Vi introducerar SWE-2 Flash: åtta benchmarkrader och inte en enda slutpunkt

Cognition tillkännagav SWE-2 Flash den 4 november 2026, och inlägget är ovanligt generöst med siffror: åtta benchmark-rader, två deltan före och efter träning, en hastighetssiffra och en prissiffra. Det den inte innehåller är ett sätt att anropa modellen. SWE-2 Flash körs i Devin Desktop och Devin CLI, gratis till och med den 30 november 2026. Det finns ingen API-slutpunkt, inget modell-ID, ingen kostnad per token och inga offentliga vikter. För en lansering vars rubrik är ”snabb och effektiv” är det mest användbara en utvecklare kan veta att effektiviteten för närvarande mäts i dollar du inte betalar i stället för i tokens du kan köpa.

Det är inte en kritik av modellen. Det är erbjudandets utformning, och den avgör vem som kan agera på det här tillkännagivandet idag och vem som måste vänta.

Vad som faktiskt levererades den 4 november

Specifikationsbladet är tillräckligt kort för att rymmas på en skärm, vilket i sig är informativt – Cognition publicerade mindre om den här modellen än vad de publicerade om SWE-2 i september.

• Basmodell – eftertränad från Inkling-Small, Thinking Machines Labs mixture-of-experts med öppna vikter på 276B totala parametrar och 12B aktiva, Apache 2.0 uppströms.

• Servering – endast Devin Desktop och Devin CLI. Ingen hostad slutpunkt, inget leverantörs-API, ingen nedladdning av vikter.

• Pris — ingen taxa per token publiceras. Åtkomsten är gratis till och med den 30 november 2026.

• Hastighet – ungefär 200 tokens per sekund jämfört med SWE-2:s 60, en siffra som Cognition tog fram genom att spela upp förkortade sessionstranskriptioner i simulerade hastigheter i stället för att mäta tiden mot en live-endpoint.

• Kontextfönster, maximal utdata och effort-inställningar – anges inte någonstans i lanseringsinlägget.

Bytet av basmodell är den genuint nya ingenjörskonsten. SWE-2 byggdes på Kimi K3, en bas med totalt 2,8T parametrar och 104B aktiva. SWE-2 Flash vilar på en bas som är ungefär en tiondel så stor mätt i totala parametrar och en åttondel i aktiva parametrar, och Cognition säger att större delen av kvalitetsåterhämtningen kom från bättre uppgifter för förstärkningsinlärning och granskade verifierare snarare än från skala. Inlägget beskriver också det första mellanträningssteg som företaget har använt före RL: några biljoner tokens med vetenskapliga artiklar, bloggar och kod, kört i tre pass med den mest sällsynta datan sist.

Påståendet som kommer att upprepas, och raden som det vilar på

Meningen alla kommer att citera är att SWE-2 Flash "överträffar alla amerikanska modeller med öppna vikter, till och med sådana som är 3 gånger större". Det är värt att veta exakt hur mycket av detta som överlever kontakten med tabellen under den.

Den enda direkta jämförelsen på samma benchmark mot en mindre amerikansk kodare med öppna vikter i lanseringsmaterialet är Terminal-Bench 2.1, där SWE-2 Flash rapporterar 89,2 mot Flint v1.0:s 54,9. Det är ett stort gap på en delad benchmarkversion, och det är det starkaste enskilda beviset för påståendet. Men Flint v1.0 är totalt 39,8B, och Coheres North Mini Code är 30B — ingen av dem är 3 gånger större än en 276B-modell. De är mindre, vilket gör det oanmärkningsvärt snarare än imponerande att slå dem.

De jämförelsemodeller som är 3 gånger större i Cognitions egen tabell är Muse Spark Open med totalt 616B och DeepSeek V4.1 Flash 1017 med totalt 763B. På DeepSWE 1.1 rapporterar SWE-2 Flash 60,1 mot Muse Spark Opens 60,0 – en tiondels poäng, inom vilket rimligt brusband som helst, och modellen som den jämförs med beskrivs inte som en modell med öppna vikter i samma andetag. DeepSeek V4.1 Flash 1017 är samtidigt inte amerikansk, så den kan inte alls ingå i ett påstående om "amerikansk öppenvikt". Det är också modellen som slår SWE-2 Flash på Terminal-Bench 4.0 med 22,3 poäng – 42,3 mot 20,0 – vilket är den största enskilda förlusten någonstans i jämförelsen.

Inget av detta gör påståendet falskt. Det gör påståendet snävare än det låter: ett gemensamt benchmark mot en enda amerikansk öppenviktsmodell, och en vinst inom avrundningsfelet mot en modell vars licens är en separat fråga. Alla dessa siffror är Cognitions egna, körda i en harness som inlägget inte namnger.

