Cognition SWE-2 Flash: lo sconto è reale, la notizia è il modello base

SWE-2 Flash è stato rilasciato il 4 novembre 2026 con due numeri appiccicati addosso: un quinto del prezzo e tre volte la velocità di SWE-2, il modello da 2,8 trilioni di parametri che Cognition ha rilasciato otto settimane prima. Entrambi sono rapporti anziché tassi, ed entrambi sono misurati all'interno di Devin. La frase che cambia davvero qualcosa è più facile da trascurare: questo modello è un post-training di Inkling-Small, la base Apache-2.0 del Thinking Machines Lab di Mira Murati. È la prima volta che uno dei modelli di coding di Cognition non deriva da una base open-weight cinese, ed è il motivo per cui gli altri due numeri esistono in assoluto.

Per chi arriva da una casella di ricerca anziché da una newsletter: SWE-2 Flash è un modello di programmazione, viene eseguito all'interno dei prodotti agente di Cognition e non è qualcosa che si può richiamare dal proprio codice. Non esiste un endpoint, né un identificatore del modello, né un listino prezzi. Il post di lancio fornisce una data, un modello di base, una storia di addestramento, una tabella di numeri e una finestra gratuita che termina il 30 novembre. Tutto ciò che segue è ricavato da quel post, dalla tabella di Cognition e dalle alternative pubblicamente accessibili — con la fonte allegata a ogni cifra.

Cosa è stato rilasciato, e le due parole che mancano dal post

Cognition è esplicita riguardo alla superficie. SWE-2 Flash è disponibile oggi in Devin Desktop e Devin CLI, e il banner conclusivo del post recita: «Gratuito fino al 30/11 — Provalo oggi in Devin Desktop e CLI». Questa è l'intera storia della distribuzione. Non c'è alcun lancio di API, nessuna lista d'attesa per un endpoint e nessun repository su Hugging Face.

Le due parole che mancano all'affermazione sul prezzo sono "per token". "A un quinto del prezzo e 3 volte la velocità del suo fratello molto più grande" è un'affermazione su quanto costa un compito dentro Devin, che riunisce il modello, l'harness, lo scaffolding e lo stack di servizio di Cognition in un'unica fattura. È un modo legittimo di applicare un prezzo a un agente, e non è una tariffa che puoi confrontare con il tariffario per milione di token di chiunque altro. Un lettore che prova a convertirla in una tariffa di quel tipo fallirà, perché il post non dice mai rispetto a cosa sia un quinto.

Il dato sulla velocità va interpretato allo stesso modo. La sezione sulla velocità di Cognition indica 200 tok/s contro 60 tok/s per SWE-2, e poi spiega cosa ha misurato: "L'esecuzione di ciascun modello sul task gsea-proteomics di Terminal-Bench 4.0, riprodotta a una velocità simulata di 200 vs. 60 token al secondo. Le trascrizioni sono accorciate alla stessa lunghezza per il confronto." Si tratta di una riproduzione ai tassi indicati, non di una misurazione in tempo reale di due endpoint sotto carico. Indica il profilo di servizio previsto. Non ti dice cosa vedrai alle 14:00 di un martedì.

La sostituzione del modello base è il rilascio effettivo.

Sette settimane fa, SWE-2 è stato post-addestrato da Kimi K3 — la mixture da 2,8 trilioni di parametri di Moonshot, con 104B attivi per token. SWE-2 Flash è post-addestrato da Inkling-Small, 276B totali e 12B attivi, rilasciato con licenza Apache 2.0 a luglio. La tabella delle dimensioni della stessa Cognition colloca il nuovo modello a 1x e SWE-2 a 10,1x, che è un modo gentile di tracciare un divario di otto volte nei parametri attivi.

È quello scambio a rendere l'affermazione sul prezzo meccanicamente plausibile anziché promozionale. Il costo di servizio dipende dai parametri attivi e dai token generati molto più di quanto dipenda da un punteggio di benchmark, e un modello con 12B attivi appartiene a una classe di servizio diversa da uno con 104B attivi. Non serve fidarsi della narrativa sull'efficienza di Cognition per accettare che un modello molto più piccolo possa essere venduto a un quinto del prezzo. La domanda interessante è che cosa abbia mantenuto.

Cognition inquadra la sostituzione in chiave nazionale. La prima riga del post definisce SWE-2 Flash "un modello di coding completamente americano", e poi afferma che il modello "supera tutti i modelli americani a pesi aperti, persino modelli 3 volte più grandi". Entrambe le affermazioni sono vere così come scritte, ed entrambe sono più limitate di quanto sembrino. "Completamente americano" descrive una filiera — i pesi di base di un laboratorio americano, addestrati successivamente da un'azienda americana — non un fossato competitivo, perché Inkling-Small è Apache 2.0 e scaricabile da chiunque, compresi i concorrenti a cui è rivolta l'affermazione. La parte che Cognition controlla davvero è il mid-train e il RL, ed è proprio quella che non sta rilasciando.

