מציגים את SWE-2 Flash: שמונה שורות בנצ'מרק ואף לא נקודת קצה אחת

Cognition הכריזה על SWE-2 Flash ב-4 בנובמבר 2026, והפוסט נדיב באופן חריג במספרים: שמונה שורות בנצ'מרק, שני שינויי ביצועים לפני ואחרי אימון, נתון מהירות ונתון מחיר. מה שאין בו הוא דרך לקרוא למודל. SWE-2 Flash פועל בתוך Devin Desktop וב-Devin CLI, בחינם עד 30 בנובמבר 2026. אין נקודת קצה של API, אין מזהה מודל, אין תעריף לפי טוקן ואין משקולות ציבוריות. עבור השקה שהכותרת שלה היא "מהיר ויעיל", הדבר השימושי ביותר שמפתח יכול לדעת הוא שהיעילות נמדדת כרגע בדולרים שאינכם משלמים ולא בטוקנים שאפשר לקנות.

זו לא ביקורת על המודל. זהו מבנה ההצעה, והוא קובע מי יכול לפעול לפי ההודעה הזו היום ומי יצטרך להמתין.

מה שבאמת שוחרר ב-4 בנובמבר

דף המפרט קצר מספיק כדי להיכנס למסך אחד, וזה כשלעצמו מלמד משהו — Cognition פרסמה על המודל הזה פחות ממה שפרסמה על SWE-2 בספטמבר.

• מודל בסיס — עבר אימון-המשך (post-trained) מ-Inkling-Small, מודל mixture-of-experts במשקולות פתוחות של Thinking Machines Lab, עם 276B פרמטרים בסך הכול ו-12B פעילים, ו-Apache 2.0 במעלה הזרם.

• הגשה — Devin Desktop ו-Devin CLI בלבד. ללא נקודת קצה מתארחת, ללא API של ספק, ללא הורדת משקולות.

• מחיר — לא מפורסם תעריף לפי טוקן. הגישה חופשית עד 30 בנובמבר 2026.

• מהירות — כ-200 טוקנים בשנייה לעומת 60 של SWE-2, נתון ש-Cognition הפיקה באמצעות השמעה חוזרת של תמלילי סשנים מקוצרים בקצבים מדומים, ולא באמצעות מדידת זמן של נקודת קצה חיה.

• חלון הקשר, פלט מרבי והגדרות מאמץ — לא צוין בשום מקום בפוסט ההשקה.

החלפת מודל הבסיס היא ההנדסה החדשה באמת. SWE-2 נבנה על Kimi K3, בסיס של 2.8T בסך הכול / 104B פעילים. SWE-2 Flash יושב על בסיס שקטן בערך פי עשרה לפי סך הפרמטרים ופי שמונה לפי הפרמטרים הפעילים, ו-Cognition אומרת שרוב השחזור באיכות הגיע ממשימות למידת חיזוק טובות יותר וממאמתים מבוקרים ולא מקנה מידה. הפוסט גם מתאר את שלב אימון הביניים הראשון שהחברה השתמשה בו לפני RL: כמה טריליון טוקנים של מאמרים מדעיים, בלוגים וקוד, שהורצו בשלושה מעברים כשהנתונים הנדירים ביותר היו באחרון.

הטענה שתישנה, והשורה שעליה היא נשענת

המשפט שכולם יצטטו הוא ש-SWE-2 Flash "מתעלה על כל המודלים האמריקאיים עם משקולות פתוחות, אפילו על כאלה שגדולים ממנו פי 3". כדאי לדעת בדיוק כמה מזה שורד את המפגש עם הטבלה שמתחתיו.

ההשוואה הישירה היחידה באותו מבחן בחומרי ההשקה מול מודל קוד אמריקאי קטן יותר במשקלים פתוחים היא Terminal-Bench 2.1, שבו SWE-2 Flash מדווח 89.2 לעומת 54.9 של Flint v1.0. זהו פער גדול בגרסת מבחן משותפת, והוא הראיה הבודדת החזקה ביותר לטענה. אבל Flint v1.0 הוא 39.8B בסך הכול, ו-North Mini Code של Cohere הוא 30B — אף אחד מהם אינו גדול פי 3 ממודל של 276B. הם קטנים יותר, מה שהופך את הניצחון עליהם לבלתי מרשים ולא למשהו מרשים.

