Cognition SWE-2 Flash：割引は本当、注目すべきはベースモデル

SWE-2 Flashは2026年11月4日に出荷され、2つの数字が添えられていた。価格は5分の1、速度は3倍——比較対象はSWE-2、すなわちCognitionが8週間前にリリースした2.8兆パラメータのモデルだ。どちらも絶対的な率ではなく相対比であり、どちらもDevinの内部で測定されたものだ。しかし、実際に意味を変える一文のほうが、読み飛ばされやすい。このモデルはInkling-Small、つまりMira MuratiのThinking Machines Labが公開したApache-2.0のベースモデルをポストトレーニングしたものだ。Cognitionのコーディングモデルが中国のオープンウェイトのベースモデル由来でないのはこれが初めてであり、他の2つの数字がそもそも存在する理由もここにある。

ニュースレターではなく検索ボックスから来た方へ：SWE-2 Flash はコーディングモデルであり、Cognition のエージェント製品内で動作するもので、自分のコードから呼び出せるものではありません。エンドポイントも、モデル識別子も、料金表もありません。ローンチ記事には、日付、ベースモデル、学習の経緯、数値の表、そして 11月30日に終了する無料期間が記載されています。以下はすべて、その記事、Cognition 自身の表、および公開されて呼び出し可能な代替手段から読み取ったもので、各数値には出典を付しています。

何が出荷されたのか、そして投稿から欠けている2つの言葉

Cognition は対応サーフェスについて明言している。SWE-2 Flash は本日から Devin Desktop と Devin CLI で利用可能で、投稿の締めくくりのバナーには「11/30 まで無料 — 今すぐ Devin Desktop と CLI でお試しください」と記されている。配布に関する説明はこれで全部だ。API のローンチも、エンドポイントのウェイトリストも、Hugging Face のリポジトリも存在しない。

料金に関する主張から欠けている2語は「per token」だ。「はるかに大きな兄弟モデルの5分の1の価格で3倍の速度」というのは、Devin内でタスクにかかるコストについての記述であり、Devinはモデル、ハーネス、スキャフォールディング、Cognitionのサービングスタックを1つの請求書にまとめ込む。これはエージェントの値付け方法としては妥当だが、他社の100万トークンあたりの料金表と比較できるレートではない。これをレートに換算しようとする読者は失敗する。投稿は、その5分の1が何の5分の1なのかを一切述べていないからだ。

速度の数値にも同じ読み方が必要だ。Cognitionの速度セクションは、200 tok/s を SWE-2 の 60 tok/s と対比し、そのうえで何を測定したのかを説明している：「各モデル自身の Terminal-Bench 4.0 の gsea-proteomics タスクでの実行を、200 対 60 トークン/秒のシミュレーションで再生した。比較のため、トランスクリプトは同じ長さに短縮されている。」これは明示されたレートでの再生であり、負荷下にある2つのエンドポイントのライブ計測ではない。意図された提供プロファイルを示している。火曜日の午後2時に何が見えるかは示していない。

ベースモデルの差し替えこそが、実質的なリリースだ

7週間前、SWE-2はKimi K3からポストトレーニングされた。Kimi K3はMoonshotの2.8兆パラメータの混合モデルで、トークンあたり104Bがアクティブになる。SWE-2 FlashはInkling-Smallからポストトレーニングされており、総パラメータ276B、アクティブ12Bで、7月にApache 2.0でリリースされた。Cognition自身のサイズチャートでは、新モデルが1x、SWE-2が10.1xとされており、これはアクティブパラメータにおける8倍の差を婉曲に示したものだ。

その入れ替えこそが、価格の主張を宣伝文句ではなく仕組み上もっともらしくしている。提供コストは、ベンチマークスコアよりも、アクティブパラメータと生成トークン数にはるかに強く連動する。そして、12Bアクティブのモデルは、104Bアクティブのモデルとは別の提供クラスにある。これだけ小さいモデルを5分の1の価格で販売できると受け入れるのに、Cognitionの効率性に関する説明を信じる必要はない。興味深い問いは、それが何を残したかだ。

Cognitionはこの入れ替えを国家的な文脈で位置づけている。投稿の最初の行はSWE-2 Flashを「完全にアメリカ製のコーディングモデル」と呼び、さらにこのモデルは「アメリカのすべてのオープンウェイトモデルを上回る。3倍の規模のモデルさえも」と述べている。どちらの記述も書かれているとおり事実だが、どちらも響きほど広い主張ではない。「完全にアメリカ製」が表すのはサプライチェーン、つまりアメリカのラボのベースウェイトをアメリカ企業がポストトレーニングしたものであって、参入障壁ではない。Inkling-SmallはApache 2.0であり、この主張が狙いを定めている競合他社を含め、誰でもダウンロードできるからだ。Cognitionが実際に制御しているのはミッドトレインとRLであり、それが同社の提供していない部分なのだ。

