Cognition SWE-2 Flash: Rabatten är verklig, basmodellen är nyheten

SWE-2 Flash lanserades den 4 november 2026 med två siffror fästa vid sig: en femtedel av priset och tre gånger hastigheten hos SWE-2, den 2,8 biljoner parametrar stora modellen som Cognition släppte åtta veckor tidigare. Båda är förhållanden snarare än absoluta mätvärden, och båda mäts i Devin. Meningen som faktiskt förändrar något är lätt att ögna förbi: den här modellen är en eftertränad version av Inkling-Small, Apache-2.0-basen från Mira Muratis Thinking Machines Lab. Det är första gången en av Cognitions kodningsmodeller inte härstammar från en kinesisk bas med öppna vikter, och det är anledningen till att de andra två siffrorna överhuvudtaget finns.

För alla som kommer via en sökruta i stället för ett nyhetsbrev: SWE-2 Flash är en kodningsmodell, den körs inuti Cognitions agentprodukter och den är inte något du kan anropa från din egen kod. Det finns ingen endpoint, ingen modellidentifierare och inget prisblad. Lanseringsinlägget ger dig ett datum, en basmodell, en träningsberättelse, en tabell med siffror och ett gratis fönster som slutar den 30 november. Allt nedan är avläst från det inlägget, Cognitions egen tabell och de offentligt anropbara alternativen – med källhänvisningen kopplad till varje siffra.

Vad som släpptes, och de två ord som saknas i inlägget

Cognition är tydliga med ytan. {{1}}SWE-2 Flash är tillgängligt idag i Devin Desktop och Devin CLI{{/1}}, och inläggets avslutande banner lyder "{{2}}Gratis till och med 11/30 – prova det idag i Devin Desktop och CLI.{{/2}}" Det är hela distributionshistorien. Det finns ingen API-lansering, ingen väntelista för någon endpoint och inget Hugging Face-repository.

De två ord som saknas i prispåståendet är "per token". "Till en femtedel av priset och 3x hastigheten jämfört med sitt mycket större syskon" är ett påstående om vad en uppgift kostar inne i Devin, som bakar in modellen, harneset, scaffoldingen och Cognitions serveringsstack i en enda faktura. Det är ett legitimt sätt att prissätta en agent, och det är inte en taxa som du kan jämföra med någon annans priskort per miljon token. En läsare som försöker omvandla det till en sådan kommer att misslyckas, eftersom inlägget aldrig säger vad femtedelen är en femtedel av.

Hastighetssiffran behöver samma tolkning. Cognitions avsnitt om hastighet anger 200 tok/s mot 60 tok/s för SWE-2 och förklarar sedan vad det mätte: "Varje models egen körning på Terminal-Bench 4.0-uppgiften gsea-proteomics, återuppspelad vid en simulerad hastighet på 200 vs. 60 tokens per sekund. Transkripten kortas ned till samma längd för jämförelse." Det är en återuppspelning vid angivna hastigheter, inte en realtidsmätning av två endpoints under belastning. Det berättar vilken serveringsprofil som är avsedd. Det säger inte vad du kommer att se klockan 14 en tisdag.

Utbytet av basmodellen är den egentliga lanseringen.

För sju veckor sedan post-tränades SWE-2 från Kimi K3 – Moonshots blandningsmodell med 2,8 biljoner parametrar, varav 104B aktiva per token. SWE-2 Flash är post-tränad från Inkling-Small, 276B totalt och 12B aktiva, släppt under Apache 2.0 i juli. Cognitions eget storleksdiagram placerar den nya modellen på 1x och SWE-2 på 10,1x, vilket är ett artigt sätt att visa en åttafaldig skillnad i aktiva parametrar.

Det är bytet som gör prispåståendet mekaniskt trovärdigt i stället för bara marknadsföring. Serveringskostnaden följer aktiva parametrar och genererade tokens mycket mer än den följer ett benchmarkresultat, och en modell med 12B aktiva parametrar tillhör en annan serveringsklass än en med 104B aktiva. Du behöver inte lita på Cognitions effektivitetsnarrativ för att acceptera att en modell som är så här mycket mindre kan säljas för en femtedel av priset. Den intressanta frågan är vad den behöll.

Cognition ramar in bytet i nationella termer. Första raden i inlägget kallar SWE-2 Flash "en helt amerikansk kodningsmodell", och sedan sägs att modellen "överträffar alla amerikanska modeller med öppna vikter, till och med modeller som är 3 gånger större." Båda påståendena är sanna som de står, och båda är snävare än de låter. "Helt amerikansk" beskriver en leveranskedja – ett amerikanskt labbs basvikter, eftertränade av ett amerikanskt företag – inte en vallgrav, eftersom Inkling-Small är Apache 2.0 och kan laddas ner av vem som helst, inklusive de konkurrenter som påståendet riktar sig mot. Den del som Cognition faktiskt kontrollerar är mid-train och RL, och det är den delen som inte släpps.

