Cognition SWE-2 Flash: Rabat jest prawdziwy, a model bazowy to najważniejsza wiadomość

SWE-2 Flash został wydany 4 listopada 2026 r. z dwiema liczbami przypiętymi do niego: jedną piątą ceny i trzykrotnie większą szybkością niż SWE-2, model o 2,8 biliona parametrów, który firma Cognition wydała osiem tygodni wcześniej. Obie są stosunkami, a nie wskaźnikami, i obie mierzy się w Devinie. Zdanie, które faktycznie coś zmienia, łatwiej przeoczyć przy pobieżnym czytaniu: ten model to dotrenowanie Inkling-Small, bazowego modelu na licencji Apache-2.0 od Thinking Machines Lab Miry Murati. To pierwszy raz, gdy jeden z modeli do kodowania Cognition nie pochodzi od chińskiej bazy z otwartymi wagami, i to właśnie dlatego te dwie pozostałe liczby w ogóle istnieją.

Dla wszystkich, którzy trafiają tu z wyszukiwarki, a nie z newslettera: SWE-2 Flash to model do kodowania, działa wewnątrz produktów agentowych Cognition i nie można go wywołać z własnego kodu. Nie ma punktu końcowego, identyfikatora modelu ani cennika. Wpis premierowy podaje datę, model bazowy, historię uczenia, tabelę liczb i darmowe okno, które kończy się 30 listopada. Wszystko poniżej pochodzi z tego wpisu, własnej tabeli Cognition i publicznie dostępnych alternatyw — ze źródłem przy każdej liczbie.

Co zostało wydane i dwa słowa, których brakuje w poście

Cognition jasno określa powierzchnię. SWE-2 Flash jest dostępny już dziś w Devin Desktop i Devin CLI, a zamykający baner posta głosi: „Bezpłatnie do 11/30 — Wypróbuj już dziś w Devin Desktop i CLI”. To cała historia dystrybucji. Nie ma premiery API, nie ma listy oczekujących na endpoint ani repozytorium Hugging Face.

Brakujące dwa słowa w twierdzeniu o cenie to „per token”. „Za jedną piątą ceny i 3x szybciej niż jego znacznie większy model siostrzany” to stwierdzenie o tym, ile kosztuje zadanie w Devin, gdzie model, harness, scaffolding i stos serwowania Cognition składają się na jeden rachunek. To uzasadniony sposób wyceniania agenta i nie jest to stawka, którą można porównać z cennikiem za milion tokenów kogokolwiek innego. Czytelnik, który spróbuje ją na taką przeliczyć, poniesie porażkę, ponieważ wpis nigdy nie mówi, od jakiej wartości liczona jest ta jedna piąta.

Wartość dotycząca szybkości wymaga takiej samej interpretacji. Sekcja szybkości Cognition podaje 200 tok/s wobec 60 tok/s dla SWE-2, a następnie wyjaśnia, co zmierzono: „Własne uruchomienie każdego modelu w zadaniu gsea-proteomics z Terminal-Bench 4.0, odtworzone przy symulowanych 200 vs. 60 tokenach na sekundę. Transkrypty skrócono do równej długości w celu porównania”. To odtworzenie przy podanych szybkościach, a nie pomiar czasu na żywo dwóch punktów końcowych pod obciążeniem. Mówi, jaki profil obsługi był zamierzony. Nie mówi, co zobaczysz o 14:00 we wtorek.

Wymiana modelu bazowego to właściwe wydanie.

Siedem tygodni temu SWE-2 został dotrenowany na bazie Kimi K3 — mieszaniny Moonshot o 2,8 biliona parametrów, z której 104B jest aktywne na token. SWE-2 Flash został dotrenowany na bazie Inkling-Small — 276B łącznie i 12B aktywnych — wydanego w lipcu na licencji Apache 2.0. Własna tabela rozmiarów Cognition przypisuje nowemu modelowi 1x, a SWE-2 — 10,1x, co jest uprzejmym sposobem zobrazowania ośmiokrotnej różnicy w liczbie aktywnych parametrów.

