Cognition SWE-2 Flash : la réduction est bien réelle, c’est le modèle de base qui fait l’actualité

SWE-2 Flash est sorti le 4 novembre 2026 avec deux chiffres accrochés à son nom : un cinquième du prix et trois fois la vitesse de SWE-2, le modèle à 2 800 milliards de paramètres que Cognition avait publié huit semaines plus tôt. Ce sont là des ratios et non des débits, et les deux sont mesurés au sein de Devin. La phrase qui change réellement quelque chose est plus facile à laisser passer : ce modèle est un post-entraînement de Inkling-Small, la base Apache-2.0 du Thinking Machines Lab de Mira Murati. C'est la première fois que l'un des modèles de code de Cognition ne descend pas d'une base chinoise à poids ouverts, et c'est la raison pour laquelle les deux autres chiffres existent tout court.

Pour toute personne qui arrive depuis un champ de recherche plutôt que depuis une newsletter : SWE-2 Flash est un modèle de codage, il s’exécute dans les produits agents de Cognition, et ce n’est pas quelque chose que vous pouvez appeler depuis votre propre code. Il n’y a pas de point de terminaison, pas d’identifiant de modèle et pas de grille tarifaire. L’article de lancement vous donne une date, un modèle de base, un récit d’entraînement, un tableau de chiffres et une fenêtre gratuite qui se termine le 30 novembre. Tout ce qui suit est tiré de cet article, du tableau propre à Cognition et des alternatives appelables publiquement — avec la source attachée à chaque chiffre.

Ce qui a été livré, et les deux mots manquants dans la publication

Cognition est explicite quant à la surface. SWE-2 Flash est disponible dès aujourd’hui dans Devin Desktop et Devin CLI, et la bannière de clôture de la publication indique « Gratuit jusqu’au 30/11 — Essayez-le dès aujourd’hui dans Devin Desktop et CLI. » Voilà toute l’histoire de la distribution. Il n’y a pas de lancement d’API, pas de liste d’attente pour un endpoint, et pas de dépôt Hugging Face.

Les deux mots qui manquent dans l’affirmation sur le prix sont « par token ». « À un cinquième du prix et trois fois la vitesse de son homologue bien plus volumineux » est une affirmation sur ce que coûte une tâche dans Devin, qui regroupe le modèle, le harnais, le scaffolding et la pile de service de Cognition en une seule facture. C’est une façon légitime de tarifer un agent, et ce n’est pas un tarif que l’on peut comparer à la grille tarifaire par million de tokens de qui que ce soit d’autre. Un lecteur qui tente de le convertir en un tel tarif échouera, car l’article ne précise jamais de quoi ce cinquième est le cinquième.

Le chiffre de vitesse doit être lu de la même manière. La section vitesse de Cognition indique 200 tok/s contre 60 tok/s pour SWE-2, puis explique ce qu’elle a mesuré : « L’exécution propre à chaque modèle sur la tâche gsea-proteomics de Terminal-Bench 4.0, rejouée à une vitesse simulée de 200 contre 60 tokens par seconde. Les transcriptions sont raccourcies à une longueur égale pour la comparaison. » Il s’agit d’un rejeu à des débits annoncés, pas d’une mesure en direct de deux points de terminaison sous charge. Cela vous indique le profil de service prévu. Cela ne vous dit pas ce que vous verrez à 14 h un mardi.

Le remplacement du modèle de base constitue la véritable sortie.

Il y a sept semaines, SWE-2 a été post-entraîné à partir de Kimi K3 — le mélange de 2,8 billions de paramètres de Moonshot, dont 104 milliards actifs par token. SWE-2 Flash est post-entraîné à partir d'Inkling-Small, 276 milliards au total et 12 milliards actifs, publié sous Apache 2.0 en juillet. Le propre tableau des tailles de Cognition place le nouveau modèle à 1x et SWE-2 à 10,1x, ce qui est une manière polie de dessiner un écart d'un facteur huit dans les paramètres actifs.