Motsägelsen som ligger i avsnittet Origins & Cyber

Det mest citerbara stycket i releasen är inte ett benchmark. Det är avsnittet där Cognition förklarar varför vikterna stannar hemma.

Det börjar med att beskriva en kund som behöver mer än "en kapabel modell bakom ett API": företag och myndigheter som behöver "observerbarhet för att vara värd för och kontrollera driftsättningar på sin egen infrastruktur, inklusive on-prem", och forskare som behöver studera hur en modell beter sig. Därefter formuleras målet rakt på sak – "Ett av våra mål med SWE-2 Flash är att erbjuda ett alternativ till industripartner och forskare som möjliggör transparent åtkomst till vikter tillsammans med möjligheten att finjustera och köra den i känsliga miljöer."

Två stycken längre fram: ”vi delar ännu inte vikterna offentligt”, med ett partnerprogram som utlovas ”inom några veckor”, och skälet som anges är cybersäkerhetsrisk. Cognition tränade avsiktligt för det. Samma avsnitt säger att det ”inriktade sig på cybersäkerhetsarbete i vår träning, vilket höjde modellens ExploitBench-poäng från 11,3 % till 34,8 %”, och erkänner sedan att ”samma kapaciteter också kan användas av illvilliga angripare” och håller tillbaka vikterna.

Läst som policy är logiken sammanhängande men obekväm: den on-prem-kund som avsnittet beskriver kan inte få den modell som tränats för dem, och det angivna hindret är en funktion som Cognition valde att lägga till. Läst som bevis om modellen finns en skarpare detalj i tabellen. SWE-2 Flash får 34,8 på ExploitBench mot SWE-2:s 36,1. Modellen som Cognition inte vill släppa ligger inom 1,3 poäng från flaggskeppet som de redan säljer. Om storlek vore säkerhetsargumentet skulle den siffran se annorlunda ut.

Receptet har också ändrats, och det är den delen som är värd att kopiera

Cognition säger att detta är första gången man har lagt till ett mellanliggande träningssteg före förstärkningsinlärning. Steget använde "några biljoner tokens" av högkvalitativa vetenskapliga artiklar, bloggar, kod och andra källor, och kördes i tre omgångar så att "modellen skulle se de knappaste och högsta kvalitetsdata senare i träningen". Blandningarna valdes med token-effektivitetsexperiment: kandidatblandningar kördes mot en separat valideringsuppsättning och jämfördes utifrån hur många tokens var och en behövde för att nå samma förlust som en baslinje.

Sedan kom RL-passet. Cognition är ovanligt öppna med varifrån vinsterna kom: "Även om vi gjorde några justeringar av vårt RL-recept från SWE-2, kom de flesta förbättringarna från den mycket högre kvaliteten och mångfalden i våra RL-uppgifter." Det beskriver granskning av instruktioner, miljöuppsättning och verifierare, samt kuratering av nya uppgiftstyper över ett bredare spektrum av förmågor. Det är en data- och verifierarhistoria, inte en skalningshistoria, och det är det mest överförbara i släppet.

Omfattningen av hoppet stöder tolkningen. Jämfört med sin egen bas flyttar SWE-2 Flash Terminal-Bench 4.0 från 0.9 till 20.0 och FrontierCode 2.0 från 3.2 till 24.0. Vad post-träningen än kostade gav den ungefär tjugo gånger basmodellens poäng på ett benchmark och sju gånger på ett annat, på en modell med 12B aktiva parametrar. Det Cognition inte publicerar är antalet tokens för mid-träningen utöver "några biljoner", beräkningskostnaden, eller någon ablation som isolerar mid-träningen från RL. Påståendet att det nya steget orsakade förbättringen är Cognitions; mekanismen kan inte kontrolleras oberoende.

Siffrorna, och där rubrikens påstående blir tunt

Allt följande är Cognitions egna, från tabellen vid lanseringen, och inget av det har oberoende reproducerats. FrontierCode är Cognitions benchmark, skriven tillsammans med externa underhållare och betygsatt av Cognition.

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

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

• DeepSWE 1.1 — 60,1 mot 73,0

• Terminal-Bench 4.0 — 20,0 mot 27,3

Terminal-Bench 2.1 – 89,2 mot 92,8

• SWE-Atlas QA — 50,0 mot 56,3

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

• ExploitBench — 34,8 vs 36,1

En rad är en vinst och sju är förluster, de flesta små. Flash ligger jämsides med flaggskeppet på FrontierCode 2.0, inom en poäng på SWE-Bench Pro v2 Hard och tretton poäng efter på DeepSWE 1.1. Det mönstret – nära på avgränsade uppgifter, längre efter på långhorisontella sådana – är det mest användbara i tabellen, och det är ämnet för vår separata jämförelse av de två modellerna.

