Cognition SWE-2 Flash: ההנחה אמיתית, המודל הבסיסי הוא החדשות

SWE-2 Flash יצא ב-4 בנובמבר 2026 כשלצידו שני מספרים: חמישית מהמחיר ופי שלושה מהמהירות של SWE-2, המודל בעל 2.8 טריליון פרמטרים ש-Cognition שחררה שמונה שבועות קודם לכן. שניהם יחסים ולא שיעורים, ושניהם נמדדים בתוך Devin. המשפט שבאמת משנה משהו קל יותר לפספס בקריאה חפוזה: המודל הזה הוא post-train של Inkling-Small, בסיס ה-Apache-2.0 מ-Thinking Machines Lab של מירה מוראטי. זו הפעם הראשונה שאחד ממודלי הקידוד של Cognition לא נגזר מבסיס סיני עם משקלים פתוחים, וזה הסיבה ששני המספרים האחרים קיימים בכלל.

לכל מי שמגיע מתיבת חיפוש ולא מניוזלטר: SWE-2 Flash הוא מודל קוד, הוא פועל בתוך מוצרי הסוכנים של Cognition, והוא לא משהו שאפשר לקרוא לו מהקוד שלכם. אין endpoint, אין מזהה מודל ואין מחירון. פוסט ההשקה נותן תאריך, מודל בסיס, סיפור אימון, טבלת מספרים וחלון שימוש חינם שמסתיים ב-30 בנובמבר. כל מה שלמטה נקרא מתוך הפוסט הזה, הטבלה של Cognition עצמה והחלופות הזמינות לקריאה באופן ציבורי — כשהמקור מצורף לכל נתון.

מה שוחרר, ושתי המילים החסרות מהפוסט

Cognition מפורשת לגבי המשטח. SWE-2 Flash זמין היום ב-Devin Desktop וב-Devin CLI, והבאנר המסיים של הפוסט אומר: "חינם עד 11/30 — נסו אותו היום ב-Devin Desktop וב-CLI." זה כל סיפור ההפצה. אין השקת API, אין רשימת המתנה ל-endpoint, ואין מאגר Hugging Face.

שתי המילים החסרות בטענת התמחור הן "לכל אסימון". "בחמישית מהמחיר ובמהירות גבוהה פי 3 מזו של אחיו הגדול בהרבה" היא אמירה על מה שעולה משימה בתוך Devin, שמאחד לחשבונית אחת את המודל, את מעטפת ההרצה, את שלד העזר ואת מערך ההגשה של Cognition. זו דרך לגיטימית לתמחר סוכן, וזה לא תעריף שאפשר להשוות לכרטיס המחירים לפי מיליון אסימונים של מישהו אחר. קורא שינסה להמיר אותה לתעריף כזה ייכשל, כי הפוסט מעולם לא אומר ממה בדיוק החמישית היא חמישית.

נתון המהירות דורש את אותה קריאה. בקטע המהירות של Cognition נאמר 200 tok/s לעומת 60 tok/s עבור SWE-2, ואז מוסבר מה נמדד: "הרצה של כל מודל בעצמו על משימת gsea-proteomics של Terminal-Bench 4.0, משוחזרת בקצב מדומה של 200 לעומת 60 טוקנים לשנייה. התמלילים מקוצרים לאותו אורך לצורך השוואה." זהו שחזור בקצבים מוצהרים, לא תזמון חי של שתי נקודות קצה תחת עומס. זה אומר לך את פרופיל ההגשה המיועד. זה לא אומר לך מה תראה בשעה 14:00 ביום שלישי.

החלפת מודל הבסיס היא השחרור בפועל

לפני שבעה שבועות, SWE-2 עבר אימון-על מתוך Kimi K3 — ה-mixture של Moonshot עם 2.8 טריליון פרמטרים, שמתוכם 104B פעילים לכל טוקן. SWE-2 Flash עבר אימון-על מתוך Inkling-Small, 276B בסך הכול ו-12B פעילים, ששוחרר תחת Apache 2.0 ביולי. טבלת הגדלים של Cognition עצמה מציבה את המודל החדש ב-1x ואת SWE-2 ב-10.1x, שזו דרך מנומסת לציין פער של פי שמונה בפרמטרים פעילים.

