Presentamos SWE-2 Flash: ocho filas de benchmark y ni un solo endpoint

Cognition anunció SWE-2 Flash el 4 de noviembre de 2026, y la publicación es inusualmente generosa con las cifras: ocho filas de benchmarks, dos deltas de entrenamiento de antes y después, una cifra de velocidad y una cifra de precio. Lo que no contiene es una forma de llamar al modelo. SWE-2 Flash se ejecuta dentro de Devin Desktop y la Devin CLI, gratis hasta el 30 de noviembre de 2026. No hay endpoint de API, ni ID de modelo, ni tarifa por token, ni pesos públicos. Para un lanzamiento cuyo titular es "rápido y eficiente", lo más útil que un desarrollador puede saber es que la eficiencia actualmente se mide en dólares que no pagas en lugar de en tokens que puedes comprar.

Eso no es una crítica al modelo. Es la forma de la oferta, y determina quién puede actuar hoy ante este anuncio y quién tiene que esperar.

Qué se envió realmente el 4 de noviembre

La hoja de especificaciones es lo bastante corta como para caber en una sola pantalla, lo cual ya es informativo en sí mismo: Cognition publicó menos sobre este modelo de lo que publicó sobre SWE-2 en septiembre.

• Modelo base — entrenado posteriormente a partir de Inkling-Small, la mezcla de expertos de pesos abiertos de Thinking Machines Lab con 276B de parámetros totales y 12B activos, Apache 2.0 en origen.

• Servicio — únicamente Devin Desktop y la CLI de Devin. Sin endpoint alojado, sin API de proveedor, sin descarga de pesos.

• Precio — no se publica ninguna tarifa por token. El acceso es gratuito hasta el 30 de noviembre de 2026.

Velocidad — aproximadamente 200 tokens por segundo frente a los 60 de SWE-2, una cifra que Cognition produjo reproduciendo transcripciones abreviadas de sesiones a velocidades simuladas en lugar de cronometrar un endpoint en vivo.

• Ventana de contexto, salida máxima y ajustes de esfuerzo — no se indican en ningún lugar de la publicación de lanzamiento.

El cambio de modelo base es la parte de ingeniería genuinamente nueva. SWE-2 se construyó sobre Kimi K3, una base de 2,8T en total / 104B activos. SWE-2 Flash se asienta sobre una base aproximadamente una décima parte del tamaño en parámetros totales y una octava parte en parámetros activos, y Cognition afirma que la mayor parte de la recuperación de calidad provino de mejores tareas de aprendizaje por refuerzo y verificadores auditados, no de la escala. La publicación también describe la primera etapa de entrenamiento intermedio que la empresa ha utilizado antes del RL: unos cuantos billones de tokens de artículos científicos, blogs y código, ejecutados en tres pasadas con los datos más raros al final.

La afirmación que se repetirá, y la fila en la que se sustenta

La frase que todo el mundo citará es que SWE-2 Flash "supera a todos los modelos estadounidenses de pesos abiertos, incluso a los que son 3 veces más grandes". Vale la pena saber exactamente cuánto de eso sobrevive al contacto con la tabla que aparece debajo.

La única comparación directa con el mismo benchmark en el material de lanzamiento frente a un modelo de programación estadounidense de pesos abiertos más pequeño es Terminal-Bench 2.1, donde SWE-2 Flash reporta 89,2 frente a los 54,9 de Flint v1.0. Es una brecha grande en una versión compartida del benchmark, y es la evidencia individual más sólida para la afirmación. Pero Flint v1.0 tiene 39,8B en total, y North Mini Code de Cohere tiene 30B; ninguno es 3 veces más grande que un modelo de 276B. Son más pequeños, lo que hace que superarlos sea poco destacable en lugar de impresionante.

Los comparadores 3 veces más grandes en la propia tabla de Cognition son Muse Spark Open, con 616B en total, y DeepSeek V4.1 Flash 1017, con 763B en total. En DeepSWE 1.1, SWE-2 Flash reporta 60,1 frente a los 60,0 de Muse Spark Open —una décima de punto, dentro de cualquier banda de ruido plausible—, y el modelo con el que se compara no se describe como de pesos abiertos en la misma frase. DeepSeek V4.1 Flash 1017, por su parte, no es estadounidense, así que no puede formar parte en absoluto de una afirmación sobre «pesos abiertos estadounidenses». También es el modelo que supera a SWE-2 Flash en Terminal-Bench 4.0 por 22,3 puntos —42,3 frente a 20,0—, lo que constituye la mayor pérdida individual en toda la comparación.

Nada de esto hace que la afirmación sea falsa. Hace que la afirmación sea más estrecha de lo que suena: un único benchmark compartido frente a un único modelo estadounidense de pesos abiertos, y una victoria por error de redondeo frente a un modelo cuya licencia es una cuestión aparte. Todas estas cifras son de Cognition, ejecutadas en un harness que la publicación no nombra.

