Cognition SWE-2 Flash: скидка настоящая, а главная новость — базовая модель

SWE-2 Flash вышла 4 ноября 2026 года с двумя прикреплёнными числами: цена — одна пятая, а скорость — втрое выше, чем у SWE-2 — модели на 2,8 триллиона параметров, которую Cognition выпустила восемью неделями ранее. Оба показателя — это соотношения, а не абсолютные значения, и оба измерены внутри Devin. Предложение, которое действительно что-то меняет, легче пропустить при беглом чтении: эта модель — посттренинг Inkling-Small, базы под Apache-2.0 от Thinking Machines Lab Миры Мурати. Это первый случай, когда одна из кодинг-моделей Cognition не происходит от китайской базы с открытыми весами, и именно поэтому два других числа вообще существуют.

Для тех, кто пришёл из поисковой строки, а не из рассылки: SWE-2 Flash — это модель для программирования, она работает внутри агентных продуктов Cognition, и её нельзя вызвать из собственного кода. Нет ни эндпоинта, ни идентификатора модели, ни тарифной сетки. В посте о запуске указаны дата, базовая модель, история обучения, таблица чисел и бесплатный период, который заканчивается 30 ноября. Всё ниже взято из этого поста, собственной таблицы Cognition и публично доступных альтернатив — с указанием источника для каждой цифры.

Что вышло — и два слова, которых не хватает в посте

Cognition прямо говорит о доступных поверхностях. SWE-2 Flash уже доступен в Devin Desktop и Devin CLI, а завершающий баннер поста гласит: «Бесплатно до 11/30 — попробуйте сегодня в Devin Desktop и CLI». Вот и вся история распространения. Запуска API нет, листа ожидания для эндпоинта нет, репозитория на Hugging Face тоже нет.

Два слова, которых не хватает в заявлении о цене, — это «за токен». Фраза «при цене в одну пятую и скорости в 3 раза выше, чем у гораздо более крупного собрата» говорит о том, сколько стоит задача внутри Devin, где модель, обвязка, каркас и стек обслуживания Cognition складываются в один счёт. Это законный способ назначать цену агенту, но это не та ставка, которую можно сравнивать с чьей-либо ещё тарифной картой за миллион токенов. Читатель, который попытается пересчитать её в такую ставку, потерпит неудачу, потому что в посте так и не сказано, от чего именно берётся эта одна пятая.

Показатель скорости требует той же трактовки. В разделе о скорости Cognition указано 200 ток/с против 60 ток/с у SWE-2, а затем объясняется, что именно измерялось: «Собственный прогон каждой модели на задаче gsea-proteomics из Terminal-Bench 4.0, воспроизведённый при смоделированных 200 и 60 токенах в секунду. Транскрипты сокращены до одинаковой длины для сравнения». Это воспроизведение при заявленных скоростях, а не измерение в реальном времени двух конечных точек под нагрузкой. Оно сообщает вам предполагаемый профиль обслуживания. Оно не сообщает, что вы увидите в два часа дня во вторник.

Настоящий релиз — это замена базовой модели.

Семь недель назад SWE-2 была дообучена на основе Kimi K3 — смеси Moonshot с 2,8 трлн параметров, 104 млрд из которых активны на токен. SWE-2 Flash дообучена на основе Inkling-Small: 276 млрд всего и 12 млрд активных, выпущена под Apache 2.0 в июле. Собственная диаграмма размеров Cognition ставит новую модель на 1x, а SWE-2 — на 10,1x, что является вежливым способом обозначить восьмикратный разрыв в активных параметрах.

Именно эта замена делает заявление о цене механически правдоподобным, а не рекламным. Стоимость обслуживания гораздо сильнее зависит от активных параметров и сгенерированных токенов, чем от оценки в бенчмарке, а модель с 12B активных параметров относится к совсем другому классу обслуживания, чем модель со 104B активных. Вам не нужно верить в нарратив Cognition об эффективности, чтобы принять, что модель, которая настолько меньше, можно продавать за пятую часть цены. Интересный вопрос — что она сохранила.

Cognition подаёт эту замену в национальной рамке. В первой строке поста SWE-2 Flash называется «полностью американской моделью для программирования», а далее говорится, что модель «превосходит все американские open-weight модели, даже модели, которые в 3 раза больше». Оба утверждения верны в том виде, как они написаны, и оба уже, чем звучат. «Полностью американская» описывает цепочку поставок — базовые веса американской лаборатории, дообученные американской компанией, — а не защитное преимущество, потому что Inkling-Small распространяется по Apache 2.0 и может быть скачана кем угодно, включая конкурентов, против которых направлено это утверждение. Часть, которую Cognition действительно контролирует, — это mid-train и RL, и именно её она не выпускает.

