Cognition SWE-2 Flash: Diskonnya Nyata, Model Dasarnya yang Jadi Berita

SWE-2 Flash dirilis pada 4 November 2026 dengan dua angka yang dilekatkan padanya: seperlima harga dan tiga kali kecepatan SWE-2, model 2,8 triliun parameter yang dirilis Cognition delapan minggu sebelumnya. Keduanya adalah rasio, bukan laju, dan keduanya diukur di dalam Devin. Kalimat yang benar-benar mengubah sesuatu justru lebih mudah terlewat saat dibaca sekilas: model ini adalah hasil post-train dari Inkling-Small, basis Apache-2.0 dari Thinking Machines Lab milik Mira Murati. Ini adalah pertama kalinya salah satu model coding Cognition tidak diturunkan dari basis open-weight Tiongkok, dan itulah alasan dua angka lainnya bisa ada.

Bagi siapa pun yang datang dari kotak pencarian, bukan dari buletin: SWE-2 Flash adalah model coding, ia berjalan di dalam produk agen Cognition, dan ini bukan sesuatu yang dapat Anda panggil dari kode Anda sendiri. Tidak ada endpoint, tidak ada pengenal model, dan tidak ada daftar harga. Postingan peluncuran memberi Anda tanggal, model dasar, kisah pelatihan, tabel angka, dan jendela gratis yang berakhir pada 30 November. Semua yang di bawah ini dibaca dari postingan tersebut, tabel milik Cognition sendiri, dan alternatif yang dapat dipanggil secara publik — dengan sumber yang dilampirkan pada setiap angka.

Apa yang dirilis, dan dua kata yang hilang dari postingan itu

Cognition eksplisit mengenai permukaannya. SWE-2 Flash tersedia hari ini di Devin Desktop dan Devin CLI, dan banner penutup pos tersebut berbunyi "Gratis hingga 11/30 — Coba hari ini di Devin Desktop dan CLI." Itulah keseluruhan cerita distribusinya. Tidak ada peluncuran API, tidak ada daftar tunggu untuk endpoint, dan tidak ada repositori Hugging Face.

Dua kata yang hilang dari klaim harga adalah "per token". "Dengan seperlima harga dan kecepatan 3x dari saudara kandungnya yang jauh lebih besar" adalah pernyataan tentang berapa biaya sebuah tugas di dalam Devin, yang menggabungkan model, harness, scaffolding, dan stack serving Cognition menjadi satu tagihan. Ini adalah cara yang sah untuk memberi harga pada agen, dan itu bukan tarif yang dapat Anda bandingkan dengan kartu per-juta-token milik siapa pun. Pembaca yang mencoba mengubahnya menjadi tarif seperti itu akan gagal, karena postingan tersebut tidak pernah menyebutkan seperlima dari apa.

Angka kecepatan perlu dibaca dengan cara yang sama. Bagian kecepatan Cognition menyebut 200 tok/s dibandingkan 60 tok/s untuk SWE-2, lalu menjelaskan apa yang diukurnya: "Run masing-masing model pada tugas gsea-proteomics Terminal-Bench 4.0, diputar ulang pada simulasi 200 vs. 60 token per detik. Transkrip dipersingkat agar panjangnya sama untuk perbandingan." Itu adalah pemutaran ulang pada laju yang dinyatakan, bukan pengukuran waktu langsung dari dua endpoint dalam kondisi berbeban. Itu memberi tahu Anda profil penyajian yang dimaksudkan. Itu tidak memberi tahu Anda apa yang akan Anda lihat pada pukul 2 siang hari Selasa.

Pergantian model dasar adalah rilis yang sebenarnya.

Tujuh minggu lalu, SWE-2 dilatih lanjut dari Kimi K3 — campuran 2,8 triliun parameter milik Moonshot, dengan 104B di antaranya aktif per token. SWE-2 Flash dilatih lanjut dari Inkling-Small, total 276B dan 12B aktif, dirilis di bawah Apache 2.0 pada Juli. Bagan ukuran milik Cognition sendiri menempatkan model baru pada 1x dan SWE-2 pada 10,1x, cara sopan untuk menggambarkan selisih delapan kali lipat dalam parameter aktif.

