Cognition SWE-2 Flash: O desconto é real, o modelo base é a novidade

SWE-2 Flash foi lançado em 4 de novembro de 2026 com dois números atrelados a ele: um quinto do preço e três vezes a velocidade do SWE-2, o modelo de 2,8 trilhões de parâmetros que a Cognition lançou oito semanas antes. Ambos são proporções, e não taxas, e ambos são medidos dentro do Devin. A frase que de fato muda algo é fácil de passar despercebida: este modelo é um pós-treino do Inkling-Small, a base Apache-2.0 do Thinking Machines Lab, de Mira Murati. É a primeira vez que um dos modelos de programação da Cognition não descende de uma base chinesa de pesos abertos, e é o motivo pelo qual os outros dois números existem.

Para quem chega de um campo de busca em vez de uma newsletter: o SWE-2 Flash é um modelo de programação, roda dentro dos produtos de agente da Cognition e não é algo que você possa chamar do seu próprio código. Não há endpoint, nem identificador de modelo, nem tabela de preços. O post de lançamento fornece uma data, um modelo base, uma história de treinamento, uma tabela de números e uma janela gratuita que termina em 30 de novembro. Tudo abaixo é extraído desse post, da própria tabela da Cognition e das alternativas publicamente chamáveis — com a fonte anexada a cada número.

O que foi lançado, e as duas palavras que faltam na publicação

A Cognition é explícita sobre a superfície. O SWE-2 Flash está disponível hoje no Devin Desktop e no Devin CLI, e o banner de encerramento do post diz: "Grátis até 11/30 — Experimente hoje no Devin Desktop e na CLI." Essa é toda a história de distribuição. Não há lançamento de API, nem lista de espera para um endpoint, nem repositório no Hugging Face.

As duas palavras que faltam na alegação de preço são “por token”. “A um quinto do preço e 3x a velocidade de seu irmão muito maior” é uma afirmação sobre quanto custa uma tarefa dentro do Devin, que agrega o modelo, o harness, o scaffolding e a pilha de serving da Cognition em uma única fatura. É uma forma legítima de precificar um agente, e não é uma tarifa que você possa comparar com a tabela de preços por milhão de tokens de qualquer outro. Um leitor que tente convertê-la em uma falhará, porque o post nunca diz de que o quinto é um quinto.

O número de velocidade precisa da mesma leitura. A seção de velocidade da Cognition diz 200 tok/s contra 60 tok/s para o SWE-2, e então explica o que mediu: "A execução de cada modelo na tarefa gsea-proteomics do Terminal-Bench 4.0, reproduzida em uma simulação de 200 vs. 60 tokens por segundo. As transcrições são encurtadas para terem o mesmo comprimento para comparação." Isso é uma reprodução nas taxas declaradas, não uma medição ao vivo de dois endpoints sob carga. Isso informa o perfil de serviço pretendido. Não informa o que você verá às 14h de uma terça-feira.

A troca do modelo base é o lançamento de fato.

Sete semanas atrás, o SWE-2 foi pós-treinado a partir do Kimi K3 — a mistura de 2,8 trilhões de parâmetros da Moonshot, com 104B ativos por token. O SWE-2 Flash é pós-treinado a partir do Inkling-Small, 276B no total e 12B ativos, lançado sob a Apache 2.0 em julho. O próprio gráfico de tamanho da Cognition coloca o novo modelo em 1x e o SWE-2 em 10,1x, o que é uma maneira educada de traçar uma diferença de oito vezes nos parâmetros ativos.

Essa troca é o que torna a alegação de preço mecanicamente plausível, e não promocional. O custo de serviço acompanha os parâmetros ativos e os tokens gerados muito mais do que acompanha a pontuação de um benchmark, e um modelo com 12B de parâmetros ativos está em uma classe de serviço diferente de um com 104B ativos. Você não precisa confiar na narrativa de eficiência da Cognition para aceitar que um modelo muito menor assim possa ser vendido por um quinto do preço. A pergunta interessante é o que ele manteve.

A Cognition enquadra a substituição em termos nacionais. A primeira linha da publicação chama o SWE-2 Flash de “um modelo de programação totalmente americano”, e em seguida afirma que o modelo “supera todos os modelos americanos de pesos abertos, até mesmo modelos 3x maiores”. Ambas as afirmações são verdadeiras como estão escritas, e ambas são mais restritas do que parecem. “Totalmente americano” descreve uma cadeia de suprimentos — os pesos-base de um laboratório americano, pós-treinados por uma empresa americana — não um fosso competitivo, porque o Inkling-Small é Apache 2.0 e pode ser baixado por qualquer pessoa, incluindo os concorrentes aos quais a afirmação se dirige. A parte que a Cognition realmente controla é o mid-train e o RL, e é essa parte que ela não está disponibilizando.