Två Terminal-Bench-siffror, sjuttio poäng ifrån varandra

Om du bara läser en enda sak i Cognitions tabell, läs det här paret. SWE-2 Flash får 20,0 på Terminal-Bench 4.0 och 89,2 på Terminal-Bench 2.1. Det är inte konkurrerande uppskattningar av samma sak; de är olika benchmarkgenerationer med olika uppgiftsuppsättningar och olika svårighetsgrad, och versionsnumret är det enda som skiljer dem åt vid en första anblick. En lanseringstabell som listar båda inbjuder till precis det misstaget att jämföra 20,0 med en konkurrents 2,1-poäng, eller 89,2 med en konkurrents 4,0-poäng.

Den säkra regeln för den här modellen, och för alla modeller där leverantören anger mer än en Terminal-Bench-version: jämför 2.1 med 2.1 och 4.0 med 4.0, och säg vilken du citerar. Vi för en löpande anteckning om detta eftersom lanseringstabellens tillplattade textåtergivning redan har tilldelat en rad fel i sekundärbevakningen.

Varför vikterna är bakom en dörr – och vad dörren är

Cognition ramar in de tillbakahållna vikterna som en avvägning mellan transparens och risk, och inlägget är ovanligt direkt om risksidan. Företaget säger att det medvetet tränade för säkerhetsarbete och höjde sin ExploitBench-poäng från 11,3 under grundträningen till 34,8 efter efterträningen. Att publicera dessa vikter skulle sätta en kompetent modell för exploitutveckling i allmän cirkulation.

Så i stället finns det ett program. Vikter kommer att delas "säkert" med partner och forskare, och inlägget utlovar detaljer "inom några veckor". I skrivande stund finns det inget ansökningsformulär, inga behörighetskriterier, ingen licens, inget datum och inget uttalande om huruvida delade vikter får vidaredistribueras eller användas kommersiellt. Ett partnerprogram är inte öppna vikter, och skillnaden spelar roll för alla som planerar att självhosta: tills villkoren finns är det korrekta planeringsantagandet att SWE-2 Flash aldrig kommer att gå att ladda ner.

Gratis till 30 november, därefter ej prissatt

Det kommersiella erbjudandet är en månads gratis åtkomst i Devin. Efter det vet ingen utanför Cognition vad det kostar, eftersom ingen pris per token publicerades. Raden ”en femtedel av priset för SWE-2” är ett förhållande mot en produkt med sin egen paketerade prissättning, inte en prislista.

Det är en verklig planeringsrisk om du överväger att bygga ett arbetsflöde kring det. Ett oprissatt beroende är värre än ett dyrt sådant, eftersom du inte kan modellera det. Det kloka draget mellan nu och 30 november är att mäta det du kan mäta – om modellens utdatakvalitet i ditt eget kodförråd motiverar att du byter din Devin-konfiguration – och att betrakta kostnadsfrågan som öppen tills Cognition publicerar en siffra.

Vad du faktiskt kan ringa idag

SWE-2 Flash finns inte på OrcaRouter och kommer inte att göra det förrän Cognition levererar en endpoint eller ett licensierat släpp av vikter; vi tänker inte låtsas något annat. Det som är anropbart just nu är resten av fältet som den här lanseringen implicit konkurrerar med – bland dem Metas Muse Spark 1.2 och 1.1, som båda finns tillgängliga i katalogen och båda är de modeller som satte SWE-2 Flashs DeepSWE 1.1-poäng till en tiondels poäng.

Om anledningen till att du läser detta är att du vill ha en billig, snabb kodmodell i en agentloop den här veckan i stället för i december, är det praktiska vägvalet detta: vänta på Cognitions prissättning och partnerprogram, eller peka din befintliga klient mot ett API för fler än 200 modeller och A/B-testa alternativen mot din egen testsvit. OrcaRouter för vidare leverantörens listpris med 0 % påslag, så om Cognition till slut publicerar ett pris är det priset vad du skulle se här dag ett i stället för en påslagen återförsäljarsiffra.

Vad lanseringsinlägget utelämnade

Fyra utelämnanden är värda att uppmärksamma, eftersom det är de som avgör om siffrorna betyder något:

• Inget testramverk. Septemberinlägget om SWE-2 redovisade sitt skal och sin effort-inställning. Det här gör det inte, vilket gör varje agentisk poäng till en svart låda.

• Ingen redovisning av best-of-N. Vi vet inte om dessa är pass@1 eller best-of-five.

• Inget kontextfönster. För en modell som positioneras som det billiga alternativet inuti en agent är kontextbudgeten inte en fotnot.

• Ingen oberoende körning. Varje siffra här är leverantörsrapporterad och inte reproducerad, inklusive FrontierCode 2.0-poängen på 24,0 — och FrontierCode är Cognitions eget benchmark, vilket är värt att komma ihåg när det är raden som visar en vinst.

Det man ska hålla ögonen på är inte ännu en benchmark-rad. Det är partnerprogramsidan: datumet, licensen och priset. När de tre finns där blir SWE-2 Flash en modell som du kan utvärdera. Fram till dess är det en väldokumenterad demo med en gratis månad på köpet.