Cognition SWE-2 Flash: ส่วนลดมีจริง แต่ข่าวใหญ่คือโมเดลฐาน

SWE-2 Flashเปิดตัวเมื่อวันที่ 4 พฤศจิกายน 2026 พร้อมตัวเลขสองตัวที่แนบมาด้วย: ราคาหนึ่งในห้า และความเร็วเป็นสามเท่าของSWE-2 โมเดลขนาด 2.8 ล้านล้านพารามิเตอร์ที่ Cognition เปิดตัวเมื่อแปดสัปดาห์ก่อน ทั้งสองเป็นอัตราส่วนไม่ใช่อัตรา และทั้งคู่วัดภายใน Devin ประโยคที่สร้างความเปลี่ยนแปลงจริงกลับเป็นประโยคที่มองข้ามได้ง่ายกว่า: โมเดลนี้เป็นผลจากการ post-train Inkling-Small ซึ่งเป็นฐาน Apache-2.0 จาก Thinking Machines Lab ของ Mira Murati นี่เป็นครั้งแรกที่หนึ่งในโมเดลเขียนโค้ดของ Cognition ไม่ได้สืบทอดมาจากฐาน open-weight จากจีน และเป็นเหตุผลที่ตัวเลขอีกสองตัวมีอยู่จริง

สำหรับใครก็ตามที่เข้ามาจากช่องค้นหาแทนที่จะมาจากจดหมายข่าว: SWE-2 Flash เป็นโมเดลเขียนโค้ด ทำงานอยู่ภายในผลิตภัณฑ์เอเจนต์ของ Cognition และไม่ใช่สิ่งที่คุณเรียกใช้จากโค้ดของคุณเองได้ ไม่มีเอนด์พอยต์ ไม่มีตัวระบุโมเดล และไม่มีตารางราคา โพสต์เปิดตัวให้ข้อมูลวันที่ โมเดลฐาน เรื่องเล่าเบื้องหลังการเทรน ตารางตัวเลข และช่วงใช้งานฟรีที่สิ้นสุดวันที่ 30 พฤศจิกายน ทุกอย่างด้านล่างนี้อ่านมาจากโพสต์นั้น ตารางของ Cognition เอง และทางเลือกที่เปิดให้เรียกใช้ได้จากสาธารณะ — โดยมีแหล่งที่มาแนบไว้กับตัวเลขแต่ละรายการ

สิ่งที่เปิดตัวแล้ว และสองคำที่หายไปจากโพสต์

Cognition ระบุชัดเจนถึงช่องทางที่เปิดให้ใช้งาน SWE-2 Flash เปิดให้ใช้งานแล้ววันนี้ใน Devin Desktop และ Devin CLI และแบนเนอร์ปิดท้ายโพสต์ระบุว่า “ฟรีถึง 11/30 — ลองใช้ได้วันนี้ใน Devin Desktop และ CLI” นั่นคือเรื่องราวการเผยแพร่ทั้งหมด ไม่มีการเปิดตัว API ไม่มีรายการรอสำหรับ endpoint และไม่มีรีโพซิทอรี Hugging Face

คำสองคำที่หายไปจากการกล่าวอ้างเรื่องราคาคือ “ต่อโทเค็น” “ในราคาหนึ่งในห้าและเร็วกว่า 3 เท่าของรุ่นพี่ที่ใหญ่กว่ามาก” เป็นข้อความเกี่ยวกับต้นทุนของงานหนึ่งงานภายใน Devin ซึ่งรวบรวมโมเดล, harness, scaffolding และ serving stack ของ Cognition ไว้ในใบแจ้งหนี้เดียว มันเป็นวิธีที่ชอบธรรมในการกำหนดราคาให้เอเจนต์ และไม่ใช่อัตราที่คุณจะนำไปเปรียบเทียบกับตารางราคาต่อล้านโทเค็นของใครคนอื่นได้ ผู้อ่านที่พยายามแปลงมันให้เป็นเช่นนั้นจะล้มเหลว เพราะโพสต์ไม่เคยบอกว่าหนึ่งในห้านั้นคือหนึ่งในห้าของอะไร

ตัวเลขความเร็วก็ต้องอ่านแบบเดียวกัน ส่วนความเร็วของ Cognition ระบุว่า 200 tok/s เทียบกับ 60 tok/s สำหรับ SWE-2 และจากนั้นอธิบายสิ่งที่วัดว่า: "การรันของแต่ละโมเดลเองบนงาน gsea-proteomics ของ Terminal-Bench 4.0 แล้วเล่นซ้ำที่อัตราจำลอง 200 เทียบกับ 60 โทเคนต่อวินาที โดยตัดทอนบทถอดเสียงให้มีความยาวเท่ากันเพื่อการเปรียบเทียบ" นี่คือการเล่นซ้ำที่อัตราที่ระบุไว้ ไม่ใช่การจับเวลาสดของสองเอนด์พอยต์ภายใต้โหลด มันบอกโปรไฟล์การให้บริการที่ตั้งใจไว้ แต่ไม่ได้บอกว่าคุณจะเห็นอะไรตอนบ่ายสองวันอังคาร