A contradição presente na seção Origins & Cyber

A passagem mais citável do comunicado não é um benchmark. É a seção em que a Cognition explica por que os pesos vão ficar em casa.

Começa descrevendo um cliente que precisa de mais do que "um modelo capaz por trás de uma API": empresas e governos que precisam de "observabilidade para hospedar e controlar implantações na própria infraestrutura, inclusive on-prem", e pesquisadores que precisam estudar como um modelo se comporta. Em seguida, enuncia o objetivo de forma clara — "Um dos nossos objetivos com o SWE-2 Flash é oferecer uma opção a parceiros do setor e pesquisadores que permita acesso transparente aos pesos, além da capacidade de fazer ajuste fino e executar o modelo em ambientes sensíveis."

Dois parágrafos depois: "ainda não estamos compartilhando os pesos publicamente", com um programa de parceiros prometido "em algumas semanas", e o motivo apresentado é o risco de segurança cibernética. A Cognition treinou deliberadamente para isso. A mesma seção diz que ela "direcionou o trabalho de segurança cibernética em nosso treinamento, elevando a pontuação do modelo no ExploitBench de 11,3% para 34,8%", e então reconhece que "essas mesmas capacidades também podem ser usadas por atacantes maliciosos" e não divulga os pesos.

Lido como política, a lógica é coerente, mas desconfortável: o cliente on-prem que a seção descreve não pode ter o modelo que foi treinado para ele, e o obstáculo declarado é uma capacidade que a Cognition escolheu adicionar. Lido como evidência sobre o modelo, há um detalhe mais incisivo na tabela. O SWE-2 Flash marca 34,8 no ExploitBench, contra 36,1 do SWE-2. O modelo que a Cognition não vai lançar está a 1,3 ponto do carro-chefe que ela já vende. Se o tamanho fosse o argumento de segurança, esse número pareceria diferente.

A receita também mudou, e é essa a parte que vale a pena copiar.

A Cognition afirma que esta é a primeira vez que adiciona um estágio de treinamento intermediário antes do aprendizado por reforço. O estágio usou "alguns trilhões de tokens" de artigos científicos, blogs, código e outras fontes de alta qualidade, e foi executado em três passagens para que "o modelo visse os dados mais escassos e de maior qualidade mais tarde no treinamento". As misturas foram escolhidas com experimentos de eficiência de tokens: misturas candidatas foram executadas contra um conjunto de validação reservado e comparadas quanto ao número de tokens que cada uma precisava para atingir a mesma perda que uma linha de base.

Depois veio a etapa de RL. A Cognition é incomumente franca sobre de onde vieram os ganhos: "Embora tenhamos feito alguns ajustes em nossa receita de RL do SWE-2, a maior parte das melhorias veio da qualidade e diversidade muito maiores das nossas tarefas de RL." Ela descreve a auditoria de instruções, a configuração de ambientes e verificadores, e a curadoria de novos tipos de tarefa em uma gama mais ampla de capacidades. Essa é uma história de dados e verificadores, não de escala, e é a coisa mais transferível no lançamento.

A escala do salto sustenta a leitura. Em relação à sua própria base, o SWE-2 Flash leva o Terminal-Bench 4.0 de 0,9 para 20,0 e o FrontierCode 2.0 de 3,2 para 24,0. Seja qual for o custo do pós-treinamento, ele rendeu aproximadamente vinte vezes a pontuação do modelo base em um benchmark e sete vezes em outro, em um modelo com 12B ativos. O que a Cognition não publica é a contagem de tokens do mid-train além de "alguns trilhões", a computação, ou qualquer ablação que isole o mid-train do RL. A afirmação de que o novo estágio causou o ganho é da Cognition; o mecanismo não é verificável de forma independente.

Os números, e onde a afirmação principal perde força

Todos os seguintes são da própria Cognition, de sua tabela de lançamento, e nenhum foi reproduzido de forma independente. O FrontierCode é o benchmark da Cognition, escrito com mantenedores externos e avaliado pela Cognition.

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

• FrontierCode 1.1 Principal — 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 vs 90,6

• ExploitBench — 34,8 vs 36,1

Uma linha é uma vitória e sete são derrotas, a maioria delas pequenas. O Flash está empatado com o carro-chefe no FrontierCode 2.0, a menos de um ponto no SWE-Bench Pro v2 Hard e treze pontos atrás no DeepSWE 1.1. Esse formato — próximo em tarefas delimitadas, mais atrás nas de horizonte longo — é a coisa mais útil da tabela, e é o tema da nossa comparação separada dos dois modelos.