Ce remplacement est ce qui rend l’argument sur le prix mécaniquement plausible plutôt que promotionnel. Le coût de service dépend bien davantage des paramètres actifs et des tokens générés que d’un score de benchmark, et un modèle à 12B de paramètres actifs appartient à une classe de service différente de celle d’un modèle à 104B de paramètres actifs. Il n’est pas nécessaire d’adhérer au récit de Cognition sur l’efficacité pour admettre qu’un modèle de cette taille, bien plus petit, puisse être vendu à un cinquième du prix. La question intéressante est de savoir ce qu’il a conservé.

Cognition présente ce remplacement comme une question nationale. La première ligne de la publication qualifie SWE-2 Flash de « modèle de codage entièrement américain », puis affirme que le modèle « surpasse tous les modèles américains à poids ouverts, même des modèles 3 fois plus grands ». Les deux affirmations sont vraies telles qu’elles sont formulées, et toutes deux ont une portée plus limitée qu’elles n’en ont l’air. « Entièrement américain » décrit une chaîne d’approvisionnement — les poids de base d’un laboratoire américain, post-entraînés par une entreprise américaine —, et non un avantage défensif, car Inkling-Small est sous Apache 2.0 et téléchargeable par n’importe qui, y compris par les concurrents que l’affirmation vise. La partie que Cognition contrôle réellement, c’est le mid-train et le RL, et c’est précisément celle qu’elle ne livre pas.

La contradiction qui se trouve dans la section Origines et Cyber

Le passage le plus citable de la publication n’est pas un benchmark. C’est la section où Cognition explique pourquoi les poids restent à la maison.

Le texte commence par décrire un client qui a besoin de plus qu’« un modèle performant derrière une API » : des entreprises et des gouvernements qui ont besoin d’« observabilité pour héberger et contrôler des déploiements sur leur propre infrastructure, y compris sur site », et des chercheurs qui ont besoin d’étudier le comportement d’un modèle. Il énonce ensuite l’objectif clairement — « L’un de nos objectifs avec SWE-2 Flash est d’offrir aux partenaires industriels et aux chercheurs une option qui permette un accès transparent aux poids ainsi que la possibilité de l’affiner et de l’exécuter dans des environnements sensibles. »

Deux paragraphes plus loin : « nous ne partageons pas encore les poids publiquement », avec un programme partenaire promis « dans quelques semaines », et la raison invoquée est le risque de cybersécurité. Cognition l'a délibérément entraîné pour cela. La même section indique qu'il « a ciblé le travail de cybersécurité dans notre entraînement, faisant passer le score ExploitBench du modèle de 11,3 % à 34,8 % », puis reconnaît que « ces mêmes capacités peuvent aussi être utilisées par des attaquants malveillants » et ne divulgue pas les poids.

Lu comme une politique, la logique est cohérente mais inconfortable : le client sur site que la section décrit ne peut pas disposer du modèle qui a été entraîné pour lui, et l’obstacle énoncé est une capacité que Cognition a choisi d’ajouter. Lu comme une preuve concernant le modèle, il y a un détail plus révélateur dans le tableau. SWE-2 Flash obtient 34,8 sur ExploitBench, contre 36,1 pour SWE-2. Le modèle que Cognition ne publiera pas se situe à 1,3 point du fleuron qu’elle commercialise déjà. Si la taille constituait l’argument de sécurité, ce chiffre aurait une autre allure.

La recette a changé aussi, et c’est la partie qui vaut la peine d’être copiée.

Cognition affirme que c’est la première fois qu’elle ajoute une étape d’entraînement intermédiaire avant l’apprentissage par renforcement. Cette étape a utilisé « quelques milliers de milliards de tokens » d’articles scientifiques, de blogs, de code et d’autres sources de haute qualité, et s’est déroulée en trois passes afin que « le modèle voie les données les plus rares et de la plus haute qualité plus tard dans l’entraînement ». Les mélanges ont été choisis à l’aide d’expériences d’efficacité en tokens : des mélanges candidats ont été exécutés sur un ensemble de validation mis de côté et comparés selon le nombre de tokens nécessaires à chacun pour atteindre la même perte qu’une référence.