La contraddizione che sta nella sezione Origins & Cyber

Il passaggio più citabile del comunicato non è un benchmark. È la sezione in cui Cognition spiega perché i pesi restano a casa.

Inizia descrivendo un cliente che ha bisogno di più di "un modello capace dietro un'API": aziende e governi che necessitano di "osservabilità per ospitare e controllare i deployment sulla propria infrastruttura, anche on-prem", e ricercatori che devono studiare come si comporta un modello. Poi enuncia chiaramente l'obiettivo — "Uno dei nostri obiettivi con SWE-2 Flash è fornire a partner industriali e ricercatori un'opzione che consenta un accesso trasparente ai pesi insieme alla possibilità di fare fine-tuning e di eseguirlo in ambienti sensibili."

Due paragrafi più avanti: "non stiamo ancora condividendo pubblicamente i pesi", con un programma per partner promesso "tra poche settimane", e la ragione addotta è il rischio per la cybersicurezza. Cognition lo ha addestrato deliberatamente a questo scopo. La stessa sezione afferma che ha "puntato al lavoro sulla cybersicurezza nel nostro addestramento, portando il punteggio ExploitBench del modello dall'11,3% al 34,8%", poi riconosce che "queste stesse capacità possono essere usate anche da attaccanti malintenzionati" e non divulga i pesi.

Letto come politica, la logica è coerente ma scomoda: il cliente on-prem che la sezione descrive non può avere il modello addestrato per lui, e l'ostacolo dichiarato è una capacità che Cognition ha scelto di aggiungere. Letto come prova sul modello, nella tabella c'è un dettaglio più incisivo. SWE-2 Flash ottiene 34,8 su ExploitBench contro il 36,1 di SWE-2. Il modello che Cognition non rilascerà è entro 1,3 punti dal modello di punta che già vende. Se la dimensione fosse l'argomento di sicurezza, quel numero apparirebbe diverso.

Anche la ricetta è cambiata, ed è la parte che vale la pena copiare

Cognition afferma che questa è la prima volta che ha aggiunto una fase di addestramento intermedio prima dell'apprendimento per rinforzo. La fase ha utilizzato «alcuni trilioni di token» di articoli scientifici, blog, codice e altre fonti di alta qualità, ed è stata eseguita in tre passaggi, in modo che «il modello vedesse i dati più scarsi e di qualità più elevata più avanti nell'addestramento». Le miscele sono state scelte tramite esperimenti di efficienza dei token: miscele candidate sono state valutate su un set di validazione tenuto da parte e confrontate in base a quanti token ciascuna richiedesse per raggiungere la stessa loss di una baseline.

Poi è arrivato il passaggio RL. Cognition è insolitamente franca su da dove siano venuti i miglioramenti: «Sebbene abbiamo apportato alcune modifiche alla nostra ricetta RL da SWE-2, la maggior parte dei progressi è derivata dalla qualità e dalla diversità molto più elevate dei nostri task RL». Descrive l'auditing delle istruzioni, la configurazione dell'ambiente e i verificatori, e la curatela di nuovi tipi di task su una gamma più ampia di capacità. Questa è una storia di dati e verificatori, non una storia di scala, ed è la cosa più trasferibile del rilascio.

L'entità del salto supporta l'interpretazione. Rispetto alla propria base, SWE-2 Flash porta Terminal-Bench 4.0 da 0,9 a 20,0 e FrontierCode 2.0 da 3,2 a 24,0. Qualunque sia il costo del post-addestramento, ha fruttato circa venti volte il punteggio del modello base su un benchmark e sette volte su un altro, su un modello con 12B attivi. Ciò che Cognition non pubblica è il conteggio dei token per il mid-train oltre a "qualche trilione", la potenza di calcolo, o qualsiasi ablazione che isoli il mid-train dal RL. L'affermazione che la nuova fase abbia causato il guadagno è di Cognition; il meccanismo non è verificabile in modo indipendente.

I numeri, e dove l'affermazione principale perde consistenza

Tutti i seguenti sono di Cognition, dalla sua tabella di lancio, e nessuno è stato riprodotto in modo indipendente. FrontierCode è il benchmark di Cognition, scritto con manutentori esterni e valutato da 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 vs 92,8

• SWE-Atlas QA — 50,0 vs 56,3

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

• ExploitBench — 34,8 vs 36,1

Una riga è una vittoria e sette sono sconfitte, la maggior parte di poco conto. Flash è alla pari con il modello di punta su FrontierCode 2.0, entro un punto su SWE-Bench Pro v2 Hard e tredici punti indietro su DeepSWE 1.1. Quella forma — vicino sui compiti delimitati, più indietro su quelli a lungo orizzonte — è la cosa più utile nella tabella, ed è oggetto del nostro confronto separato tra i due modelli.