Ta zamiana sprawia, że twierdzenie o cenie staje się mechanicznie wiarygodne, a nie marketingowe. Koszt obsługi zależy od aktywnych parametrów i generowanych tokenów znacznie bardziej niż od wyniku w benchmarku, a model z 12 mld aktywnych parametrów należy do innej klasy obsługi niż model ze 104 mld aktywnych parametrów. Nie trzeba ufać narracji Cognition o wydajności, by zgodzić się, że model tak znacznie mniejszy można sprzedawać za jedną piątą ceny. Ciekawym pytaniem jest to, co zachował.

Cognition ujmuje tę zamianę w kategoriach narodowych. Pierwsza linijka wpisu nazywa SWE-2 Flash „w pełni amerykańskim modelem do kodowania”, a następnie stwierdza, że model „przewyższa wszystkie amerykańskie modele open-weight, nawet modele trzykrotnie większe”. Oba stwierdzenia są prawdziwe w zapisanym brzmieniu i oba są węższe, niż brzmią. „W pełni amerykański” opisuje łańcuch dostaw — bazowe wagi amerykańskiego laboratorium, poddane post-trainingowi przez amerykańską firmę — a nie fosę, ponieważ Inkling-Small jest objęty licencją Apache 2.0 i może go pobrać każdy, w tym konkurenci, do których skierowano to twierdzenie. Częścią, którą Cognition faktycznie kontroluje, są mid-train i RL, i to właśnie tej części nie udostępnia.

Sprzeczność tkwiąca w sekcji Origins & Cyber

Najbardziej cytowalny fragment komunikatu to nie benchmark. To sekcja, w której Cognition wyjaśnia, dlaczego wagi zostają w domu.

Zaczyna się od opisania klienta, który potrzebuje czegoś więcej niż „wydajnego modelu za API”: przedsiębiorstw i rządów, które potrzebują „obserwowalności, aby hostować i kontrolować wdrożenia we własnej infrastrukturze, w tym on-prem”, oraz badaczy, którzy potrzebują badać, jak model się zachowuje. Następnie wprost przedstawia cel — „Jednym z naszych celów związanych z SWE-2 Flash jest zapewnienie partnerom branżowym i badaczom opcji umożliwiającej przejrzysty dostęp do wag wraz z możliwością dostrajania i uruchamiania go w wrażliwych środowiskach”.

{{1}}Dwa akapity dalej{{/1}}: "{{2}}nie udostępniamy jeszcze publicznie wag{{/2}}", z obiecanym {{3}}programem partnerskim{{/3}} "{{4}}za kilka tygodni{{/4}}", a {{5}}podanym powodem jest ryzyko cyberbezpieczeństwa{{/5}}. {{6}}Cognition{{/6}} celowo trenowała pod to. {{7}}Ta sama sekcja stwierdza, że{{/7}} "{{8}}w naszym treningu ukierunkowano się na pracę w cyberbezpieczeństwie, podnosząc wynik modelu w ExploitBench z 11,3% do 34,8%{{/8}}", a następnie przyznaje, że "{{9}}te same możliwości mogą być również wykorzystywane przez złośliwych atakujących{{/9}}" i {{10}}wstrzymuje udostępnienie wag{{/10}}.

Czytane jako polityka, logika jest spójna, ale niewygodna: klient on-prem, którego opisuje sekcja, nie może mieć modelu, który został dla niego wytrenowany, a podany blokujący powód to zdolność, którą Cognition zdecydowało się dodać. Czytane jako dowód dotyczący modelu, w tabeli jest ostrzejszy szczegół. SWE-2 Flash uzyskuje 34,8 w ExploitBench wobec 36,1 SWE-2. Model, którego Cognition nie chce udostępnić, jest w granicach 1,3 punktu od flagowego produktu, który już sprzedaje. Gdyby rozmiar był argumentem za bezpieczeństwem, ta liczba wyglądałaby inaczej.

Przepis też się zmienił i to jest ta część, którą warto skopiować.