Pertukaran itulah yang membuat klaim harga secara mekanis masuk akal, bukan sekadar promosi. Biaya penyajian jauh lebih mengikuti parameter aktif dan token yang dihasilkan daripada mengikuti skor benchmark, dan model dengan 12B parameter aktif berada di kelas penyajian yang berbeda dari model dengan 104B parameter aktif. Anda tidak perlu mempercayai narasi efisiensi Cognition untuk menerima bahwa model yang jauh lebih kecil ini dapat dijual dengan seperlima harga. Pertanyaan yang menarik adalah apa yang dipertahankannya.

Cognition membingkai pertukaran itu secara nasional. Baris pertama unggahan tersebut menyebut SWE-2 Flash sebagai "model coding sepenuhnya Amerika", dan lanjut menyatakan bahwa model itu "mengungguli semua model open-weight Amerika, bahkan model yang 3x lebih besar." Kedua pernyataan itu benar sebagaimana tertulis, dan keduanya lebih sempit daripada kesannya. "Sepenuhnya Amerika" menggambarkan rantai pasok — bobot dasar dari lab Amerika, dilatih lanjut oleh perusahaan Amerika — bukan parit pertahanan, karena Inkling-Small berlisensi Apache 2.0 dan dapat diunduh siapa saja, termasuk para pesaing yang menjadi sasaran klaim tersebut. Bagian yang benar-benar dikendalikan Cognition adalah mid-train dan RL, dan itulah bagian yang tidak dirilisnya.

Kontradiksi yang ada di bagian Origins & Cyber

Bagian yang paling layak dikutip dalam rilis ini bukanlah sebuah benchmark. Itu adalah bagian ketika Cognition menjelaskan mengapa bobot modelnya tetap berada di rumah.

Dimulai dengan menggambarkan pelanggan yang membutuhkan lebih dari "model mumpuni di balik API": perusahaan dan pemerintah yang membutuhkan "observabilitas untuk menghosting dan mengendalikan deployment di infrastruktur mereka sendiri, termasuk on-prem", serta peneliti yang perlu mempelajari perilaku suatu model. Kemudian, tujuannya dinyatakan secara gamblang — "Salah satu tujuan kami dengan SWE-2 Flash adalah menyediakan opsi bagi mitra industri dan peneliti yang memungkinkan akses transparan ke bobot model sekaligus kemampuan untuk melakukan fine-tuning dan menjalankannya di lingkungan yang sensitif."

Dua paragraf kemudian: "kami belum membagikan bobotnya secara publik", dengan program mitra yang dijanjikan "dalam beberapa minggu", dan alasan yang diberikan adalah risiko keamanan siber. Cognition sengaja melatihnya untuk itu. Bagian yang sama menyebut bahwa pihaknya "menargetkan pekerjaan keamanan siber dalam pelatihan kami, menaikkan skor ExploitBench model dari 11,3% menjadi 34,8%", lalu mengakui bahwa "kemampuan yang sama ini juga dapat digunakan oleh penyerang jahat" dan menahan bobotnya.

Jika dibaca sebagai kebijakan, logikanya koheren tetapi tidak nyaman: pelanggan on-prem yang dijelaskan bagian ini tidak bisa memiliki model yang dilatih untuk mereka, dan penghalang yang dinyatakan adalah kemampuan yang dipilih Cognition untuk ditambahkan. Jika dibaca sebagai bukti tentang model, ada detail yang lebih tajam di tabel. SWE-2 Flash mencetak 34,8 pada ExploitBench dibandingkan 36,1 milik SWE-2. Model yang tidak akan dirilis Cognition hanya berjarak 1,3 poin dari model unggulan yang sudah dijualnya. Jika ukuran menjadi argumen keamanan, angka itu akan terlihat berbeda.