A alegação de "3x maior" merece um parágrafo próprio porque a margem é mais estreita do que a frase sugere. O comparador americano de pesos abertos que chega mais perto é o Muse Spark Open, 616B no total e 42B ativos. No DeepSWE 1.1, ele marca 60,0 contra 60,1 do SWE-2 Flash. Um décimo de ponto. A alegação se sustenta porque as outras margens do Flash são reais — 20,0 contra 8,0 no Terminal-Bench 4.0, 24,0 contra 6,2 no FrontierCode 2.0 —, mas a manchete "até modelos 3x maiores" repousa, na linha em que esse modelo é mais forte, sobre um erro de arredondamento.

Há também uma coluna na mesma tabela que aponta na direção oposta. O DeepSeek V4.1 Flash 1017, com 763B no total e 16B ativos, supera o Flash em quatro das oito linhas: 77,0 contra 60,1 no DeepSWE 1.1, 71,0 contra 50,0 no SWE-Atlas QA, 42,3 contra 20,0 no Terminal-Bench 4.0 e 91,0 contra 89,2 no Terminal-Bench 2.1. Duas dessas margens são maiores do que qualquer vitória do Flash em toda a tabela. A alegação de "todos os modelos americanos de pesos abertos" é delimitada por nacionalidade, e o comparador mais forte da tabela está fora do escopo.

O que a linha ausente do arnês lhe custa

O lançamento de setembro do SWE-2 veio com um apêndice de metodologia. Ele nomeava o scaffold usado para cada fornecedor — Claude Code para modelos da Anthropic, Codex para modelos da OpenAI, Grok Build para a xAI — e afirmava que era relatada a melhor pontuação de cada modelo entre as configurações de esforço de raciocínio. A publicação do Flash não contém nada disso. Nenhum harness, nenhuma configuração de esforço, nenhuma declaração sobre se os números são best-of-N e nenhuma nota de rodapé explicando a tabela.

Essa omissão importa mais para um modelo pequeno do que para um grande, porque o argumento do Flash é que o pós-treinamento fechou uma lacuna. Se os dois modelos da Cognition foram executados em scaffolds diferentes, parte da diferença de 0,2 ponto no FrontierCode é do harness. Se a linha do SWE-2 corresponde à sua configuração de esforço máximo e o Flash tem uma única configuração, a comparação é de um melhor caso contra um desconhecido. Três divulgações corrigiriam isso: o harness por linha, a configuração de esforço por linha e uma execução independente do Terminal-Bench 4.0 por alguém que não seja da Cognition.

O que você pode chamar esta semana

Nada aqui. O SWE-2 Flash não tem endpoint, e nenhuma plataforma de terceiros o disponibiliza — não há identificador para rotear. O que você pode chamar são os modelos com os quais ele está sendo comparado, e a diferença entre as duas situações é a história prática do lançamento.

O DeepSeek V4 Flash é roteado no OrcaRouter como deepseek/deepseek-v4-flash, com o contexto de 1M tokens e a saída máxima de 384K que a DeepSeek publica e a Cognition não publica para o Flash. O Kimi K3, modelo base a partir do qual o SWE-2 foi pós-treinado, é roteado no OrcaRouter a US$ 3,00 por milhão de tokens de entrada e US$ 15,00 por milhão de tokens de saída como kimi/kimi-k3. Uma única API cobre mais de 200 modelos pelo preço de tabela do provedor, sem markup adicional, de modo que uma mudança de preço de um fornecedor chega até você no mesmo dia, e não conforme a agenda do roteador. Se você está testando se um pós-treino com 12B ativos é bom o suficiente para sua fila, esse teste precisa rodar com um modelo com 12B ativos que você possa realmente chamar, com uma cadeia de fallback por trás dele para que um teste não se torne uma dependência de produção.

A interpretação restrita do SWE-2 Flash é a que as evidências sustentam. Um modelo com 12B ativos, pós-treinado em um mid-train e em um conjunto de RL mais bem auditado, fica a 4,5 pontos de um modelo principal com 104B ativos no FrontierCode 1.1 Main e empatado no FrontierCode 2.0, por um quinto do preço dentro de um único produto. Se isso se sustentar em testes independentes, a lição não é que os modelos pequenos alcançaram os grandes. É que, em agentes de programação, o retorno marginal dos parâmetros caiu abaixo do retorno marginal da qualidade dos verificadores — e as empresas capazes de gerar e auditar tarefas difíceis, e não as que podem pagar pela maior base, ditarão o ritmo. Essa é uma afirmação maior do que uma vitória de 0,2 ponto, e é a que vale acompanhar no próximo teste independente.