Påståendet "3x större" förtjänar ett eget stycke, eftersom marginalen är tunnare än meningen antyder. Den amerikanska jämförelsemodellen med öppna vikter som ligger närmast är Muse Spark Open, 616B totalt och 42B aktiva. På DeepSWE 1.1 får den 60,0 mot SWE-2 Flashs 60,1. En tiondels poäng. Påståendet står sig eftersom Flashs övriga marginaler är verkliga – 20,0 mot 8,0 på Terminal-Bench 4.0, 24,0 mot 6,2 på FrontierCode 2.0 – men rubriken "till och med modeller som är 3x större" vilar, på den rad där den modellen är starkast, på ett avrundningsfel.

Det finns också en kolumn i samma tabell som drar åt andra hållet. DeepSeek V4.1 Flash 1017, med 763B totalt och 16B aktiva, slår Flash på fyra av de åtta raderna: 77,0 mot 60,1 på DeepSWE 1.1, 71,0 mot 50,0 på SWE-Atlas QA, 42,3 mot 20,0 på Terminal-Bench 4.0 och 91,0 mot 89,2 på Terminal-Bench 2.1. Två av dessa marginaler är större än något som Flash vinner någonstans i tabellen. Påståendet ”alla amerikanska öppna viktmodeller” är avgränsat efter nationalitet, och det starkaste jämförelseobjektet i tabellen faller utanför avgränsningen.

Vad den saknade selraden kostar dig

SWE-2:s lansering i september kom med en metodbilaga. Den angav vilket scaffold som användes för varje leverantör – Claude Code för Anthropics modeller, Codex för OpenAIs modeller, Grok Build för xAI – och uppgav att varje models bästa poäng över inställningar för reasoning effort rapporterades. Flash-inlägget innehåller inget av detta. Ingen testrigg, ingen inställning för effort, inget påstående om huruvida siffrorna är best-of-N, och ingen fotnot som förklarar tabellen.

Att utelämnandet spelar större roll för en liten modell än för en stor, eftersom Flash argumenterar att efterträning stängde ett gap. Om de två Cognition-modellerna kördes i olika scaffolds är en del av FrontierCode-skillnaden på 0,2 poäng själva harnessen. Om SWE-2:s rad är dess inställning för bästa möjliga resultat och Flash har en enda inställning, är jämförelsen ett bästa fall mot ett okänt. Tre upplysningar skulle åtgärda det: harnessen per rad, ansträngningsinställningen per rad och en oberoende körning av Terminal-Bench 4.0 av någon som inte är Cognition.

Vad du kan kalla den här veckan

Inget här. SWE-2 Flash har ingen endpoint, och ingen tredjepartsplattform erbjuder det – det finns ingen identifierare att dirigera. Det du kan anropa är de modeller som det jämförs med, och gapet mellan de två situationerna är den praktiska berättelsen om lanseringen.

DeepSeek V4 Flash dirigeras via OrcaRouter som deepseek/deepseek-v4-flash, med 1M-tokenkontext och maximal utdata på 384K som DeepSeek publicerar och Cognition inte publicerar för Flash. Kimi K3, basmodellen som SWE-2 eftertränades från, dirigeras via OrcaRouter till $3,00 per miljon indatatokener och $15,00 per miljon utdatatokener som kimi/kimi-k3. Ett API täcker fler än 200 modeller till leverantörens listpris utan påslag, så att en leverantörs prisändring når dig samma dag i stället för enligt routerns schema. Om du testar om en efterträning med 12B aktiva parametrar är tillräckligt bra för din kö, måste det testet köras mot en modell med 12B aktiva parametrar som du faktiskt kan anropa, med en reservkedja bakom den så att en provkörning inte blir ett produktionsberoende.

Den snäva tolkningen av SWE-2 Flash är den som bevisen stöder. En modell med 12B aktiva parametrar, eftertränad på en mid-train-uppsättning och en bättre granskad RL-uppsättning, ligger inom 4,5 poäng från en flaggskeppsmodell med 104B aktiva parametrar på FrontierCode 1.1 Main och på samma nivå på FrontierCode 2.0, till en femtedel av priset inom en och samma produkt. Om det håller vid oberoende testning är lärdomen inte att små modeller har kommit ikapp. Det är att den marginella avkastningen på parametrar för kodagenter har fallit under den marginella avkastningen på verifierarkvalitet – och att de företag som kan generera och granska svåra uppgifter, snarare än de som har råd med den största basen, kommer att sätta tempot. Det är ett större påstående än en vinst på 0,2 poäng, och det är det som är värt att hålla ögonen på inför nästa oberoende körning.