Origins & Cyberセクションに潜む矛盾

このリリースで最も引用したくなる一節は、ベンチマークではない。Cognitionが、なぜモデルの重みを手元に留めているのかを説明しているセクションだ。

まず、「APIの背後にある有能なモデル」以上のものを必要とする顧客について説明している。すなわち、「オンプレミスを含む自社インフラ上でデプロイメントをホストし制御するための可観測性」を必要とする企業や政府、そしてモデルがどのように振る舞うかを研究する必要がある研究者である。続いて、目標を端的に述べている。「SWE-2 Flashにおける私たちの目標の一つは、業界パートナーや研究者に、重みへの透過的なアクセスと、機密性の高い環境で微調整して実行する機能を可能にする選択肢を提供することです。」

2段落後：「私たちはまだ重みを公開していない」と述べ、パートナープログラムを「数週間以内」に約束し、その理由としてサイバーセキュリティ上のリスクを挙げている。Cognitionは意図的にそのために訓練した。同じ節では、同社が「トレーニングにおいてサイバーセキュリティ業務を対象とし、モデルのExploitBenchスコアを11.3%から34.8%に引き上げた」と述べ、そのうえで「これらの同じ能力は悪意ある攻撃者にも利用され得る」と認め、重みを非公開にしている。

政策として読むと、論理は一貫しているが居心地が悪い。この節が描くオンプレミス顧客は、自分たちのために訓練されたモデルを手にできない。そして明示された障害は、Cognitionが追加することを選んだ機能である。モデルに関する証拠として読むと、表にはより鋭い細部がある。SWE-2 FlashはExploitBenchで34.8、SWE-2は36.1を記録する。Cognitionが公開しないモデルは、すでに販売しているフラッグシップから1.3ポイント以内にある。もしサイズが安全性の根拠なら、その数字は違って見えるはずだ。

レシピも変わりました。そして、そこがコピーする価値のある部分です。

Cognitionによると、強化学習の前に中間トレーニング段階を設けたのは今回が初めてだという。この段階では、高品質な科学論文、ブログ、コードなどのソースを「数兆トークン」使用し、3回に分けて実行することで、「モデルが最も希少で最高品質のデータをトレーニングの後半に目にするようにした」。混合データはトークン効率の実験によって選ばれた。候補の混合データをホールドアウト検証セットに対して実行し、ベースラインと同じ損失に到達するまでに各々どれだけのトークンを必要としたかを比較した。

続いてRLパスの登場です。Cognitionは、その向上がどこから来たのかについて異例なほど率直です。「SWE-2からRLレシピにいくつか調整を加えはしましたが、改善の大半はRLタスクの品質と多様性がはるかに高まったことによるものでした」。同社は、指示・環境設定・検証器の監査や、より広範な能力にわたる新しいタスクタイプのキュレーションについて述べています。これはデータと検証器の話であり、スケールの話ではありません。そして、このリリースで最も他に応用できる点です。

この跳躍の規模はその解釈を裏付ける。自社のベースモデルと比較すると、SWE-2 FlashはTerminal-Bench 4.0を0.9から20.0へ、FrontierCode 2.0を3.2から24.0へ引き上げている。ポストトレーニングのコストがいくらであれ、12B-activeのモデルで、あるベンチマークではベースモデルのスコアの約20倍を、別のベンチマークでは7倍を獲得したことになる。Cognitionが公表していないのは、ミッドトレインのトークン数（「数兆」以上のこと）、計算量、そしてミッドトレインをRLから切り分けるアブレーションだ。新しい段階がこの向上を引き起こしたという主張はCognitionによるものであり、そのメカニズムは独立に検証できない。

数字と、見出しの主張が薄弱になる箇所

以下はすべてCognition自身のもので、同社の発表時の表に由来しており、いずれも独立して再現されたものはありません。FrontierCodeはCognitionのベンチマークであり、外部のメンテナーと共同で作成され、Cognitionによって採点されています。

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

• FrontierCode 1.1 Main — 45.5 対 50.0

• DeepSWE 1.1 — 60.1 対 73.0

• Terminal-Bench 4.0 — 20.0 対 27.3

• Terminal-Bench 2.1 — 89.2 対 92.8

• SWE-Atlas QA — 50.0 対 56.3

• SWE-Bench Pro v2 Hard — 89.9 対 90.6

• ExploitBench — 34.8 対 36.1

1行が勝ちで7行が負けであり、そのほとんどは小さな差だ。FlashはFrontierCode 2.0ではフラッグシップと同等、SWE-Bench Pro v2 Hardでは1ポイント以内、DeepSWE 1.1では13ポイント劣っている。このパターン——範囲が限定されたタスクでは差が小さく、長期的なタスクではより大きく後れを取る——はこの表で最も有用な点であり、2つのモデルを別途比較した記事の主題でもある。

