Przedstawiamy SWE-2 Flash: osiem wierszy benchmarków i ani jednego punktu końcowego

Cognition ogłosiło SWE-2 Flash 4 listopada 2026 roku, a wpis jest nietypowo hojny w liczby: osiem wierszy benchmarków, dwa wskaźniki zmian przed treningiem i po nim, jedna liczba dotycząca szybkości i jedna dotycząca ceny. Czego jednak nie zawiera, to sposobu na wywołanie modelu. SWE-2 Flash działa wewnątrz Devin Desktop i Devin CLI, bezpłatnie do 30 listopada 2026 roku. Nie ma punktu końcowego API, identyfikatora modelu, stawki za token ani publicznych wag. W przypadku premiery, której hasłem przewodnim jest „szybko i wydajnie”, najbardziej przydatną rzeczą, jaką deweloper może wiedzieć, jest to, że wydajność mierzy się obecnie w dolarach, których się nie płaci, a nie w tokenach, które można kupić.

To nie jest zarzut wobec modelu. To charakter oferty i to on decyduje, kto może wykorzystać to ogłoszenie już dziś, a kto musi poczekać.

Co faktycznie zostało wydane 4 listopada

Karta specyfikacji jest wystarczająco krótka, by zmieścić się na jednym ekranie, co samo w sobie wiele mówi — Cognition opublikowało mniej o tym modelu niż o SWE-2 we wrześniu.

• Model bazowy — dotrenowany z Inkling-Small, otwartowagowego modelu mieszaniny ekspertów Thinking Machines Lab o łącznej liczbie 276 mld parametrów i 12 mld aktywnych, Apache 2.0 upstream.

• Udostępnianie — wyłącznie Devin Desktop i Devin CLI. Brak hostowanego punktu końcowego, brak API dostawcy, brak pobierania wag.

• Cena — nie jest publikowana stawka za token. Dostęp jest bezpłatny do 30 listopada 2026 r.

Szybkość — około 200 tokenów na sekundę wobec 60 w SWE-2; to wartość, którą Cognition uzyskała, odtwarzając skrócone transkrypty sesji przy symulowanych szybkościach, a nie mierząc czas działania działającego punktu końcowego.

• Okno kontekstu, maksymalna długość danych wyjściowych i ustawienia poziomu wysiłku — nie podano ich nigdzie w poście o premierze.

Wymiana modelu bazowego to faktycznie nowa inżynieria. SWE-2 zbudowano na Kimi K3, modelu bazowym o łącznej liczbie 2,8 bln parametrów i 104 mld parametrów aktywnych. SWE-2 Flash opiera się na modelu bazowym mniej więcej dziesięciokrotnie mniejszym pod względem łącznej liczby parametrów i ośmiokrotnie mniejszym pod względem parametrów aktywnych, a Cognition twierdzi, że większość odzyskanej jakości wynikała z lepszych zadań uczenia ze wzmocnieniem i audytowanych weryfikatorów, a nie ze skali. We wpisie opisano także pierwszy etap treningu pośredniego, jaki firma zastosowała przed RL: kilka bilionów tokenów artykułów naukowych, blogów i kodu, przetworzonych w trzech przebiegach, z najrzadszymi danymi na końcu.

Twierdzenie, które będzie powtarzane, oraz wiersz, na którym się opiera

Zdanie, które wszyscy będą cytować, brzmi, że SWE-2 Flash „przewyższa wszystkie amerykańskie modele z otwartymi wagami, nawet te 3 razy większe”. Warto dokładnie wiedzieć, ile z tego przetrwa zetknięcie z tabelą pod nim.

Jedynym bezpośrednim porównaniem na tym samym benchmarku w materiałach premierowych z mniejszym amerykańskim coderem o otwartych wagach jest Terminal-Bench 2.1, gdzie SWE-2 Flash podaje 89,2 wobec 54,9 dla Flint v1.0. To duża różnica w ramach tej samej wersji benchmarku i najsilniejszy pojedynczy dowód na rzecz tej tezy. Jednak Flint v1.0 ma łącznie 39,8B, a North Mini Code firmy Cohere — 30B; żaden z nich nie jest 3 razy większy od modelu 276B. Są mniejsze, co sprawia, że pokonanie ich jest mało znaczące, a nie imponujące.

Trzykrotnie większe modele porównawcze w tabeli samego Cognition to Muse Spark Open z łączną liczbą 616B i DeepSeek V4.1 Flash 1017 z łączną liczbą 763B. Na DeepSWE 1.1 SWE-2 Flash osiąga 60,1 wobec 60,0 Muse Spark Open — jedna dziesiąta punktu, w granicach wszelkiego prawdopodobnego szumu, a model, z którym jest porównywany, nie jest przy tej okazji opisywany jako open-weight. DeepSeek V4.1 Flash 1017 z kolei nie jest amerykański, więc w ogóle nie może być częścią twierdzenia o „amerykańskich modelach open-weight”. To także model, który pokonuje SWE-2 Flash na Terminal-Bench 4.0 o 22,3 punktu — 42,3 do 20,0 — co jest największą pojedynczą stratą w całym porównaniu.

Nic z tego nie czyni tego twierdzenia fałszywym. Czyni je tylko węższym, niż brzmi: jeden wspólny benchmark przeciwko jednemu amerykańskiemu modelowi z otwartymi wagami oraz przewaga rzędu błędu zaokrąglenia nad modelem, którego licencja to osobna kwestia. Wszystkie te liczby pochodzą od samej Cognition i zostały uzyskane na harneisie, którego wpis nie wymienia.

