primera línea de la publicación llama a SWE-2 Flash «un modelo de programación totalmente estadounidense», y continúa diciendo que el modelo «supera a todos los modelos estadounidenses de pesos abiertos, incluso a modelos que son 3 veces más grandes». Ambas afirmaciones son ciertas tal como están escritas, y ambas son más limitadas de lo que parecen. «Totalmente estadounidense» describe una cadena de suministro —los pesos base de un laboratorio estadounidense, entrenados posteriormente por una empresa estadounidense—, no una barrera defensiva, porque Inkling-Small es Apache 2.0 y cualquiera puede descargarlo, incluidos los competidores a los que va dirigida la afirmación. La parte que Cognition controla realmente es el mid-train y el RL, y esa es la parte que no está publicando.

La contradicción que se encuentra en la sección Orígenes y Cibernética

El pasaje más citable del comunicado no es un benchmark. Es la sección donde Cognition explica por qué los pesos se quedan en casa.

Comienza describiendo a un cliente que necesita más que «un modelo capaz detrás de una API»: empresas y gobiernos que necesitan «observabilidad para alojar y controlar implementaciones en su propia infraestructura, incluido on-prem», e investigadores que necesitan estudiar cómo se comporta un modelo. Después expone el objetivo con claridad: «Uno de nuestros objetivos con SWE-2 Flash es ofrecer a socios del sector e investigadores una opción que permita un acceso transparente a los pesos, junto con la capacidad de ajustarlo y ejecutarlo en entornos sensibles».

Dos párrafos después: «aún no estamos compartiendo los pesos públicamente», con un programa de socios prometido «en unas semanas», y la razón dada es el riesgo de ciberseguridad. Cognition lo entrenó deliberadamente para ello. La misma sección dice que «se orientó al trabajo de ciberseguridad en nuestro entrenamiento, elevando la puntuación ExploitBench del modelo de 11.3% a 34.8%», y luego reconoce que «estas mismas capacidades también pueden ser usadas por atacantes maliciosos» y retiene los pesos.

Si se lee como política, la lógica es coherente pero incómoda: el cliente on-prem que describe la sección no puede tener el modelo que se entrenó para él, y el obstáculo declarado es una capacidad que Cognition decidió añadir. Si se lee como evidencia sobre el modelo, hay un detalle más revelador en la tabla. SWE-2 Flash obtiene 34,8 en ExploitBench frente a 36,1 de SWE-2. El modelo que Cognition no lanzará está a 1,3 puntos del buque insignia que ya vende. Si el tamaño fuera el argumento de seguridad, esa cifra se vería diferente.

La receta también cambió, y es la parte que vale la pena copiar.

Cognition dice que esta es la primera vez que añade una etapa de entrenamiento intermedio antes del aprendizaje por refuerzo. La etapa utilizó «varios billones de tokens» de artículos científicos, blogs, código y otras fuentes de alta calidad, y se ejecutó en tres pasadas para que «el modelo viera los datos más escasos y de mayor calidad más tarde en el entrenamiento». Las mezclas se eligieron con experimentos de eficiencia de tokens: se ejecutaron mezclas candidatas contra un conjunto de validación reservado y se compararon según cuántos tokens necesitaba cada una para alcanzar la misma pérdida que una línea base.

Luego vino la pasada de RL. Cognition es inusualmente sincera sobre de dónde vinieron las mejoras: «Aunque hicimos algunos ajustes a nuestra receta de RL desde SWE-2, la mayoría de las mejoras provinieron de la mucha mayor calidad y diversidad de nuestras tareas de RL». Describe la auditoría de instrucciones, la configuración del entorno y los verificadores, y la curación de nuevos tipos de tareas en una gama más amplia de capacidades. Esa es una historia de datos y verificadores, no una historia de escala, y es lo más transferible del lanzamiento.

La magnitud del salto respalda la interpretación. Frente a su propia base, SWE-2 Flash lleva Terminal-Bench 4.0 de 0.9 a 20.0 y FrontierCode 2.0 de 3.2 a 24.0. Cualquiera sea el costo del post-entrenamiento, compró aproximadamente veinte veces la puntuación del modelo base en un benchmark y siete veces en otro, en un modelo de 12B activos. Lo que Cognition no publica es el recuento de tokens del mid-train más allá de «unos pocos billones», el cómputo, o cualquier ablación que aísle el mid-train del RL. La afirmación de que la nueva etapa causó la mejora es de Cognition; el mecanismo no es verificable de forma independiente.

Los números, y dónde la afirmación principal se queda corta

Todos los siguientes son propios de Cognition, proceden de su tabla de lanzamiento y ninguno ha sido reproducido de forma independiente. FrontierCode es el benchmark de Cognition, escrito con mantenedores externos y evaluado por Cognition.

• FrontierCode 2.0 — SWE-2 Flash 24.0 frente a SWE-2 23.8

• FrontierCode 1.1 Main — 45,5 frente a 50,0

• DeepSWE 1.1 — 60,1 frente a 73,0

• Terminal-Bench 4.0 — 20.0 frente a 27.3

• Terminal-Bench 2.1 — 89,2 vs 92,8

• SWE-Atlas QA — 50,0 vs 56,3

• SWE-Bench Pro v2 Hard — 89,9 frente a 90,6

• ExploitBench — 34,8 frente a 36,1

Una fila es una victoria y siete son derrotas, la mayoría de ellas pequeñas. El Flash está a la par del modelo insignia en FrontierCode 2.0, a menos de un punto en SWE-Bench Pro v2 Hard y trece puntos por detrás en DeepSWE 1.1. Esa forma —cerca en las tareas acotadas, más rezagado en las de horizonte largo— es lo más útil de la tabla, y es el tema de nuestra comparación aparte de los dos modelos.

