Представляем SWE-2 Flash: восемь строк бенчмарков и ни одного эндпоинта

Cognition объявила о SWE-2 Flash 4 ноября 2026 года, и в этом посте необычно щедро приводятся цифры: восемь строк бенчмарков, две дельты до и после обучения, показатель скорости и показатель цены. Чего в нём нет — так это способа вызвать модель. SWE-2 Flash работает внутри Devin Desktop и Devin CLI, бесплатно до 30 ноября 2026 года. Нет ни API-эндпоинта, ни идентификатора модели, ни цены за токен, ни публичных весов. Для запуска, в заголовке которого заявлено «быстро и эффективно», самое полезное, что может узнать разработчик, — это то, что эффективность сейчас измеряется в долларах, которые вы не платите, а не в токенах, которые вы можете купить.

Это не критика модели. Дело в структуре предложения, и она определяет, кто может воспользоваться этим объявлением сегодня, а кому придётся ждать.

Что на самом деле вышло 4 ноября

Спецификация достаточно коротка, чтобы уместиться на одном экране, и это само по себе показательно — Cognition опубликовала об этой модели меньше, чем о SWE-2 в сентябре.

• Базовая модель — прошла постобучение на основе Inkling-Small, открытой по весам модели mixture-of-experts от Thinking Machines Lab с 276 млрд общих параметров и 12 млрд активных, upstream Apache 2.0.

• Обслуживание — только Devin Desktop и Devin CLI. Никакого хостингового эндпоинта, никакого API от вендора, никакого скачивания весов.

• Цена — тариф за токен не публикуется. Доступ бесплатен до 30 ноября 2026 года.

• Скорость — примерно 200 токенов в секунду против 60 у SWE-2; эту цифру Cognition получила, воспроизводя сокращённые стенограммы сессий с симулированными скоростями, а не замеряя время отклика живого эндпоинта.

• Окно контекста, максимальный объём вывода и настройки усилий — нигде в публикации о запуске не указаны.

Замена базовой модели — это по-настоящему новая инженерная работа. SWE-2 была построена на Kimi K3 — базе с 2,8 трлн общих параметров и 104 млрд активных. SWE-2 Flash опирается на базу примерно в десять раз меньшую по общим параметрам и в восемь раз — по активным, и Cognition говорит, что большая часть восстановления качества была достигнута благодаря улучшенным задачам обучения с подкреплением и проверенным верификаторам, а не масштабу. В посте также описывается первый этап промежуточного обучения, который компания применяла перед RL: несколько триллионов токенов научных статей, блогов и кода, прогнанных в три прохода, причём самые редкие данные использовались последними.

Утверждение, которое будет повторяться, и строка, на которой оно основывается.

Фраза, которую все будут цитировать, звучит так: SWE-2 Flash «превосходит все американские модели с открытыми весами, даже те, что в 3 раза больше». Стоит точно знать, сколько из этого выдержит соприкосновение с таблицей под ней.

Единственное прямое сравнение на одном и том же бенчмарке в материалах запуска с меньшей американской open-weight моделью для программирования — это Terminal-Bench 2.1, где SWE-2 Flash показывает 89,2 против 54,9 у Flint v1.0. Это большой разрыв в рамках одной версии бенчмарка, и это самый сильный отдельный аргумент в пользу утверждения. Но общий размер Flint v1.0 — 39,8B, а North Mini Code от Cohere — 30B; ни одна из них не в 3 раза больше модели на 276B. Они меньше, поэтому победа над ними — скорее заурядность, чем впечатляющий результат.

В три раза более крупные модели для сравнения в собственной таблице Cognition — это Muse Spark Open общим объёмом 616 млрд параметров и DeepSeek V4.1 Flash 1017 общим объёмом 763 млрд параметров. На DeepSWE 1.1 SWE-2 Flash показывает 60,1 против 60,0 у Muse Spark Open — разница в одну десятую пункта, в пределах любого правдоподобного диапазона шума, при этом модель, с которой его сравнивают, в той же фразе не описывается как модель с открытыми весами. DeepSeek V4.1 Flash 1017, тем временем, не является американской, поэтому вообще не может быть частью заявления об «американской модели с открытыми весами». Это также модель, которая обходит SWE-2 Flash на Terminal-Bench 4.0 на 22,3 пункта — 42,3 против 20,0, — что является самым крупным отдельным отставанием где-либо в этом сравнении.

Ничто из этого не делает утверждение ложным. Оно делает утверждение более узким, чем звучит: один общий бенчмарк против одной американской модели с открытыми весами и победа в пределах ошибки округления над моделью, лицензия которой — отдельный вопрос. Все эти цифры — собственные данные Cognition, полученные на стенде, который в посте не назван.