Resepnya juga berubah, dan itulah bagian yang layak ditiru

Cognition mengatakan ini adalah pertama kalinya mereka menambahkan tahap pelatihan menengah sebelum pembelajaran penguatan. Tahap tersebut menggunakan "beberapa triliun token" dari artikel ilmiah, blog, kode, dan sumber lain berkualitas tinggi, serta dijalankan dalam tiga putaran sehingga "model akan melihat data yang paling langka dan paling berkualitas pada tahap akhir pelatihan." Campuran data dipilih melalui eksperimen efisiensi token: campuran kandidat dijalankan terhadap set validasi yang disisihkan dan dibandingkan berdasarkan berapa banyak token yang dibutuhkan masing-masing untuk mencapai loss yang sama dengan baseline.

Lalu tibalah proses RL. Cognition luar biasa terbuka tentang dari mana peningkatan itu berasal: "Meskipun kami melakukan beberapa penyesuaian pada resep RL kami dari SWE-2, sebagian besar peningkatan berasal dari kualitas dan keragaman tugas RL kami yang jauh lebih tinggi." Perusahaan ini menjelaskan proses mengaudit instruksi, penyiapan lingkungan, dan verifier, serta mengurasi jenis tugas baru di berbagai kemampuan yang lebih luas. Itu adalah kisah tentang data dan verifier, bukan kisah tentang skala, dan itulah hal yang paling dapat ditransfer dalam rilis ini.

Skala lompatan itu mendukung pembacaan tersebut. Dibandingkan dengan basisnya sendiri, SWE-2 Flash memindahkan Terminal-Bench 4.0 dari 0,9 ke 20,0 dan FrontierCode 2.0 dari 3,2 ke 24,0. Berapa pun biaya pasca-pelatihannya, biaya itu membeli sekitar dua puluh kali skor model basis pada satu benchmark dan tujuh kali pada benchmark lain, pada model aktif 12B. Yang tidak dipublikasikan Cognition adalah jumlah token untuk mid-train selain "beberapa triliun", komputasi, atau ablasi apa pun yang mengisolasi mid-train dari RL. Klaim bahwa tahap baru menyebabkan peningkatan itu adalah klaim Cognition; mekanismenya tidak dapat diperiksa secara independen.

Angka-angkanya, dan titik ketika klaim utamanya mulai melemah

Semua berikut ini milik Cognition sendiri, dari tabel peluncurannya, dan tidak ada yang direproduksi secara independen. FrontierCode adalah benchmark milik Cognition, ditulis bersama pemelihara eksternal dan dinilai oleh Cognition.

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

• FrontierCode 1.1 Utama — 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 vs 92,8

• SWE-Atlas QA — 50,0 vs 56,3

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

• ExploitBench — 34,8 vs 36,1

Satu baris adalah kemenangan dan tujuh adalah kekalahan, sebagian besar kecil. The Flash setara dengan model unggulan pada FrontierCode 2.0, selisih dalam satu poin pada SWE-Bench Pro v2 Hard, dan tertinggal tiga belas poin pada DeepSWE 1.1. Pola itu — dekat pada tugas-tugas terbatas, lebih tertinggal pada tugas-tugas berhorizon panjang — adalah hal paling berguna dalam tabel, dan itu menjadi subjek perbandingan terpisah kami antara kedua model.

Klaim "3x lebih besar" layak mendapat paragrafnya sendiri karena marginnya lebih tipis daripada yang disiratkan kalimat itu. Pembanding Amerika dengan bobot terbuka yang paling mendekati adalah Muse Spark Open, total 616B dan aktif 42B. Pada DeepSWE 1.1, skornya 60,0 berbanding 60,1 milik SWE-2 Flash. Sepersepuluh poin. Klaim itu tetap bertahan karena margin Flash lainnya nyata — 20,0 berbanding 8,0 pada Terminal-Bench 4.0, 24,0 berbanding 6,2 pada FrontierCode 2.0 — tetapi judul "bahkan model yang 3x lebih besar" bergantung, pada baris tempat model itu paling kuat, pada kesalahan pembulatan.

Ada juga kolom di tabel yang sama yang mengarah sebaliknya. DeepSeek V4.1 Flash 1017, dengan total 763B dan 16B aktif, mengalahkan Flash pada empat dari delapan baris: 77,0 berbanding 60,1 pada DeepSWE 1.1, 71,0 berbanding 50,0 pada SWE-Atlas QA, 42,3 berbanding 20,0 pada Terminal-Bench 4.0, dan 91,0 berbanding 89,2 pada Terminal-Bench 2.1. Dua dari margin tersebut lebih besar daripada margin kemenangan Flash mana pun di seluruh tabel. Klaim "all American open-weight models" dibatasi oleh kewarganegaraan, dan pembanding terkuat dalam tabel berada di luar cakupan tersebut.