La afirmación de «3 veces más grande» merece su propio párrafo porque el margen es más estrecho de lo que sugiere la frase. El comparador estadounidense de pesos abiertos que más se acerca es Muse Spark Open, 616B en total y 42B activos. En DeepSWE 1.1 obtiene 60,0 frente a los 60,1 de SWE-2 Flash. Una décima de punto. La afirmación se sostiene porque los otros márgenes del Flash son reales —20,0 frente a 8,0 en Terminal-Bench 4.0, 24,0 frente a 6,2 en FrontierCode 2.0—, pero el titular «incluso modelos que son 3 veces más grandes» descansa, en la fila donde ese modelo es más fuerte, en un error de redondeo.

También hay una columna en la misma tabla que apunta en la dirección opuesta. DeepSeek V4.1 Flash 1017, con 763B en total y 16B activos, supera al Flash en cuatro de las ocho filas: de 77,0 a 60,1 en DeepSWE 1.1, de 71,0 a 50,0 en SWE-Atlas QA, de 42,3 a 20,0 en Terminal-Bench 4.0 y de 91,0 a 89,2 en Terminal-Bench 2.1. Dos de esos márgenes son mayores que cualquiera de los que el Flash gana en cualquier parte de la tabla. La afirmación «todos los modelos open-weight estadounidenses» está delimitada por la nacionalidad, y el comparador más fuerte de la tabla queda fuera de ese alcance.

Lo que te cuesta la línea faltante del arnés

El lanzamiento de SWE-2 en septiembre incluyó un apéndice de metodología. En él se indicaba el scaffold usado para cada proveedor —Claude Code para los modelos de Anthropic, Codex para los modelos de OpenAI y Grok Build para xAI— y se afirmaba que se reportaba la mejor puntuación de cada modelo entre los distintos ajustes de esfuerzo de razonamiento. La publicación de Flash no contiene nada de eso. No hay harness, ni ajuste de esfuerzo, ni una declaración de si los números son best-of-N, ni una nota al pie que explique la tabla.

Esa omisión importa más en un modelo pequeño que en uno grande, porque el argumento de Flash es que el post-entrenamiento cerró una brecha. Si los dos modelos de Cognition se ejecutaron en scaffolds distintos, parte de la diferencia de 0,2 puntos en FrontierCode se debe al harness. Si la fila de SWE-2 corresponde a su configuración de mejor esfuerzo y Flash tiene una sola configuración, la comparación es un mejor caso contra una incógnita. Tres divulgaciones lo arreglarían: el harness por fila, la configuración de esfuerzo por fila y una ejecución independiente de Terminal-Bench 4.0 por parte de alguien que no sea de Cognition.

Lo que puedes llamar esta semana

Aquí no hay nada. SWE-2 Flash no tiene endpoint y ninguna plataforma de terceros lo ofrece: no hay identificador al que enrutar. Lo que sí puedes invocar son los modelos con los que se lo compara, y la brecha entre ambas situaciones es la historia práctica del lanzamiento.

DeepSeek V4 Flash se enruta en OrcaRouter como deepseek/deepseek-v4-flash, con el contexto de 1M de tokens y la salida máxima de 384K que DeepSeek publica y Cognition no publica para el Flash. Kimi K3, el SWE-2 base del que se hizo el post-entrenamiento, se enruta en OrcaRouter a $3.00 por millón de tokens de entrada y $15.00 por millón de tokens de salida como kimi/kimi-k3. Una API cubre más de 200 modelos al precio de lista del proveedor sin ningún recargo adicional, así que un cambio de precio de un proveedor te llega el mismo día en lugar de según el calendario del enrutador. Si estás probando si un modelo post-entrenado de 12B activos es lo bastante bueno para tu cola, esa prueba tiene que ejecutarse contra un modelo de 12B activos al que realmente puedas llamar, con una cadena de respaldo detrás para que una prueba no se convierta en una dependencia de producción.

La interpretación restrictiva de SWE-2 Flash es la que respaldan las pruebas. Un modelo de 12B activos, entrenado posteriormente sobre una etapa intermedia de entrenamiento y un conjunto de RL mejor auditado, queda a 4,5 puntos o menos de un buque insignia de 104B activos en FrontierCode 1.1 Main e igualado en FrontierCode 2.0, a una quinta parte del precio dentro de un mismo producto. Si eso se sostiene en pruebas independientes, la lección no es que los modelos pequeños se hayan puesto al día. Es que, en los agentes de programación, el retorno marginal de los parámetros ha caído por debajo del retorno marginal de la calidad del verificador —y las empresas que pueden generar y auditar tareas difíciles, en lugar de las que pueden permitirse la base más grande, marcarán el ritmo. Es una afirmación de mayor calado que una victoria por 0,2 puntos, y es la que vale la pena seguir de cerca para la próxima evaluación independiente.