Два числа Terminal-Bench, отличающиеся на семьдесят пунктов

Если вы читаете в таблице Cognition только что-то одно, читайте эту пару. SWE-2 Flash набирает 20.0 на Terminal-Bench 4.0 и 89.2 на Terminal-Bench 2.1. Это не конкурирующие оценки одного и того же; это разные поколения бенчмарка с разными наборами задач и разной сложностью, и номер версии — единственное, что отличает их на первый взгляд. Таблица запуска, в которой указаны оба, провоцирует именно ту ошибку — сравнивать 20.0 с результатом конкурента 2.1 или 89.2 с результатом конкурента 4.0.

Безопасное правило для этой модели и для любой модели, производитель которой сообщает более чем об одной версии Terminal-Bench: сравнивайте 2.1 с 2.1 и 4.0 с 4.0 и указывайте, какую версию вы цитируете. Мы ведём постоянную заметку об этом, поскольку представление таблицы запуска в виде плоского текста уже привело к ошибочному отнесению одной строки во вторичном освещении.

Почему веса за дверью — и что это за дверь

Cognition представляет нераскрытые веса как компромисс между прозрачностью и риском, и в публикации необычно прямо говорится о рисковой стороне. Компания утверждает, что намеренно обучала модель для работы в сфере безопасности и повысила её результат ExploitBench с 11,3 на этапе базового обучения до 34,8 после дообучения. Публикация этих весов выпустила бы в общий доступ компетентную модель для написания эксплойтов.

Итак, вместо этого есть программа. Веса будут «безопасно» передаваться партнёрам и исследователям, а в посте обещают подробности «через несколько недель». На момент написания этого текста нет ни формы заявки, ни критериев соответствия, ни лицензии, ни даты и ни заявления о том, можно ли перераспределять переданные веса или использовать их коммерчески. Партнёрская программа — это не открытые веса, и это различие важно для всех, кто планирует развернуть модель у себя: пока условия не существуют, правильное допущение при планировании — SWE-2 Flash никогда нельзя будет скачать.

Бесплатно до 30 ноября, затем цена не указана

Коммерческое предложение — это месяц бесплатного доступа внутри Devin. После этого никто за пределами Cognition не знает, сколько это стоит, потому что цена за токен не публиковалась. Фраза «одна пятая цены SWE-2» — это соотношение с продуктом, у которого есть собственное пакетное ценообразование, а не тарифная сетка.

Это реальный риск для планирования, если вы рассматриваете возможность строить рабочий процесс вокруг этого. Зависимость без объявленной цены хуже дорогой, потому что её невозможно смоделировать. Разумный шаг в период с сейчас до 30 ноября — измерить то, что вы можете измерить, а именно: оправдывает ли качество результатов модели в вашем собственном репозитории переключение вашей конфигурации Devin, — и считать вопрос стоимости открытым, пока Cognition не опубликует цифру.

Что вы можете назвать сегодня

SWE-2 Flash отсутствует в OrcaRouter и не появится там, пока Cognition не выпустит эндпоинт или лицензированный релиз весов; мы не собираемся делать вид, что это не так. Что сейчас доступно для вызова — это остальные игроки области, с которыми этот запуск неявно конкурирует, включая Muse Spark 1.2 и 1.1 от Meta: обе модели представлены в каталоге, и обе — те самые модели, которые установили результат SWE-2 Flash в DeepSWE 1.1 на уровне одной десятой балла.

Если вы читаете это потому, что хотите на этой неделе, а не в декабре получить дешёвую и быструю модель для кодинга в агентном цикле, то практическая развилка такова: дождаться тарифов и партнёрской программы Cognition или направить ваш существующий клиент на один API для более чем 200 моделей и провести A/B-тестирование альтернатив на собственном наборе тестов. OrcaRouter передаёт списочную цену провайдера без наценки — 0%, поэтому если Cognition в итоге опубликует тариф, именно этот тариф вы увидите здесь в первый же день, а не завышенную цену реселлера.

Что не вошло в пост о запуске

Стоит отметить четыре упущения, поскольку именно от них зависит, имеют ли эти цифры хоть какое-то значение:

• Без харнесса. В сентябрьском посте про SWE-2 были раскрыты его скаффолд и настройка усилий. В этом посте — нет, из-за чего каждый агентный результат превращается в чёрный ящик.

• Нет раскрытия информации о best-of-N. Мы не знаем, относятся ли эти результаты к pass@1 или к лучшему из пяти.

• Нет контекстного окна. Для модели, позиционируемой как дешёвый вариант внутри агента, бюджет контекста — не просто сноска.

• Независимого запуска нет. Каждая цифра здесь заявлена вендором и не воспроизведена, включая оценку 24,0 в FrontierCode 2.0 — а FrontierCode — собственный бенчмарк Cognition, и об этом стоит помнить, когда именно эта строка показывает выигрыш.

Следить нужно не за очередной строкой в таблице бенчмарков. А за страницей партнёрской программы: датой, лицензией и ценой. Когда эти три пункта появятся, SWE-2 Flash станет моделью, которую можно оценивать. До тех пор это хорошо задокументированное демо с бесплатным месяцем в комплекте.