Противоречие, кроющееся в разделе Origins & Cyber

Самый цитируемый отрывок в релизе — не бенчмарк. Это раздел, где Cognition объясняет, почему веса остаются дома.

Он начинается с описания заказчика, которому нужно больше, чем «производительная модель за API»: предприятий и государственных организаций, которым нужна «наблюдаемость для размещения и управления развертываниями на собственной инфраструктуре, включая локальную», а также исследователей, которым нужно изучать поведение модели. Затем прямо формулируется цель — «Одна из наших целей в SWE-2 Flash — предложить отраслевым партнёрам и исследователям вариант, обеспечивающий прозрачный доступ к весам вместе с возможностью дообучения и запуска в чувствительных средах».

Два абзаца спустя: «мы пока не выкладываем веса в открытый доступ», с обещанием партнёрской программы «через несколько недель», а указанная причина — риск для кибербезопасности. Cognition намеренно обучала модель для этого. В том же разделе говорится, что она «в ходе нашего обучения целенаправленно занималась работами по кибербезопасности, повысив показатель модели ExploitBench с 11,3% до 34,8%», затем признаётся, что «эти же возможности могут использоваться и злонамеренными атакующими», и веса не раскрываются.

Если читать это как политику, логика непротиворечива, но неудобна: on-prem-заказчик, описанный в разделе, не может получить модель, которая была обучена для него, а заявленным препятствием является возможность, которую Cognition решила добавить. Если читать это как свидетельство о модели, в таблице есть более красноречивая деталь. SWE-2 Flash набирает 34,8 балла в ExploitBench против 36,1 у SWE-2. Модель, которую Cognition не будет выпускать, находится в пределах 1,3 балла от флагмана, который она уже продаёт. Если бы размер был аргументом безопасности, это число выглядело бы иначе.

Рецепт тоже изменился, и именно эту часть стоит скопировать.

Cognition утверждает, что это первый случай, когда она добавила промежуточный этап обучения перед обучением с подкреплением. На этом этапе использовались «несколько триллионов токенов» высококачественных научных статей, блогов, кода и других источников, а проходил он в три прохода, чтобы «модель видела наиболее дефицитные и наиболее качественные данные позже в ходе обучения». Смеси выбирали с помощью экспериментов по эффективности использования токенов: смеси-кандидаты прогоняли на отложенном валидационном наборе и сравнивали, сколько токенов каждой из них требовалось, чтобы достичь такого же значения потерь, как у базового варианта.

Затем наступил этап RL. Cognition необычайно откровенно рассказывает, откуда взялся прирост: «Хотя мы внесли некоторые изменения в свой рецепт RL по сравнению с SWE-2, большая часть улучшений была связана с гораздо более высоким качеством и разнообразием наших RL-задач». В документе описываются аудит инструкций, настройка окружения и верификаторы, а также курирование новых типов задач для более широкого спектра возможностей. Это история про данные и верификаторы, а не про масштаб, и это самое переносимое из всего релиза.

Масштаб скачка подтверждает такую интерпретацию. По сравнению с собственной базой SWE-2 Flash поднимает Terminal-Bench 4.0 с 0,9 до 20,0, а FrontierCode 2.0 — с 3,2 до 24,0. Какова бы ни была стоимость посттренировки, она обеспечила примерно в двадцать раз лучший результат базовой модели на одном бенчмарке и в семь раз — на другом, на модели с 12B активных параметров. Cognition не публикует количество токенов для mid-train, кроме «нескольких триллионов», вычисления или какие-либо абляции, отделяющие mid-train от RL. Утверждение, что новый этап вызвал прирост, принадлежит Cognition; механизм нельзя проверить независимо.

Цифры — и где громкое утверждение теряет убедительность

Всё нижеперечисленное — собственные данные Cognition из его стартовой таблицы, и ничто из этого не было независимо воспроизведено. FrontierCode — это бенчмарк Cognition, написанный с участием внешних мейнтейнеров и оцениваемый Cognition.

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

• FrontierCode 1.1 Main — 45,5 против 50,0

• DeepSWE 1.1 — 60.1 против 73.0

• Terminal-Bench 4.0 — 20,0 против 27,3

• Terminal-Bench 2.1 — 89,2 против 92,8

• SWE-Atlas QA — 50,0 против 56,3

• SWE-Bench Pro v2 Hard — 89,9 против 90,6

• ExploitBench — 34.8 против 36.1

Одна строка — победа, а семь — поражения, большинство из них небольшие. Flash находится на одном уровне с флагманом в FrontierCode 2.0, отстаёт в пределах одного балла в SWE-Bench Pro v2 Hard и на тринадцать баллов — в DeepSWE 1.1. Эта картина — близость на ограниченных задачах и более сильное отставание на задачах с длинным горизонтом — самое полезное в таблице, и она является предметом нашего отдельного сравнения двух моделей.