ההחלפה הזו היא מה שהופך את טענת המחיר לאמינה מבחינה מכנית ולא לכזו שיווקית גרידא. עלות ההגשה מושפעת מפרמטרים פעילים ומאסימונים שנוצרים הרבה יותר מאשר מציון בנצ'מרק, ומודל עם 12B פרמטרים פעילים נמצא בדרגת הגשה שונה ממודל עם 104B פרמטרים פעילים. אין צורך לסמוך על הנרטיב של Cognition על יעילות כדי להסכים שמודל קטן כל כך יכול להימכר בחמישית מהמחיר. השאלה המעניינת היא מה הוא שמר.

Cognition ממסגרת את ההחלפה במונחים לאומיים. השורה הראשונה בפוסט מכנה את SWE-2 Flash "מודל קידוד אמריקאי לחלוטין", והפוסט ממשיך ואומר שהמודל "מתעלה על כל המודלים האמריקאיים בקוד פתוח עם משקולות פתוחות, אפילו על מודלים שגדולים ממנו פי 3." שתי הקביעות נכונות כפי שנכתבו, ושתיהן צרות יותר מכפי שהן נשמעות. "אמריקאי לחלוטין" מתאר שרשרת אספקה — משקולות בסיס של מעבדה אמריקאית, שעברו אימון-המשך בידי חברה אמריקאית — ולא חפיר תחרותי, מפני ש-Inkling-Small מופץ ברישיון Apache 2.0 וכל אחד יכול להוריד אותו, כולל המתחרים שאליהם מכוונת הטענה. החלק ש-Cognition למעשה שולטת בו הוא ה-mid-train וה-RL, וזה בדיוק החלק שהיא לא משחררת.

הסתירה שיושבת במדור Origins & Cyber

הקטע הראוי ביותר לציטוט בהודעה אינו מדד ביצועים. זהו החלק שבו Cognition מסבירה מדוע המשקלים נשארים בבית.

זה מתחיל בתיאור לקוח שזקוק ליותר מ"מודל capable מאחורי API": ארגונים וממשלות שזקוקים ל"יכולת תצפית כדי לארח ולשלוט בפריסות בתשתית שלהם, כולל on-prem", וחוקרים שזקוקים לחקור כיצד מודל מתנהג. לאחר מכן הוא מציין את המטרה בבירור — "אחת המטרות שלנו עם SWE-2 Flash היא לספק אפשרות לשותפי תעשייה ולחוקרים שמאפשרת גישה שקופה למשקלים יחד עם היכולת לכוונן ולהריץ אותו בסביבות רגישות."

שתי פסקאות לאחר מכן: "איננו משתפים את המשקלים באופן ציבורי עדיין", עם הבטחה לתוכנית שותפים "בעוד כמה שבועות", והסיבה שניתנה היא סיכון לאבטחת סייבר. Cognition אימנה את המודל בכוונה לכך. באותו קטע נאמר שהיא "התמקדה בעבודת אבטחת סייבר באימון שלנו, והעלתה את ציון ExploitBench של המודל מ-11.3% ל-34.8%", ואז מודה ש"אותן יכולות בדיוק יכולות לשמש גם תוקפים זדוניים" ואינה משחררת את המשקלים.

כשקוראים זאת כמדיניות, ההיגיון עקבי אך לא נוח: ללקוח ה-on-prem שהסעיף מתאר אין אפשרות לקבל את המודל שאומן עבורו, והחסם המוצהר הוא יכולת ש-Cognition בחרה להוסיף. כשקוראים זאת כעדות על המודל, יש בטבלה פרט חד יותר. SWE-2 Flash משיג 34.8 ב-ExploitBench לעומת 36.1 של SWE-2. המודל ש-Cognition לא תשחרר נמצא במרחק 1.3 נקודות מהדגלון שהיא כבר מוכרת. אילו הגודל היה הטיעון הבטיחותי, המספר היה נראה אחרת.

גם המתכון השתנה, וזה החלק ששווה להעתיק

קוגנישן אומרת שזה הפעם הראשונה שהיא הוסיפה שלב אימון ביניים לפני למידת חיזוק. השלב השתמש ב"כמה טריליון טוקנים" של מאמרים מדעיים איכותיים, בלוגים, קוד ומקורות אחרים, ובוצע בשלושה מעברים כך ש"המודל יראה את הנתונים הנדירים והאיכותיים ביותר מאוחר יותר באימון". התערובות נבחרו באמצעות ניסויי יעילות טוקנים: תערובות מועמדות הורצו מול סט אימות מוחזק והושוו לפי מספר הטוקנים שכל אחת נזקקה לו כדי להגיע לאותו loss כמו קו בסיס.