Dos cifras de Terminal-Bench, separadas por setenta puntos

Si solo lees una cosa de la tabla de Cognition, lee este par. SWE-2 Flash obtiene 20.0 en Terminal-Bench 4.0 y 89.2 en Terminal-Bench 2.1. No son estimaciones rivales de lo mismo; son generaciones distintas del benchmark, con conjuntos de tareas y dificultad diferentes, y el número de versión es lo único que las separa a simple vista. Una tabla de lanzamiento que enumera ambos invita justo al error de comparar 20.0 con la puntuación 2.1 de un competidor, o 89.2 con la puntuación 4.0 de un competidor.

La regla segura para este modelo, y para cualquier modelo cuyo proveedor informe más de una versión de Terminal-Bench: compare 2.1 con 2.1 y 4.0 con 4.0, y diga cuál está citando. Mantenemos una nota continua sobre esto porque la representación de texto aplanada de la tabla de lanzamiento ya ha asignado incorrectamente una fila en la cobertura secundaria.

Por qué los pesos están detrás de una puerta — y qué es la puerta

Cognition enmarca los pesos retenidos como una disyuntiva entre transparencia y riesgo, y la publicación es inusualmente directa sobre el lado del riesgo. La empresa afirma que entrenó deliberadamente para tareas de seguridad y elevó su puntuación en ExploitBench de 11,3 durante el entrenamiento base a 34,8 después del postentrenamiento. Publicar esos pesos pondría en circulación general un modelo competente para escribir exploits.

Así que, en cambio, hay un programa. Los pesos se compartirán "de forma segura" con socios e investigadores, y la publicación promete detalles "en unas semanas". En el momento de escribir esto no hay formulario de solicitud, ni criterios de elegibilidad, ni licencia, ni fecha, ni declaración sobre si los pesos compartidos pueden redistribuirse o usarse con fines comerciales. Un programa para socios no son pesos abiertos, y la distinción importa para cualquiera que planee autoalojarlo: hasta que existan las condiciones, el supuesto de planificación correcto es que SWE-2 Flash nunca se podrá descargar.

Gratis hasta el 30 de noviembre; después, sin precio.

La oferta comercial es un mes de acceso gratuito dentro de Devin. Después de eso, nadie fuera de Cognition sabe cuánto cuesta, porque no se publicó ninguna tarifa por token. La frase "una quinta parte del precio de SWE-2" es una proporción frente a un producto con su propia estructura de precios empaquetada, no una lista de tarifas.

Eso es un riesgo real de planificación si estás considerando construir un flujo de trabajo en torno a ello. Una dependencia sin precio es peor que una costosa, porque no puedes modelarla. La medida sensata entre ahora y el 30 de noviembre es medir lo que sí puedes medir —si la calidad de los resultados del modelo en tu propio repositorio justifica cambiar tu configuración de Devin— y considerar que la cuestión del costo sigue abierta hasta que Cognition publique una cifra.

Lo que realmente puedes llamar hoy

SWE-2 Flash no está en OrcaRouter y no lo estará hasta que Cognition publique un endpoint o un lanzamiento de pesos con licencia; no vamos a fingir lo contrario. Lo que sí es invocable ahora mismo es el resto del campo con el que este lanzamiento compite implícitamente —entre ellos Muse Spark 1.2 y 1.1 de Meta, ambos disponibles en el catálogo y ambos los modelos que fijaron la puntuación de SWE-2 Flash en DeepSWE 1.1 en una décima de punto.

Si la razón por la que estás leyendo esto es que quieres un modelo de programación barato y rápido en un bucle de agente esta semana y no en diciembre, esa es la bifurcación práctica: esperar los precios y el programa de socios de Cognition, o dirigir tu cliente existente a una API para más de 200 modelos y comparar A/B las alternativas contra tu propia suite de pruebas. OrcaRouter transfiere el precio de lista del proveedor con un 0% de recargo, así que si Cognition finalmente publica una tarifa, esa tarifa es la que verías aquí desde el primer día en lugar de una cifra de revendedor con recargo.

Lo que omitió la publicación de lanzamiento

Vale la pena señalar cuatro omisiones, porque son las que determinan si las cifras significan algo:

• Sin arnés. La publicación de septiembre sobre SWE-2 reveló su andamiaje y su ajuste de esfuerzo. Esta no lo hace, lo que convierte cada puntuación agéntica en una caja negra.

• Sin divulgación de best-of-N. No sabemos si se trata de pass@1 o de un best-of-five.

• Sin ventana de contexto. Para un modelo posicionado como la opción económica dentro de un agente, el presupuesto de contexto no es una nota al pie.

• Sin ejecución independiente. Todas las cifras que aparecen aquí las reporta el proveedor y no han sido reproducidas, incluida la puntuación de 24,0 en FrontierCode 2.0 — y FrontierCode es el propio benchmark de Cognition, algo que conviene recordar cuando es la fila que muestra una victoria.

Lo que hay que vigilar no es otra fila de benchmark. Es la página del programa de partners: la fecha, la licencia y el precio. Cuando esas tres cosas existan, SWE-2 Flash se convierte en un modelo que se puede evaluar. Hasta entonces, es una demo bien documentada con un mes gratis incluido.