Cognition twierdzi, że po raz pierwszy dodało etap szkolenia pośredniego przed uczeniem ze wzmocnieniem. Etap ten wykorzystał „kilka bilionów tokenów” wysokiej jakości artykułów naukowych, blogów, kodu i innych źródeł oraz został przeprowadzony w trzech przebiegach, tak aby „model zobaczył najrzadsze, najwyższej jakości dane później w trakcie szkolenia”. Mieszanki wybrano za pomocą eksperymentów efektywności tokenowej: mieszanki kandydujące uruchamiano na odłożonym zbiorze walidacyjnym i porównywano pod względem liczby tokenów, jakiej każda z nich potrzebowała do osiągnięcia takiej samej straty jak baseline.

Potem przyszedł etap RL. Cognition jest niezwykle szczere co do tego, skąd wzięły się zyski: „Chociaż wprowadziliśmy pewne poprawki do naszej receptury RL względem SWE-2, większość ulepszeń wynikała ze znacznie wyższej jakości i różnorodności naszych zadań RL”. Firma opisuje audyt instrukcji, konfiguracji środowiska i weryfikatorów oraz kuratorowanie nowych typów zadań obejmujących szerszy zakres możliwości. To opowieść o danych i weryfikatorach, a nie o skali, i jest to najbardziej uniwersalny element tego wydania.

Skala tego skoku wspiera tę interpretację. Względem własnej bazy SWE-2 Flash podnosi Terminal-Bench 4.0 z 0,9 do 20,0, a FrontierCode 2.0 z 3,2 do 24,0. Niezależnie od kosztu post-trainingu przyniósł on około dwudziestokrotny wynik modelu bazowego na jednym benchmarku i siedmiokrotny na innym, w modelu z 12 mld aktywnych parametrów. Cognition nie publikuje jednak liczby tokenów dla etapu mid-train poza „kilkoma bilionami”, obliczeń ani żadnej ablacji oddzielającej mid-train od RL. Twierdzenie, że wzrost spowodował nowy etap, należy do Cognition; mechanizmu nie można niezależnie zweryfikować.

Liczby i to, gdzie główne twierdzenie traci na sile

Wszystkie poniższe są własnymi wynikami Cognition z jego tabeli premierowej i żadne nie zostały niezależnie odtworzone. FrontierCode to benchmark Cognition, napisany wspólnie z zewnętrznymi opiekunami i oceniany przez 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 kontra 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

Jeden wiersz to zwycięstwo, a siedem to porażki, w większości niewielkie. Flash dorównuje modelowi flagowemu w FrontierCode 2.0, ma stratę poniżej jednego punktu w SWE-Bench Pro v2 Hard i trzynaście punktów straty w DeepSWE 1.1. Ten układ — blisko w zadaniach o ograniczonym zakresie, dalej z tyłu w zadaniach długoterminowych — jest najużyteczniejszą rzeczą w tabeli i jest tematem naszego osobnego porównania obu modeli.

Twierdzenie „3x większe” zasługuje na osobny akapit, ponieważ przewaga jest mniejsza, niż sugeruje to zdanie. Najbliższy amerykański model o otwartych wagach będący punktem odniesienia to Muse Spark Open, 616B łącznie i 42B aktywnych. W DeepSWE 1.1 uzyskuje 60,0 wobec 60,1 SWE-2 Flash. Jedna dziesiąta punktu. Twierdzenie się utrzymuje, ponieważ pozostałe przewagi Flasha są rzeczywiste — 20,0 wobec 8,0 w Terminal-Bench 4.0, 24,0 wobec 6,2 w FrontierCode 2.0 — ale nagłówek „nawet modele 3x większe” opiera się, w wierszu, w którym ten model jest najmocniejszy, na błędzie zaokrąglenia.

W tej samej tabeli jest też kolumna, która działa w przeciwnym kierunku. DeepSeek V4.1 Flash 1017, przy 763B łącznie i 16B aktywnych, bije Flasha w czterech z ośmiu wierszy: 77,0 do 60,1 w DeepSWE 1.1, 71,0 do 50,0 w SWE-Atlas QA, 42,3 do 20,0 w Terminal-Bench 4.0 i 91,0 do 89,2 w Terminal-Bench 2.1. Dwie z tych przewag są większe niż cokolwiek, co Flash wygrywa gdziekolwiek w tabeli. Twierdzenie „wszystkie amerykańskie modele z otwartymi wagami” jest ograniczone narodowościowo, a najsilniejszy punkt odniesienia w tabeli znajduje się poza tym zakresem.