Berapa kerugian yang ditimbulkan oleh baris harness yang hilang bagi Anda

Peluncuran SWE-2 pada September disertai lampiran metodologi. Lampiran itu menyebutkan scaffold yang digunakan untuk setiap vendor — Claude Code untuk model Anthropic, Codex untuk model OpenAI, Grok Build untuk xAI — dan menyatakan bahwa skor terbaik setiap model di seluruh pengaturan reasoning-effort dilaporkan. Postingan Flash tidak memuat semua itu. Tidak ada harness, tidak ada pengaturan effort, tidak ada pernyataan apakah angka-angka itu best-of-N, dan tidak ada catatan kaki yang menjelaskan tabel tersebut.

Penghilangan itu lebih penting bagi model kecil daripada model besar, karena argumen Flash adalah bahwa pasca-pelatihan menutup kesenjangan. Jika dua model Cognition dijalankan dalam scaffold yang berbeda, sebagian dari selisih FrontierCode 0,2 poin adalah harness. Jika baris SWE-2 adalah pengaturan upaya terbaiknya dan Flash hanya memiliki satu pengaturan, perbandingannya adalah kasus terbaik versus yang tidak diketahui. Tiga pengungkapan akan memperbaikinya: harness per baris, pengaturan upaya per baris, dan satu eksekusi independen Terminal-Bench 4.0 oleh pihak selain Cognition.

Apa yang dapat Anda sebut minggu ini

Tidak ada apa pun di sini. SWE-2 Flash tidak memiliki endpoint, dan tidak ada platform pihak ketiga yang menyediakannya — tidak ada pengenal yang bisa dirutekan. Yang bisa Anda panggil adalah model-model yang dibandingkan dengannya, dan jurang antara kedua situasi itu adalah inti cerita praktis dari rilis ini.

DeepSeek V4 Flash dirutekan melalui OrcaRouter sebagai deepseek/deepseek-v4-flash, dengan konteks 1M token dan output maksimum 384K yang dipublikasikan DeepSeek dan tidak dipublikasikan Cognition untuk Flash. Kimi K3, model dasar yang digunakan untuk pasca-pelatihan SWE-2, dirutekan melalui OrcaRouter dengan harga $3,00 per juta token input dan $15,00 per juta token output sebagai kimi/kimi-k3. Satu API mencakup lebih dari 200 model pada harga daftar penyedia tanpa markup tambahan, sehingga perubahan harga vendor sampai kepada Anda pada hari yang sama alih-alih mengikuti jadwal router. Jika Anda menguji apakah model hasil pasca-pelatihan dengan 12B parameter aktif cukup baik untuk antrean Anda, pengujian itu harus dijalankan terhadap model 12B aktif yang benar-benar dapat Anda panggil, dengan rantai fallback di belakangnya sehingga uji coba tidak menjadi ketergantungan produksi.

Pembacaan sempit atas SWE-2 Flash adalah pembacaan yang didukung bukti. Model dengan 12B aktif, yang dilatih pascapelatihan pada mid-train dan set RL yang diaudit lebih baik, berada dalam selisih 4,5 poin dari model unggulan 104B aktif pada FrontierCode 1.1 Main dan setara pada FrontierCode 2.0, dengan harga seperlima di dalam satu produk. Jika itu bertahan dalam pengujian independen, pelajarannya bukanlah bahwa model kecil telah menyusul. Pelajarannya adalah bahwa pada agen coding, imbal hasil marginal atas parameter telah turun di bawah imbal hasil marginal atas kualitas verifier — dan perusahaan yang mampu menghasilkan dan mengaudit tugas-tugas sulit, bukan perusahaan yang mampu membiayai basis terbesar, akan menentukan tempo. Itu klaim yang lebih besar daripada kemenangan 0,2 poin, dan itulah yang layak diperhatikan pada uji independen berikutnya.