אחר כך הגיע שלב ה-RL. Cognition מדברת בכנות יוצאת דופן על מקור השיפורים: "אמנם ביצענו כמה התאמות במתכון ה-RL שלנו מ-SWE-2, אך רוב השיפורים נבעו מהאיכות והמגוון הגבוהים בהרבה של משימות ה-RL שלנו." היא מתארת ביקורת של הוראות, הגדרת סביבה ומאמתים, ואוצרות של סוגי משימות חדשים על פני מגוון רחב יותר של יכולות. זהו סיפור של נתונים ומאמתים, לא סיפור של קנה מידה, וזה הדבר היחיד שניתן להעביר הלאה ביותר במהדורה הזו.

היקף הקפיצה מחזק את הפרשנות. לעומת מודל הבסיס שלה, SWE-2 Flash מעלה את Terminal-Bench 4.0 מ-0.9 ל-20.0 ואת FrontierCode 2.0 מ-3.2 ל-24.0. יהא אשר יהא מחיר הפוסט-אימון, הוא הניב בערך פי עשרים מהציון של מודל הבסיס במבחן אחד ופי שבעה באחר, במודל עם 12B פרמטרים פעילים. מה ש-Cognition אינה מפרסמת הוא מספר הטוקנים של שלב ה-mid-train מעבר ל"כמה טריליון", את משאבי החישוב, או כל אבלציה שמבודדת את ה-mid-train מה-RL. הטענה שהשלב החדש גרם לשיפור היא של Cognition; המנגנון אינו ניתן לבדיקה באופן בלתי תלוי.

המספרים, והיכן שהטענה הכותרתית נחלשת

כל המופיעים להלן הם של Cognition עצמה, מטבלת ההשקה שלה, ואף אחד מהם לא שוחזר באופן עצמאי. FrontierCode הוא הבנצ'מרק של Cognition, שנכתב עם מתחזקים חיצוניים ומדורג על ידי Cognition.

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

• FrontierCode 1.1 Main — 45.5 לעומת 50.0

• DeepSWE 1.1 — 60.1 לעומת 73.0

• Terminal-Bench 4.0 — 20.0 לעומת 27.3

• Terminal-Bench 2.1 — 89.2 לעומת 92.8

• SWE-Atlas QA — 50.0 לעומת 56.3

• SWE-Bench Pro v2 Hard — 89.9 לעומת 90.6

ExploitBench — 34.8 לעומת 36.1

שורה אחת היא ניצחון ושבע הן הפסדים, רובם קטנים. ה-Flash נמצא באותה רמה כמו דגם הדגל ב-FrontierCode 2.0, בפער של נקודה אחת ב-SWE-Bench Pro v2 Hard, ובפער של שלוש עשרה נקודות מאחור ב-DeepSWE 1.1. הצורה הזו — קרוב במשימות תחומות, רחוק יותר במשימות ארוכות טווח — היא הדבר השימושי ביותר בטבלה, והיא הנושא של ההשוואה הנפרדת שלנו בין שני הדגמים.

הטענה ש"גדול פי 3" ראויה לפסקה משל עצמה, משום שהפער צר יותר ממה שהמשפט מרמז. מודל ההשוואה האמריקאי עם משקלים פתוחים הקרוב ביותר הוא Muse Spark Open, עם 616B בסך הכול ו-42B פעילים. ב-DeepSWE 1.1 הוא מקבל 60.0 לעומת 60.1 של SWE-2 Flash. עשירית נקודה. הטענה שורדת משום שהפערים האחרים של Flash אמיתיים — 20.0 לעומת 8.0 ב-Terminal-Bench 4.0, 24.0 לעומת 6.2 ב-FrontierCode 2.0 — אבל הכותרת "אפילו מודלים שגדולים פי 3" נשענת, בשורה שבה המודל הזה הוא החזק ביותר, על שגיאת עיגול.

יש גם עמודה באותה טבלה שפועלת בכיוון ההפוך. DeepSeek V4.1 Flash 1017, עם 763B סה״כ ו-16B פעילים, מנצח את ה-Flash בארבע משמונה השורות: 77.0 מול 60.1 ב-DeepSWE 1.1, 71.0 מול 50.0 ב-SWE-Atlas QA, 42.3 מול 20.0 ב-Terminal-Bench 4.0, ו-91.0 מול 89.2 ב-Terminal-Bench 2.1. שניים מהפערים הללו גדולים מכל יתרון שה-Flash משיג בכל מקום בטבלה. הטענה בדבר „כל מודלי המשקולות הפתוחות האמריקאיים” מוגבלת לפי לאום, והמשווה החזק ביותר בטבלה נמצא מחוץ לתחום.