Co cię kosztuje brakujący przewód w wiązce

Wraz z wrześniową premierą SWE-2 opublikowano aneks metodologiczny. Wskazywał on szkielet używany dla każdego dostawcy — Claude Code dla modeli Anthropic, Codex dla modeli OpenAI, Grok Build dla xAI — i stwierdzał, że podano najlepszy wynik każdego modelu w różnych ustawieniach wysiłku rozumowania. Wpis o Flash nie zawiera niczego z tego. Żadnego harnessu, żadnego ustawienia wysiłku, żadnego stwierdzenia, czy liczby są best-of-N, i żadnego przypisu wyjaśniającego tabelę.

To pominięcie ma większe znaczenie w przypadku małego modelu niż dużego, ponieważ argument Flasha jest taki, że trening po wstępnym szkoleniu zamknął lukę. Jeśli dwa modele Cognition uruchamiano w różnych szkieletach, część różnicy 0,2 punktu w FrontierCode wynika z harnessu. Jeśli wiersz SWE-2 odpowiada ustawieniu maksymalnego wysiłku, a Flash ma tylko jedno ustawienie, porównanie jest zestawieniem najlepszego przypadku z niewiadomą. Trzy ujawnienia rozwiązałyby ten problem: harness dla każdego wiersza, ustawienie wysiłku dla każdego wiersza oraz jeden niezależny przebieg Terminal-Bench 4.0 wykonany przez kogoś spoza Cognition.

Co możesz nazwać w tym tygodniu

Nic tu nie ma. SWE-2 Flash nie ma punktu końcowego, a żadna platforma zewnętrzna go nie udostępnia — nie ma identyfikatora, który można by skierować. To, co możesz wywołać, to modele, z którymi jest porównywany, a różnica między tymi dwiema sytuacjami jest praktyczną historią tego wydania.

DeepSeek V4 Flash jest kierowany przez OrcaRouter jako deepseek/deepseek-v4-flash, z kontekstem 1M tokenów i maksymalnym wyjściem 384K, które DeepSeek publikuje, a Cognition nie publikuje dla Flash. Kimi K3, model bazowy, z którego dotrenowano SWE-2, jest kierowany przez OrcaRouter w cenie $3.00 za milion tokenów wejściowych i $15.00 za milion tokenów wyjściowych jako kimi/kimi-k3. Jedno API obejmuje ponad 200 modeli w cenie katalogowej dostawcy bez narzutu, więc zmiana ceny przez dostawcę dociera do Ciebie tego samego dnia, a nie zgodnie z harmonogramem routera. Jeśli testujesz, czy model po dotrenowaniu z 12B aktywnymi parametrami jest wystarczająco dobry dla Twojej kolejki, ten test musi zostać uruchomiony na modelu z 12B aktywnymi parametrami, który możesz faktycznie wywołać, z łańcuchem awaryjnym za nim, aby próba nie stała się zależnością produkcyjną.

Wąska interpretacja SWE-2 Flash to ta, którą potwierdzają dowody. Model o 12B aktywnych parametrów, dotrenowany na mid-trainie i lepiej zaudytowanym zbiorze RL, plasuje się w odległości 4,5 punktu od flagowego modelu o 104B aktywnych parametrów na FrontierCode 1.1 Main i osiąga ten sam poziom na FrontierCode 2.0, przy jednej piątej ceny w ramach jednego produktu. Jeśli to się utrzyma w niezależnych testach, lekcja nie jest taka, że małe modele dogoniły. Lecz że w agentach kodujących krańcowy zwrot z parametrów spadł poniżej krańcowego zwrotu z jakości weryfikatora — a tempo będą nadawać firmy, które potrafią generować i audytować trudne zadania, a nie te, które stać na największą bazę. To większa teza niż wygrana o 0,2 punktu i to na nią warto patrzeć przy następnym niezależnym przebiegu.