L'affermazione "3 volte più grande" merita un paragrafo a sé, perché il margine è più sottile di quanto la frase suggerisca. Il comparatore americano open-weight che vi si avvicina di più è Muse Spark Open, 616B totali e 42B attivi. Su DeepSWE 1.1 segna 60,0 contro il 60,1 di SWE-2 Flash. Un decimo di punto. L'affermazione regge perché gli altri margini del Flash sono reali — 20,0 contro 8,0 su Terminal-Bench 4.0, 24,0 contro 6,2 su FrontierCode 2.0 — ma il titolo "anche modelli 3 volte più grandi" poggia, sulla riga in cui quel modello è più forte, su un errore di arrotondamento.

C'è anche una colonna nella stessa tabella che va nella direzione opposta. DeepSeek V4.1 Flash 1017, con 763B totali e 16B attivi, supera il Flash su quattro delle otto righe: da 77,0 a 60,1 su DeepSWE 1.1, da 71,0 a 50,0 su SWE-Atlas QA, da 42,3 a 20,0 su Terminal-Bench 4.0 e da 91,0 a 89,2 su Terminal-Bench 2.1. Due di questi margini sono più ampi di qualunque margine con cui il Flash vinca in qualsiasi punto della tabella. L'affermazione «all American open-weight models» è circoscritta in base alla nazionalità, e il comparatore più forte nella tabella si trova al di fuori dell'ambito.

Quanto ti costa la linea del cablaggio mancante

Il lancio di SWE-2 a settembre è stato accompagnato da un'appendice metodologica. In essa veniva indicato lo scaffold utilizzato per ciascun fornitore — Claude Code per i modelli Anthropic, Codex per i modelli OpenAI, Grok Build per xAI — e si affermava che per ogni modello veniva riportato il miglior punteggio tra le varie impostazioni di sforzo di ragionamento. Il post di Flash non contiene nulla di tutto ciò. Nessun harness, nessuna impostazione di sforzo, nessuna dichiarazione se i numeri siano best-of-N e nessuna nota a piè di pagina che spieghi la tabella.

Quell'omissione conta più per un modello piccolo che per uno grande, perché l'argomento di Flash è che il post-training ha colmato un divario. Se i due modelli Cognition sono stati eseguiti in scaffold diversi, parte della differenza di 0,2 punti in FrontierCode è dovuta all'harness. Se la riga di SWE-2 corrisponde alla sua impostazione di massimo impegno e Flash ne ha una sola, il confronto è un caso migliore contro un'incognita. Tre informazioni risolverebbero la questione: l'harness per riga, l'impostazione dell'effort per riga e un'esecuzione indipendente di Terminal-Bench 4.0 da parte di qualcuno che non sia Cognition.

Cosa puoi chiamare questa settimana

Qui non c'è nulla. SWE-2 Flash non ha un endpoint e nessuna piattaforma di terze parti lo distribuisce: non esiste un identificatore verso cui instradare. Quelli che puoi chiamare sono i modelli a cui viene paragonato, e il divario tra le due situazioni è la storia pratica di questo rilascio.

DeepSeek V4 Flash è instradato su OrcaRouter come deepseek/deepseek-v4-flash, con il contesto da 1M token e l'output massimo di 384K che DeepSeek pubblica e Cognition non pubblica per la Flash. Kimi K3, la base su cui è stato eseguito il post-training di SWE-2, è instradato su OrcaRouter a $3,00 per milione di token di input e $15,00 per milione di token di output come kimi/kimi-k3. Una sola API copre più di 200 modelli al prezzo di listino del fornitore, senza ricarichi aggiuntivi, così una variazione di prezzo di un fornitore ti raggiunge lo stesso giorno anziché secondo i tempi del router. Se stai verificando se un post-training con 12B attivi è abbastanza buono per la tua coda, quel test deve essere eseguito su un modello con 12B attivi che puoi effettivamente chiamare, con una catena di fallback alle spalle così che una prova non diventi una dipendenza di produzione.

La lettura ristretta di SWE-2 Flash è quella sostenuta dalle prove. Un modello con 12B attivi, post-addestrato su un mid-train e su un set RL meglio verificato, si colloca entro 4,5 punti da un flagship con 104B attivi su FrontierCode 1.1 Main e allo stesso livello su FrontierCode 2.0, a un quinto del prezzo all’interno di un unico prodotto. Se regge a test indipendenti, la lezione non è che i modelli piccoli hanno recuperato. È che negli agenti di coding il rendimento marginale dei parametri è sceso sotto il rendimento marginale della qualità dei verificatori — e le aziende in grado di generare e verificare compiti difficili, più che quelle che possono permettersi la base più grande, detteranno il passo. È un’affermazione più grande di una vittoria di 0,2 punti, ed è quella da tenere d’occhio per la prossima esecuzione indipendente.