SWE-2 Flash を発表：8つのベンチマーク行、エンドポイントは1つもなし

Cognitionは2026年11月4日にSWE-2 Flashを発表した。その投稿は異例なほど数字が豊富で、ベンチマーク8行、学習前後の差分2つ、速度の数値、価格の数値が並んでいる。しかし、そこにはモデルを呼び出す方法が含まれていない。SWE-2 FlashはDevin DesktopとDevin CLIの中で動作し、2026年11月30日まで無料で利用できる。APIエンドポイントも、モデルIDも、トークン単価も、公開重みもない。「高速で効率的」をうたうローンチにおいて、開発者にとって最も有用な情報は、その効率が今のところ購入できるトークンではなく、支払わずに済むドルで測られているということだ。

それはモデルへの批判ではありません。それは提供の形であり、今日この発表を受けて行動できる人と、待たなければならない人を決めるものです。

11月4日に実際に出荷されたもの

仕様書は1画面に収まるほど短く、それ自体が示唆的だ。Cognitionがこのモデルについて公開した情報は、9月にSWE-2について公開した量より少ない。

• ベースモデル — Thinking Machines LabのオープンウェイトなMixture-of-ExpertsであるInkling-Smallからポストトレーニング。総パラメータ276B、アクティブ12B、アップストリームはApache 2.0。

• サービング — Devin Desktop および Devin CLI のみ。ホスト型エンドポイントなし、ベンダー API なし、重みのダウンロードなし。

• 価格 — トークンあたりの料金は公表されていません。2026年11月30日まで無料で利用できます。

• 速度 — 毎秒約200トークンで、SWE-2の60トークンに対して。この数値はCognitionが、実際のエンドポイントの時間を計測するのではなく、短縮されたセッショントランスクリプトをシミュレートされたレートで再生して算出したものだ。

• コンテキストウィンドウ、最大出力、エフォート設定 — ローンチ記事のどこにも明記されていない。

ベースモデルの交換こそが、真に新しいエンジニアリングです。SWE-2はKimi K3（総パラメータ2.8T／アクティブ104Bのベース）上に構築されました。SWE-2 Flashは、総パラメータで約10分の1、アクティブパラメータで約8分の1の規模のベース上に位置しており、Cognitionによれば、品質回復の大半は規模ではなく、より優れた強化学習タスクと監査済みの検証器からもたらされたということです。この投稿では、同社がRL前に用いた初の中間トレーニング段階についても説明しています。それは科学論文、ブログ、コードからなる数兆トークンで、最も希少なデータを最後に回す3回のパスで実行されます。

繰り返される主張と、それが依拠する行

誰もが引用するであろう一文は、SWE-2 Flashが「アメリカのオープンウェイトモデルすべてを、3倍大きいものさえも上回る」というものだ。その主張のどこまでが、すぐ下にある表と突き合わせても生き残るのかを正確に知る価値がある。

発表資料で、より小規模な米国のオープンウェイトのコーディングモデルと直接同一ベンチマーク比較しているのはTerminal-Bench 2.1のみで、そこではSWE-2 Flashが89.2を報告しているのに対し、Flint v1.0は54.9です。これは同一バージョンのベンチマーク上での大きな差であり、この主張を支える最も強力な単一の証拠です。しかしFlint v1.0は総パラメータ数39.8B、CohereのNorth Mini Codeは30Bであり、どちらも276Bモデルより3倍大きいわけではありません。両者ともより小さいため、それらに勝つことは印象的というより特筆すべきことではありません。

Cognition社自身の表にある3倍大きい比較対象は、合計616BのMuse Spark Openと、合計763BのDeepSeek V4.1 Flash 1017です。DeepSWE 1.1では、SWE-2 Flashは60.1を報告しており、Muse Spark Openの60.0に対して0.1ポイント差——あらゆる妥当なノイズ幅の範囲内であり、しかも比較相手のモデルは同じ文脈でオープンウェイトとは説明されていません。一方、DeepSeek V4.1 Flash 1017は米国のモデルではないため、「米国のオープンウェイト」という主張の一部には到底なり得ません。さらにこれはTerminal-Bench 4.0でSWE-2 Flashに22.3ポイント差——42.3対20.0——で勝利するモデルであり、これは比較全体の中で最大の単一の敗北です。

これらのどれも、その主張を誤りにするものではない。それは主張を、聞こえるよりも狭いものにする。すなわち、一つの共通ベンチマークで、一つのアメリカのオープンウェイトモデルと比較したものにすぎず、しかもライセンスが別問題であるモデルに対する、丸め誤差程度の勝利だ。これらの数値はすべてCognition自身によるもので、投稿が名前を挙げていないハーネス上で実行されている。