การสลับโมเดลพื้นฐานต่างหากคือการเปิดตัวจริง

เจ็ดสัปดาห์ก่อน SWE-2 ผ่านการทำ post-training ต่อจาก Kimi K3 ซึ่งเป็นโมเดลแบบ mixture ขนาด 2.8 ล้านล้านพารามิเตอร์ของ Moonshot โดยมี 104B ที่เปิดใช้งานต่อโทเคน ส่วน SWE-2 Flash ผ่านการทำ post-training ต่อจาก Inkling-Small ขนาดรวม 276B และเปิดใช้งาน 12B ซึ่งเผยแพร่ภายใต้ Apache 2.0 ในเดือนกรกฎาคม แผนภูมิขนาดของ Cognition เองระบุว่าโมเดลใหม่มีขนาด 1x และ SWE-2 อยู่ที่ 10.1x ซึ่งเป็นวิธีพูดแบบสุภาพในการสื่อถึงช่องว่างแปดเท่าในพารามิเตอร์ที่เปิดใช้งาน

การสลับนั้นคือสิ่งที่ทำให้ข้ออ้างเรื่องราคามีความสมเหตุสมผลเชิงกลไก ไม่ใช่เป็นเพียงการโปรโมต ต้นทุนการให้บริการขึ้นอยู่กับพารามิเตอร์ที่ใช้งานและโทเค็นที่สร้างขึ้นมากกว่าคะแนน benchmark มาก และโมเดลที่มีพารามิเตอร์ใช้งาน 12B อยู่ในระดับชั้นการให้บริการที่แตกต่างจากโมเดลที่มีพารามิเตอร์ใช้งาน 104B คุณไม่จำเป็นต้องเชื่อเรื่องเล่าด้านประสิทธิภาพของ Cognition เพื่อยอมรับว่าโมเดลที่เล็กกว่ามากขนาดนี้สามารถขายได้ในราคาหนึ่งในห้าของราคา คำถามที่น่าสนใจคือมันเก็บรักษาอะไรไว้

Cognition วางกรอบการเปลี่ยนโมเดลนี้ในระดับชาติ บรรทัดแรกของโพสต์เรียก SWE-2 Flash ว่า “โมเดลเขียนโค้ดอเมริกันเต็มรูปแบบ” และกล่าวต่อไปว่าโมเดลนี้ “มีประสิทธิภาพเหนือกว่าโมเดล open-weight ของอเมริกันทั้งหมด รวมถึงโมเดลที่มีขนาดใหญ่กว่า 3 เท่า” ทั้งสองข้อความเป็นจริงตามที่เขียนไว้ และทั้งคู่ก็แคบกว่าที่ฟังดู “อเมริกันเต็มรูปแบบ” อธิบายถึงห่วงโซ่อุปทาน — น้ำหนักฐานจากแล็บอเมริกันที่ผ่าน post-training โดยบริษัทอเมริกัน — ไม่ใช่ปราการป้องกัน เพราะ Inkling-Small อยู่ภายใต้ Apache 2.0 และใครก็ดาวน์โหลดได้ รวมถึงคู่แข่งที่คำกล่าวอ้างนี้มุ่งเป้าไปที่ ส่วนที่ Cognition ควบคุมได้จริงคือ mid-train และ RL และนั่นคือส่วนที่บริษัทไม่ได้ปล่อยออกมา

ความขัดแย้งที่อยู่ในส่วน Origins & Cyber

ข้อความที่ยกมาอ้างได้มากที่สุดในประกาศนี้ไม่ใช่ผล Benchmark แต่เป็นส่วนที่ Cognition อธิบายว่าเหตุใดน้ำหนักโมเดลจึงยังคงอยู่ที่บ้าน

เนื้อหาเริ่มต้นด้วยการอธิบายถึงลูกค้าที่ต้องการมากกว่า "โมเดลที่มีความสามารถอยู่เบื้องหลัง API" ได้แก่ องค์กรธุรกิจและหน่วยงานภาครัฐที่ต้องการ "ความสามารถในการสังเกตการณ์เพื่อโฮสต์และควบคุมการติดตั้งใช้งานบนโครงสร้างพื้นฐานของตนเอง รวมถึงแบบ on-prem" และนักวิจัยที่ต้องการศึกษาว่าโมเดลมีพฤติกรรมอย่างไร จากนั้นจึงระบุเป้าหมายอย่างชัดเจนว่า — "หนึ่งในเป้าหมายของเราสำหรับ SWE-2 Flash คือการมอบทางเลือกให้แก่พันธมิตรภาคอุตสาหกรรมและนักวิจัย ซึ่งช่วยให้เข้าถึงน้ำหนักโมเดลได้อย่างโปร่งใส พร้อมทั้งความสามารถในการไฟน์ทูนและรันโมเดลในสภาพแวดล้อมที่มีความอ่อนไหว"