Puis vint la passe RL. Cognition est étonnamment franche sur l’origine des gains : « Bien que nous ayons apporté quelques ajustements à notre recette RL depuis SWE-2, l’essentiel des améliorations est venu de la qualité et de la diversité bien supérieures de nos tâches RL. » Elle décrit l’audit des instructions, la configuration de l’environnement et les vérificateurs, ainsi que la curation de nouveaux types de tâches couvrant un éventail plus large de capacités. C’est une histoire de données et de vérificateurs, non de mise à l’échelle, et c’est l’élément le plus transférable de cette publication.

L'ampleur du bond étaye cette lecture. Par rapport à sa propre base, SWE-2 Flash fait passer Terminal-Bench 4.0 de 0,9 à 20,0 et FrontierCode 2.0 de 3,2 à 24,0. Quel qu'ait été le coût du post-entraînement, il a permis d'obtenir environ vingt fois le score du modèle de base sur un benchmark et sept fois sur un autre, sur un modèle à 12B actifs. Ce que Cognition ne publie pas, c'est le nombre de tokens du mid-train au-delà de « quelques billions », la puissance de calcul, ou toute ablation isolant le mid-train du RL. L'affirmation selon laquelle la nouvelle étape est à l'origine du gain est celle de Cognition ; le mécanisme n'est pas vérifiable indépendamment.

Les chiffres, et là où l’affirmation phare perd de sa substance

Tous les éléments suivants sont propres à Cognition, issus de son tableau de lancement, et aucun n’a été reproduit de manière indépendante. FrontierCode est le benchmark de Cognition, rédigé avec des mainteneurs externes et noté par Cognition.

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

• FrontierCode 1.1 Main — 45,5 vs 50,0

• DeepSWE 1.1 — 60.1 vs 73.0

• Terminal-Bench 4.0 — 20,0 vs 27,3

• Terminal-Bench 2.1 — 89,2 contre 92,8

• SWE-Atlas QA — 50,0 vs 56,3

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

• ExploitBench — 34,8 contre 36,1

Une ligne est une victoire et sept sont des défaites, la plupart mineures. The Flash est au niveau du modèle phare sur FrontierCode 2.0, à un point près sur SWE-Bench Pro v2 Hard, et treize points derrière sur DeepSWE 1.1. Ce profil — proche sur les tâches bornées, plus en retrait sur les tâches à long horizon — est l’élément le plus utile du tableau, et il fait l’objet de notre comparaison distincte des deux modèles.

L’affirmation « 3x plus grand » mérite son propre paragraphe, car la marge est plus mince que la phrase ne le suggère. Le comparateur américain à poids ouverts qui s’en rapproche le plus est Muse Spark Open, 616B au total et 42B actifs. Sur DeepSWE 1.1, il obtient 60,0 contre 60,1 pour SWE-2 Flash. Un dixième de point. L’affirmation tient parce que les autres marges du Flash sont réelles — 20,0 contre 8,0 sur Terminal-Bench 4.0, 24,0 contre 6,2 sur FrontierCode 2.0 — mais l’accroche « même des modèles 3x plus grands » repose, sur la ligne où ce modèle est le plus fort, sur une erreur d’arrondi.

Il y a aussi, dans le même tableau, une colonne qui joue en sens inverse. DeepSeek V4.1 Flash 1017, avec 763B de paramètres au total et 16B actifs, bat le Flash sur quatre des huit lignes : 77,0 contre 60,1 sur DeepSWE 1.1, 71,0 contre 50,0 sur SWE-Atlas QA, 42,3 contre 20,0 sur Terminal-Bench 4.0 et 91,0 contre 89,2 sur Terminal-Bench 2.1. Deux de ces écarts sont plus grands que tout ce que le Flash remporte où que ce soit dans le tableau. L’affirmation « tous les modèles open-weight américains » est circonscrite par la nationalité, et le comparateur le plus fort du tableau se situe hors de ce périmètre.