המודלים להשוואה הגדולים פי 3 בטבלה של Cognition עצמה הם Muse Spark Open עם 616B סך הכול ו-DeepSeek V4.1 Flash 1017 עם 763B סך הכול. ב-DeepSWE 1.1, SWE-2 Flash מדווח 60.1 לעומת 60.0 של Muse Spark Open — עשירית נקודה, בתוך כל טווח רעש סביר, והמודל שאליו הוא מושווה אינו מתואר כמשקולות פתוחות באותה נשימה. DeepSeek V4.1 Flash 1017, לעומת זאת, אינו אמריקאי, ולכן אינו יכול להיות חלק מטענה של "משקולות פתוחות אמריקאיות" בכלל. הוא גם המודל שמנצח את SWE-2 Flash ב-Terminal-Bench 4.0 בפער של 22.3 נקודות — 42.3 מול 20.0 — וזהו ההפסד הבודד הגדול ביותר בכל ההשוואה.

שום דבר מזה לא הופך את הטענה לשקרית. זה רק מצמצם את הטענה לעומת מה שהיא נשמעת: בנצ'מרק משותף אחד מול מודל אמריקאי אחד עם משקלים פתוחים, וניצחון בפער של שגיאת עיגול מול מודל שהרישיון שלו הוא שאלה נפרדת. כל הנתונים האלה הם של Cognition עצמה, והם הורצו על גבי הארנס שהפוסט אינו נוקב בשמו.

שני מספרים של Terminal-Bench, במרחק שבעים נקודות זה מזה

אם תקראו רק דבר אחד מהטבלה של Cognition, קראו את הצמד הזה. SWE-2 Flash משיג 20.0 ב-Terminal-Bench 4.0 ו-89.2 ב-Terminal-Bench 2.1. אלה אינם הערכות מתחרות של אותו דבר; הם דורות שונים של מבחני בנצ'מרק עם מערכי משימות שונים ורמות קושי שונות, ומספר הגרסה הוא הדבר היחיד שמבדיל ביניהם במבט חטוף. טבלת השקה שמפרטת את שניהם מזמינה בדיוק את הטעות של השוואת 20.0 לציון 2.1 של מתחרה, או 89.2 לציון 4.0 של מתחרה.

הכלל הבטוח עבור המודל הזה, ועבור כל מודל שהספק שלו מדווח על יותר מגרסה אחת של Terminal-Bench: השוו בין 2.1 ל-2.1 ובין 4.0 ל-4.0, ואמרו איזו גרסה אתם מצטטים. אנחנו שומרים הערה מתמשכת על כך כי תצוגת הטקסט השטוחה של טבלת ההשקה כבר שיבצה בטעות שורה אחת בסיקור משני.

למה המשקלים נמצאים מאחורי דלת — ומהי הדלת

Cognition מציגה את המשקלים שנמנעה מלפרסם כפשרה בין שקיפות לבין סיכון, והפוסט ישיר באופן יוצא דופן לגבי צד הסיכון. החברה אומרת שאימנה בכוונה למשימות אבטחה והעלתה את ציון ExploitBench שלה מ-11.3 במהלך אימון הבסיס ל-34.8 לאחר אימון ההמשך. פרסום המשקלים הללו היה מכניס לתפוצה כללית מודל מיומן לכתיבת אקספלויטים.

אז במקום זה יש תוכנית. המשקלים ישותפו "באופן מאובטח" עם שותפים וחוקרים, והפוסט מבטיח פרטים "בעוד כמה שבועות". נכון לכתיבת שורות אלה אין טופס בקשה, אין קריטריוני זכאות, אין רישיון, אין תאריך ואין הצהרה בשאלה אם ניתן להפיץ מחדש משקלים משותפים או להשתמש בהם מסחרית. תוכנית שותפים אינה משקלים פתוחים, וההבחנה חשובה לכל מי שמתכנן לארח בעצמו: עד שהתנאים יהיו קיימים, הנחת התכנון הנכונה היא ש-SWE-2 Flash לעולם לא יהיה ניתן להורדה.