70ポイント差の2つのTerminal-Bench数値

Cognitionの表から一つだけ読むなら、この2つを読んでほしい。SWE-2 FlashはTerminal-Bench 4.0で20.0、Terminal-Bench 2.1で89.2を記録する。これらは同じ対象について競合する推定値ではない。異なるタスクセットと異なる難易度を持つ、異なるベンチマーク世代であり、一目見たときに両者を分けているのはバージョン番号だけだ。両方を並べたローンチ表は、20.0を競合の2.1スコアと比較したり、89.2を競合の4.0スコアと比較したりする過ちをまさに招く。

このモデル、そしてベンダーが複数のTerminal-Benchバージョンを報告しているあらゆるモデルに当てはまる安全なルールは、2.1は2.1と、4.0は4.0と比較し、どちらを引用しているのかを明言することだ。ローンチ表のフラット化されたテキストレンダリングのせいで、二次報道ではすでに1行が誤って割り当てられてしまっているため、私たちはこの点について継続的にメモを残している。

なぜ重りはドアの向こうにあるのか — そしてそのドアとは何なのか

Cognitionは非公開の重みを透明性とリスクのトレードオフとして位置づけており、この投稿はリスク側について異例なほど率直だ。同社はセキュリティ業務向けに意図的に訓練し、ExploitBenchのスコアをベース訓練時の11.3からポスト訓練後には34.8まで引き上げたと述べている。これらの重みを公開すれば、有能なエクスプロイト作成モデルが一般に出回ることになる。

そこで代わりに用意されているのは、あるプログラムです。重みはパートナーや研究者と「安全に」共有され、投稿では「数週間以内」に詳細を明らかにすると約束されています。本稿執筆時点では、申請フォームも、適格性基準も、ライセンスも、日程も、共有された重みの再配布や商用利用が可能かどうかについての記述もありません。パートナー向けプログラムはオープンウェイトではなく、この区別はセルフホストを計画している人にとって重要です。条件が存在するまでは、SWE-2 Flash がダウンロード可能になることは決してないという前提で計画するのが正しいでしょう。

11月30日まで無料、その後は価格未定

商用オファーは、Devin内での1か月間の無料アクセスです。その後、Cognitionの外部では誰もその費用を知りません。トークン単価が公開されていないからです。「{{1}}SWE-2の価格の5分の1{{/1}}」という記述は、独自のバンドル価格を持つ製品に対する比率であり、料金表ではありません。

それを中心にワークフローを構築しようと考えているなら、それは現実的な計画上のリスクです。価格が示されていない依存関係は、高価な依存関係よりも厄介です。なぜなら、コストをモデル化できないからです。今から11月30日までの間に取るべき賢明な行動は、測定できるものを測定すること――つまり、自社のリポジトリにおけるモデルの出力品質が、Devinの設定を切り替えるに値するかどうか――であり、Cognitionが数字を公表するまでは、コストの疑問を未解決のままにしておくことです。

今日実際に電話できる相手

SWE-2 FlashはOrcaRouterにはなく、Cognitionがエンドポイントまたはライセンス済みの重みのリリースを出すまで、OrcaRouterに載ることはありません。そうでないふりをするつもりはありません。今呼び出し可能なのは、今回のローンチが暗に競合している他のモデル群です。その中にはMetaのMuse Spark 1.2と1.1も含まれ、両方ともカタログに掲載されて稼働中であり、両方ともSWE-2 FlashのDeepSWE 1.1スコアを0.1点差にしたモデルです。

これを読んでいる理由が、12月ではなく今週、エージェントループ内で安価で高速なコーディングモデルを使いたいということであれば、実務上の分岐点はそこです。Cognitionの料金設定とパートナープログラムを待つか、既存のクライアントを200以上のモデルを利用できる1つのAPIに向けて、代替案を自分のテストスイートでA/B比較するかです。OrcaRouterはプロバイダーの定価を0%のマークアップでそのまま通すため、Cognitionが最終的に料金を公表すれば、ここでは初日からマークアップされたリセラー価格ではなく、その料金が表示されます。

発表記事が触れなかったこと

数字が意味を持つかどうかを左右するものなので、指摘しておく価値のある省略が4つある：

• ハーネスなし。9月のSWE-2投稿では、そのスキャフォールドとエフォート設定が開示されていた。今回はそれがなく、そのためすべてのエージェント的スコアがブラックボックスになっている。

• best-of-N の開示はありません。これらが pass@1 なのか best-of-five なのかは不明です。

• コンテキストウィンドウなし。エージェント内の安価な選択肢として位置づけられるモデルにとって、コンテキストの予算は脚注ではない。

• 独立した実行はなし。ここにあるすべての数値はベンダー報告によるもので、再現されていない。FrontierCode 2.0 のスコア 24.0 も含まれる。しかも FrontierCode は Cognition 自身のベンチマークであり、それが勝利を示す行であるときには、そのことを覚えておく価値がある。

注目すべきは、また別のベンチマークの行ではない。パートナープログラムのページだ。日付、ライセンス、価格。この3つが揃って初めて、SWE-2 Flashは評価できるモデルになる。それまでは、無料の1か月が付いた、よく文書化されたデモにすぎない。