Утверждение о «в 3 раза большем размере» заслуживает отдельного абзаца, потому что отрыв тоньше, чем предполагает фраза. Ближе всего среди американских открытых моделей для сравнения подбирается Muse Spark Open: 616 млрд параметров всего и 42 млрд активных. На DeepSWE 1.1 она набирает 60,0 против 60,1 у SWE-2 Flash. Одна десятая балла. Утверждение сохраняется, потому что другие отрывы Flash реальны — 20,0 против 8,0 на Terminal-Bench 4.0, 24,0 против 6,2 на FrontierCode 2.0, — но заголовок «даже модели, которые в 3 раза больше» держится в строке, где эта модель сильнее всего, на ошибке округления.

В той же таблице есть и столбец, который говорит об обратном. DeepSeek V4.1 Flash 1017 — с 763B общих и 16B активных параметров — превосходит Flash в четырёх из восьми строк: 77,0 против 60,1 на DeepSWE 1.1, 71,0 против 50,0 на SWE-Atlas QA, 42,3 против 20,0 на Terminal-Bench 4.0 и 91,0 против 89,2 на Terminal-Bench 2.1. Два из этих преимуществ больше любого преимущества Flash где-либо в таблице. Утверждение «все американские модели с открытыми весами» ограничено национальной принадлежностью, а самый сильный объект сравнения в таблице находится за пределами этой области.

Чем вам обходится отсутствующая линия жгута

Сентябрьский запуск SWE-2 сопровождался приложением с методологией. В нём указывался скаффолд, использованный для каждого вендора — Claude Code для моделей Anthropic, Codex для моделей OpenAI, Grok Build для xAI, — а также утверждалось, что для каждой модели приводился её лучший результат среди всех настроек reasoning effort. В посте про Flash ничего этого нет. Ни харнесса, ни настройки effort, ни указания, являются ли числа best-of-N, ни сноски с пояснениями к таблице.

Это упущение важнее для небольшой модели, чем для большой, потому что аргумент Flash состоит в том, что посттренировка закрыла разрыв. Если две модели Cognition запускались в разных скаффолдах, часть разницы в 0,2 балла FrontierCode объясняется тестовой обвязкой. Если строка SWE-2 соответствует его настройке с максимальными усилиями, а у Flash есть только одна настройка, то сравнение — это лучший случай против неизвестного. Три раскрытия информации исправили бы это: тестовая обвязка для каждой строки, настройка усилий для каждой строки и один независимый запуск Terminal-Bench 4.0 кем-то, кто не является Cognition.

Что вы можете назвать на этой неделе

Здесь ничего нет. У SWE-2 Flash нет эндпоинта, и ни одна сторонняя платформа его не предоставляет — нет идентификатора для маршрутизации. Вызывать можно только те модели, с которыми его сравнивают, и разрыв между этими двумя ситуациями — это практическая суть релиза.

DeepSeek V4 Flash маршрутизируется через OrcaRouter как deepseek/deepseek-v4-flash, с контекстом на 1M токенов и максимальным выводом 384K, которые DeepSeek публикует, а Cognition для Flash не публикует. Kimi K3 — базовая модель, на основе которой дообучали SWE-2, — маршрутизируется через OrcaRouter по цене $3.00 за миллион входных токенов и $15.00 за миллион выходных токенов как kimi/kimi-k3. Один API охватывает более 200 моделей по прейскурантной цене провайдера без наценки сверху, поэтому изменение цены у поставщика доходит до вас в тот же день, а не по графику роутера. Если вы проверяете, достаточно ли 12B-active post-train для вашей очереди, этот тест должен выполняться на 12B-active модели, которую вы действительно можете вызвать, с цепочкой резервных вариантов за ней, чтобы пробный запуск не стал производственной зависимостью.

Узкое прочтение SWE-2 Flash — именно то, которое подтверждают доказательства. Модель с 12B активных параметров, прошедшая посттренировку на mid-train и лучше проверенном RL-наборе, отстаёт всего на 4,5 пункта от флагмана с 104B активных параметров на FrontierCode 1.1 Main и показывает равный результат на FrontierCode 2.0, при цене в одну пятую от флагмана в рамках одного продукта. Если это выдержит независимое тестирование, вывод не в том, что небольшие модели догнали крупные. А в том, что в агентах для программирования предельная отдача от параметров упала ниже предельной отдачи от качества верификатора — и темп будут задавать компании, способные генерировать и проверять сложные задачи, а не те, кто может позволить себе самую большую базовую модель. Это более сильное утверждение, чем победа на 0,2 пункта, и именно за ним стоит следить в следующем независимом прогоне.