מה עולה לך החוסר בקו הרתמה

{{1}}ההשקה של SWE-2 בספטמבר{{/1}} כללה {{2}}נספח מתודולוגיה{{/2}}. הוא ציין את ה-scaffold שבו נעשה שימוש עבור כל ספק — Claude Code עבור מודלים של Anthropic, Codex עבור מודלים של OpenAI, Grok Build עבור xAI — וקבע כי עבור כל מודל דווח הציון הטוב ביותר שלו בכל הגדרות מאמץ החשיבה. {{3}}הפוסט של Flash{{/3}} אינו מכיל דבר מזה. אין harness, אין הגדרת מאמץ, אין הצהרה האם המספרים הם best-of-N, ואין הערת שוליים שמסבירה את הטבלה.

ההשמטה הזו חשובה יותר עבור מודל קטן מאשר עבור מודל גדול, מפני שהטיעון של Flash הוא שאימון לאחר-אימון סגר פער. אם שני המודלים של Cognition הורצו במסגרות הרצה שונות, חלק מהפער של 0.2 נקודות ב-FrontierCode נובע מה-harness. אם השורה של SWE-2 היא הגדרת המאמץ המרבי שלו ול-Flash יש הגדרה אחת, ההשוואה היא בין מקרה מיטבי לבין משהו לא ידוע. שלוש חשיפות היו מתקנות זאת: ה-harness לכל שורה, הגדרת המאמץ לכל שורה, והרצה עצמאית אחת של Terminal-Bench 4.0 על ידי מישהו שאינו Cognition.

מה שאתה יכול לקרוא השבוע

אין כאן כלום. ל-SWE-2 Flash אין נקודת קצה, ואף פלטפורמת צד שלישי לא מספקת אותו — אין מזהה לניתוב. מה שאפשר לקרוא הם המודלים שאליהם משווים אותו, והפער בין שני המצבים הוא הסיפור המעשי של ההשחרור.

DeepSeek V4 Flash מנותב ב-OrcaRouter בתור deepseek/deepseek-v4-flash, עם חלון ההקשר של מיליון טוקנים ופלט מרבי של 384K ש-DeepSeek מפרסמת וש�-Cognition אינה מפרסמת עבור ה-Flash. Kimi K3, מודל הבסיס ש-SWE-2 עבר עליו אימון-המשך, מנותב ב-OrcaRouter במחיר $3.00 למיליון טוקני קלט ו-$15.00 למיליון טוקני פלט בתור kimi/kimi-k3. API אחד מכסה יותר מ-200 מודלים במחיר המחירון של הספק ללא תוספת מעל, כך ששינוי מחיר של הספק מגיע אליכם באותו יום ולא לפי לוח הזמנים של הראוטר. אם אתם בודקים אם מודל שעבר אימון-המשך עם 12B פרמטרים פעילים טוב מספיק עבור התור שלכם, הבדיקה הזו חייבת לרוץ מול מודל עם 12B פרמטרים פעילים שאתם באמת יכולים לקרוא לו, עם שרשרת גיבוי מאחוריו כך שניסוי לא יהפוך לתלות בייצור.

הקריאה המצומצמת של SWE-2 Flash היא זו שהראיות תומכות בה. מודל עם 12B פרמטרים פעילים, שעבר אימון-המשך על שלב mid-train ועל סט RL עם ביקורת איכות טובה יותר, מגיע לפער של עד 4.5 נקודות מדגלון עם 104B פרמטרים פעילים ב-FrontierCode 1.1 Main, ולשוויון ב-FrontierCode 2.0, בחמישית מהמחיר בתוך מוצר אחד. אם זה יחזיק מעמד בבדיקות עצמאיות, הלקח אינו שמודלים קטנים הדביקו את הפער. אלא שבסוכני קידוד התשואה השולית על פרמטרים ירדה מתחת לתשואה השולית על איכות המאמת — והחברות שיכולות לייצר ולבקר משימות קשות, ולא אלה שיכולות להרשות לעצמן את בסיס המודל הגדול ביותר, יקבעו את הקצב. זו טענה גדולה יותר מניצחון של 0.2 נקודות, והיא זו ששווה לעקוב אחריה בהרצה העצמאית הבאה.