חינם עד 30 בנובמבר, ולאחר מכן ללא תמחור

ההצעה המסחרית היא חודש של גישה חינם בתוך Devin. לאחר מכן, אף אחד מחוץ ל-Cognition לא יודע מה העלות, כי לא פורסם תעריף לפי טוקן. השורה „חמישית ממחיר SWE-2” היא יחס מול מוצר עם תמחור חבילתי משלו, ולא כרטיס תעריפים.

זהו סיכון תכנוני ממשי אם אתם שוקלים לבנות סביבו תהליך עבודה. תלות ללא תמחור גרועה מתלות יקרה, מפני שאי אפשר למדל אותה. הצעד ההגיוני בין עכשיו ל-30 בנובמבר הוא למדוד את הדבר שאפשר למדוד — האם איכות הפלט של המודל במאגר שלכם מצדיקה החלפה של תצורת ה-Devin שלכם — ולהתייחס לשאלת העלות כפתוחה עד ש-Cognition תפרסם מספר.

מה שאתה יכול למעשה לקרוא היום

SWE-2 Flash אינו נמצא ב-OrcaRouter ולא יהיה עד ש-Cognition תשיק נקודת קצה או שחרור משקולות ברישיון; אנחנו לא מתכוונים להעמיד פנים אחרת. מה שאפשר לקרוא לו עכשיו הוא שאר התחום שאיתו ההשקה הזו מתחרה באופן מרומז — Muse Spark 1.2 ו-1.1 של Meta ביניהם, ששניהם פעילים בקטלוג וששניהם המודלים שקבעו את הציון של SWE-2 Flash ב-DeepSWE 1.1 לעשירית הנקודה.

אם הסיבה שאתם קוראים את זה היא שאתם רוצים מודל קידוד זול ומהיר בלולאת סוכן השבוע ולא בדצמבר, זה הפיצול המעשי: להמתין לתמחור ול� programma השותפים של Cognition, או לכוון את הלקוח הקיים שלכם אל API אחד ליותר מ-200 מודלים ולהריץ A/B של החלופות מול חבילת הבדיקות שלכם. OrcaRouter מעבירה הלאה את מחיר המחירון של הספקים בתוספת של 0%, כך שאם Cognition תפרסם בסופו של דבר תעריף, זה התעריף שתראו כאן ביום הראשון ולא מספר של משווק מחדש עם תוספת.

מה שהפוסט של ההשקה השמיט

יש לציין ארבע השמטות, משום שהן אלה שקובעות אם למספרים יש משמעות:

• ללא רתמה. הפוסט של SWE-2 מספטמבר חשף את תשתית ההרצה שלו ואת הגדרת המאמץ. הפוסט הזה לא עושה זאת, מה שהופך כל ציון אגנטי לקופסה שחורה.

• אין גילוי של best-of-N. איננו יודעים אם מדובר ב-pass@1 או ב-best-of-five.

• אין חלון הקשר. עבור מודל שממוצב כאפשרות הזולה בתוך סוכן, תקציב ההקשר אינו הערת שוליים.

• ללא הרצה בלתי תלויה. כל נתון כאן דווח על ידי הספק ולא שוחזר, כולל ציון FrontierCode 2.0 של 24.0 — ו-FrontierCode הוא המדד של Cognition עצמה, וכדאי לזכור זאת כשהוא השורה שמציגה ניצחון.

מה שכדאי לעקוב אחריו הוא לא עוד שורת בנצ'מרק. זה עמוד תוכנית השותפים: התאריך, הרישיון והמחיר. כשלושת אלה קיימים, SWE-2 Flash הופך למודל שאפשר להעריך. עד אז זהו הדגמה מתועדת היטב עם חודש חינם מצורף.