「3x larger」という主張は、その文が示唆するほど余裕が大きくないため、独立した段落にする価値がある。最も近い米国のオープンウェイト比較対象は Muse Spark Open で、総パラメータ616B、アクティブ42B。DeepSWE 1.1 では 60.0 で、SWE-2 Flash の 60.1 に対して。0.1点差。この主張が成立するのは、Flash の他の差が実際に大きいからだ——Terminal-Bench 4.0 で 20.0 対 8.0、FrontierCode 2.0 で 24.0 対 6.2——しかし「3x larger なモデルでさえ」という見出しは、そのモデルが最も強い行において、丸め誤差に依存している。

同じ表には、逆の方向に働く列もある。DeepSeek V4.1 Flash 1017は、総パラメータ数763B、アクティブパラメータ数16Bで、8行のうち4行でFlashを上回る。DeepSWE 1.1では77.0対60.1、SWE-Atlas QAでは71.0対50.0、Terminal-Bench 4.0では42.3対20.0、Terminal-Bench 2.1では91.0対89.2だ。これらの差のうち2つは、Flashが表内のどこで勝っているどの差よりも大きい。「米国のオープンウェイトモデルすべて」という主張は国籍によって適用範囲が限定されており、表内で最も強い比較対象はその範囲外にある。

ハーネスラインが1本欠けることで、あなたが払う代償

SWE-2の9月のローンチには方法論付録が付いていた。各ベンダーに使用されたスキャフォールドを明記し、AnthropicモデルにはClaude Code、OpenAIモデルにはCodex、xAIにはGrok Buildを挙げ、すべてのモデルについて推論エフォート設定全体で最高スコアが報告されたと述べていた。Flashの投稿にはそのいずれも含まれていない。ハーネスも、エフォート設定も、数値がbest-of-Nかどうかの記述も、表を説明する脚注もない。

その省略は、大きなモデルよりも小さなモデルにとって重要だ。なぜなら、Flashの主張はポストトレーニングが差を埋めたというものだからだ。2つのCognitionモデルが異なるスキャフォールドで実行されたなら、FrontierCodeの0.2ポイント差の一部はハーネスによるものだ。SWE-2の行がそのベストエフォート設定で、Flashに1つの設定しかないなら、その比較は未知のものに対する最良ケースだ。3つの開示で解決する。行ごとのハーネス、行ごとのエフォート設定、そしてCognition以外の誰かによるTerminal-Bench 4.0の独立した1回の実行だ。

今週、何と呼べるか

ここには何もありません。SWE-2 Flash にはエンドポイントがなく、第三者のプラットフォームもそれを取り扱っていません — ルーティングすべき識別子が存在しないのです。呼び出せるのは、それが比較されているモデルたちであり、この二つの状況の間の隔たりこそが、このリリースの実践的な物語なのです。

DeepSeek V4 Flash は OrcaRouter でdeepseek/deepseek-v4-flash としてルーティングされており、DeepSeek が公開し、Cognition が Flash 向けには公開していない 1M トークンのコンテキストと 384K の最大出力を備えています。SWE-2 のポストトレーニング元となったベースモデル Kimi K3 は OrcaRouter でkimi/kimi-k3 として、入力 100 万トークンあたり 3.00 ドル、出力 100 万トークンあたり 15.00 ドルでルーティングされています。1 つの API で 200 以上のモデルをプロバイダーの定価で、上乗せなしで利用できるため、ベンダーの価格変更はルーターのスケジュールではなく当日に反映されます。12B アクティブのポストトレインが自分のキューに十分かどうかをテストしているなら、そのテストは実際に呼び出せる 12B アクティブのモデルに対して実行する必要があり、その背後にフォールバックチェーンを備えて、試用が本番環境の依存関係にならないようにします。

SWE-2 Flash についての狭義の解釈こそ、証拠が支持する解釈だ。12B アクティブのモデルが、中間トレーニングと、より厳格に監査された RL セットでポストトレーニングされ、FrontierCode 1.1 Main で 104B アクティブのフラッグシップに 4.5 ポイント以内、FrontierCode 2.0 では同等に達し、しかも一つの製品内で価格は 5 分の 1 である。これが独立したテストでも成り立つなら、教訓は小規模モデルが追いついたということではない。コーディングエージェントでは、パラメータへの限界収益が検証器の品質への限界収益を下回ったということだ。そして、最大の基盤を用意できる企業ではなく、難しいタスクを生成し監査できる企業がペースを決めるだろう。それは 0.2 ポイントの勝利より大きな主張であり、次の独立評価で注目する価値があるものだ。