Dwie liczby Terminal-Bench, różniące się o siedemdziesiąt punktów

Jeśli masz przeczytać tylko jedną rzecz z tabeli Cognition, przeczytaj tę parę. SWE-2 Flash uzyskuje 20.0 w Terminal-Bench 4.0 i 89.2 w Terminal-Bench 2.1. To nie są konkurujące szacunki tego samego; to różne generacje benchmarków z różnymi zestawami zadań i różną trudnością, a numer wersji to jedyne, co na pierwszy rzut oka je odróżnia. Tabela premierowa, która wymienia oba, zaprasza dokładnie do błędu porównywania 20.0 z wynikiem 2.1 konkurenta albo 89.2 z wynikiem 4.0 konkurenta.

Bezpieczna zasada dla tego modelu i dla każdego modelu, którego dostawca podaje więcej niż jedną wersję Terminal-Bench: porównuj 2.1 z 2.1, a 4.0 z 4.0, i mów, którą wersję cytujesz. Prowadzimy na ten temat bieżącą notatkę, ponieważ spłaszczone renderowanie tekstu w tabeli premierowej już błędnie przypisało jeden wiersz w relacji wtórnej.

Dlaczego wagi są za drzwiami — i czym są te drzwi

Cognition przedstawia wstrzymane wagi jako kompromis między przejrzystością a ryzykiem, a wpis jest nietypowo bezpośredni w kwestii ryzyka. Firma twierdzi, że celowo trenowała model do zadań z zakresu bezpieczeństwa i podniosła jego wynik w ExploitBench z 11,3 podczas treningu bazowego do 34,8 po treningu następczym. Opublikowanie tych wag wprowadziłoby do ogólnego obiegu kompetentny model piszący exploity.

Zamiast tego istnieje program. Wagi będą udostępniane „bezpiecznie” partnerom i badaczom, a we wpisie obiecuje się szczegóły „za kilka tygodni”. W chwili pisania tego tekstu nie ma formularza zgłoszeniowego, kryteriów kwalifikowalności, licencji, daty ani oświadczenia, czy udostępnione wagi mogą być redystrybuowane lub wykorzystywane komercyjnie. Program partnerski to nie otwarte wagi, a ta różnica ma znaczenie dla każdego, kto planuje samodzielne hostowanie: dopóki warunki nie istnieją, właściwym założeniem planistycznym jest, że SWE-2 Flash nigdy nie będzie można pobrać.

Bezpłatnie do {{1}}30 listopada{{/1}}, potem cena nieokreślona

Oferta handlowa obejmuje miesiąc darmowego dostępu w Devin. Potem nikt spoza Cognition nie wie, ile to kosztuje, ponieważ nie opublikowano stawki za token. Sformułowanie „jedna piąta ceny SWE-2” to stosunek do produktu z własnym cennikiem pakietowym, a nie cennik stawek.

To realne ryzyko planistyczne, jeśli rozważasz zbudowanie wokół tego przepływu pracy. Zależność bez wyceny jest gorsza niż droga, ponieważ nie można jej modelować. Rozsądnym krokiem od teraz do 30 listopada jest zmierzenie tego, co da się zmierzyć — czy jakość wyników modelu w Twoim własnym repozytorium uzasadnia zmianę konfiguracji Devin — oraz traktowanie kwestii kosztów jako otwartej, dopóki Cognition nie opublikuje liczby.

Co można dziś faktycznie nazwać

SWE-2 Flash nie jest dostępny w OrcaRouter i nie będzie, dopóki Cognition nie udostępni endpointu lub licencjonowanego wydania wag; nie zamierzamy udawać, że jest inaczej. To, co można teraz wywołać, to reszta stawki, z którą ten start niejako konkuruje — w tym Muse Spark 1.2 i 1.1 od Meta, oba obecne w katalogu i oba będące modelami, które ustaliły wynik SWE-2 Flash w DeepSWE 1.1 na dziesiątą część punktu.

Jeśli powodem, dla którego to czytasz, jest to, że w tym tygodniu, a nie w grudniu, chcesz mieć tani, szybki model kodujący w pętli agenta, to praktyczny wybór jest taki: poczekać na cennik i program partnerski Cognition albo skierować istniejącego klienta do jednego API dla ponad 200 modeli i porównać alternatywy w testach A/B z własnym zestawem testów. OrcaRouter przekazuje cenę katalogową dostawcy bez marży (0%), więc jeśli Cognition ostatecznie opublikuje stawkę, to właśnie tę stawkę zobaczysz tutaj pierwszego dnia, a nie numer odsprzedawcy z narzuconą marżą.

Czego zabrakło w poście o premierze

Cztery pominięcia warto zaznaczyć, ponieważ to one decydują, czy liczby cokolwiek znaczą:

• Bez harnessu. Wrześniowy wpis o SWE-2 ujawniał swój scaffold i ustawienie poziomu wysiłku. Ten tego nie ujawnia, przez co każdy wynik agentowy jest czarną skrzynką.

• Brak ujawnienia best-of-N. Nie wiemy, czy są to wyniki pass@1, czy best-of-five.

• Brak okna kontekstu. W przypadku modelu pozycjonowanego jako tania opcja wewnątrz agenta budżet kontekstu nie jest przypisem.

• Brak niezależnego przebiegu. Każda podana tu liczba jest deklarowana przez dostawcę i nieodtworzona, w tym wynik FrontierCode 2.0 wynoszący 24,0 — a FrontierCode to własny benchmark Cognition, o czym warto pamiętać, gdy to właśnie ten wiersz pokazuje zwycięstwo.

To, na co warto patrzeć, to nie kolejny wiersz w tabeli benchmarków. To strona programu partnerskiego: data, licencja i cena. Gdy te trzy elementy będą istnieć, SWE-2 Flash stanie się modelem, który można ocenić. Do tego czasu to dobrze udokumentowane demo z darmowym miesiącem w pakiecie.