Ce que vous coûte la ligne de harnais manquante

Le lancement de SWE-2 en septembre s'est accompagné d'une annexe méthodologique. Elle nommait l'échafaudage utilisé pour chaque fournisseur — Claude Code pour les modèles Anthropic, Codex pour les modèles OpenAI, Grok Build pour xAI — et indiquait que pour chaque modèle était rapporté le meilleur score obtenu parmi les différents réglages d'effort de raisonnement. Le billet consacré à Flash ne contient rien de tout cela. Aucun harnais, aucun réglage d'effort, aucune mention précisant si les chiffres sont des best-of-N, et aucune note de bas de page expliquant le tableau.

Cette omission compte davantage pour un petit modèle que pour un grand, car l’argument du Flash est que le post-entraînement a comblé un écart. Si les deux modèles Cognition ont été exécutés dans des scaffolds différents, une partie de l’écart de 0,2 point sur FrontierCode tient au harnais. Si la ligne de SWE-2 correspond à son réglage best-effort et que le Flash n’a qu’un seul réglage, la comparaison oppose un meilleur cas à un inconnu. Trois divulgations permettraient de corriger cela : le harnais par ligne, le réglage d’effort par ligne, et une exécution indépendante de Terminal-Bench 4.0 par une personne extérieure à Cognition.

Ce que vous pouvez appeler cette semaine

Rien ici. SWE-2 Flash n’a pas d’endpoint, et aucune plateforme tierce ne le propose — il n’y a aucun identifiant vers lequel router. Ce que vous pouvez appeler, ce sont les modèles auxquels il est comparé, et l’écart entre les deux situations constitue l’histoire concrète de cette sortie.

DeepSeek V4 Flash est routé sur OrcaRouter sous le nom deepseek/deepseek-v4-flash, avec le contexte de 1 M de tokens et une sortie maximale de 384 K que DeepSeek publie et que Cognition ne publie pas pour le Flash. Kimi K3, le modèle de base à partir duquel SWE-2 a été post-entraîné, est routé sur OrcaRouter à 3,00 $ par million de tokens en entrée et 15,00 $ par million de tokens en sortie sous le nom kimi/kimi-k3. Une seule API couvre plus de 200 modèles au prix catalogue du fournisseur, sans marge ajoutée, de sorte qu'un changement de prix d'un fournisseur vous parvient le jour même plutôt que selon le calendrier du routeur. Si vous testez si un post-entraînement à 12 Md de paramètres actifs est suffisamment bon pour votre file d'attente, ce test doit s'exécuter sur un modèle à 12 Md de paramètres actifs que vous pouvez réellement appeler, avec une chaîne de repli derrière lui afin qu'un essai ne devienne pas une dépendance de production.

La lecture étroite de SWE-2 Flash est celle que les preuves étayent. Un modèle à 12 B de paramètres actifs, post-entraîné sur un mid-train et sur un ensemble RL mieux audité, se situe à moins de 4,5 points d’un modèle phare à 104 B actifs sur FrontierCode 1.1 Main et au même niveau sur FrontierCode 2.0, pour un cinquième du prix au sein d’un même produit. Si cela se vérifie lors de tests indépendants, la leçon n’est pas que les petits modèles ont rattrapé leur retard. C’est que, dans les agents de codage, le rendement marginal des paramètres est tombé sous le rendement marginal de la qualité des vérificateurs — et les entreprises capables de générer et d’auditer des tâches difficiles, plutôt que celles qui peuvent se permettre la plus grande base, donneront le rythme. C’est une affirmation plus forte qu’une victoire de 0,2 point, et c’est celle qu’il faut surveiller lors du prochain essai indépendant.