อีกสองย่อหน้าถัดมา: “เรายังไม่เปิดเผยน้ำหนักโมเดลต่อสาธารณะ” โดยมีโครงการสำหรับพันธมิตรที่ให้คำมั่นว่า “ภายในไม่กี่สัปดาห์” และเหตุผลที่ให้คือความเสี่ยงด้านความมั่นคงปลอดภัยไซเบอร์ Cognition ฝึกโมเดลนี้มาโดยเจตนาเพื่อสิ่งนั้น ในส่วนเดียวกันระบุว่า “เราได้มุ่งเน้นงานด้านความมั่นคงปลอดภัยไซเบอร์ในการฝึกของเรา ซึ่งเพิ่มคะแนน ExploitBench ของโมเดลจาก 11.3% เป็น 34.8%” จากนั้นยอมรับว่า “ความสามารถเดียวกันนี้ยังสามารถถูกใช้โดยผู้โจมตีที่เป็นอันตรายได้” และเก็บน้ำหนักโมเดลไว้ไม่เปิดเผย

เมื่ออ่านในฐานะนโยบาย ตรรกะนั้นสอดคล้องกันแต่ชวนอึดอัด: ลูกค้าออนพรีมที่หัวข้อนี้อธิบายไว้ไม่สามารถมีโมเดลที่ถูกฝึกมาเพื่อพวกเขาได้ และอุปสรรคที่ระบุไว้คือความสามารถที่ Cognition เลือกจะเพิ่มเข้าไป เมื่ออ่านในฐานะหลักฐานเกี่ยวกับโมเดล มีรายละเอียดที่คมชัดกว่าในตาราง SWE-2 Flash ได้ 34.8 บน ExploitBench เทียบกับ 36.1 ของ SWE-2 โมเดลที่ Cognition จะไม่เผยแพร่ห่างจากเรือธงที่บริษัทขายอยู่แล้วเพียง 1.3 คะแนน หากขนาดเป็นข้อโต้แย้งด้านความปลอดภัย ตัวเลขนั้นน่าจะดูแตกต่างออกไป

สูตรก็เปลี่ยนไปเช่นกัน และนั่นคือส่วนที่ควรค่าแก่การลอกเลียนแบบ

Cognition กล่าวว่านี่เป็นครั้งแรกที่ได้เพิ่มขั้นตอนการฝึกระดับกลางก่อนการเรียนแบบเสริมกำลัง ขั้นตอนนี้ใช้ "ข้อมูลหลายล้านล้านโทเคน" จากบทความทางวิทยาศาสตร์ บล็อก โค้ด และแหล่งข้อมูลคุณภาพสูงอื่น ๆ และดำเนินการสามรอบ เพื่อให้ "โมเดลได้เห็นข้อมูลที่หายากที่สุดและมีคุณภาพสูงที่สุดในภายหลังของการฝึก" การผสมข้อมูลถูกเลือกโดยการทดลองประสิทธิภาพของโทเคน โดยนำส่วนผสมที่เป็นตัวเลือกไปทดสอบกับชุดตรวจสอบที่กันไว้ และเปรียบเทียบว่าส่วนผสมแต่ละแบบต้องใช้กี่โทเคนเพื่อไปถึงค่า loss เดียวกับเส้นฐาน

จากนั้นก็มาถึงรอบ RL Cognition เปิดเผยอย่างตรงไปตรงมาอย่างผิดปกติว่าการปรับปรุงเหล่านั้นมาจากไหน: “แม้ว่าเราจะปรับแต่งสูตร RL ของเราจาก SWE-2 บ้าง แต่การปรับปรุงส่วนใหญ่มาจากคุณภาพและความหลากหลายที่สูงขึ้นมากของงาน RL ของเรา” ข้อความนี้บรรยายถึงการตรวจสอบคำสั่ง การตั้งค่าสภาพแวดล้อมและตัวตรวจสอบ และการคัดสรรประเภทงานใหม่ ๆ ครอบคลุมความสามารถที่กว้างขึ้น นี่เป็นเรื่องราวเกี่ยวกับข้อมูลและตัวตรวจสอบ ไม่ใช่เรื่องราวเกี่ยวกับการขยายขนาด และเป็นสิ่งที่ถ่ายทอดนำไปใช้ได้ง่ายที่สุดในรีลีสนี้

ขนาดของการกระโดดสนับสนุนการตีความนี้ เมื่อเทียบกับฐานของตัวเอง SWE-2 Flash ทำให้ Terminal-Bench 4.0 เพิ่มจาก 0.9 เป็น 20.0 และ FrontierCode 2.0 เพิ่มจาก 3.2 เป็น 24.0 ไม่ว่าต้นทุนหลังการฝึกจะเป็นเท่าใด มันให้คะแนนประมาณ 20 เท่าของคะแนนโมเดลฐานบนเบนช์มาร์กหนึ่ง และ 7 เท่าบนอีกเบนช์หนึ่ง บนโมเดลที่มีพารามิเตอร์ใช้งาน 12B สิ่งที่ Cognition ไม่ได้เผยแพร่ ได้แก่ จำนวนโทเคนสำหรับการฝึกช่วงกลางที่นอกเหนือไปจากคำว่า "ไม่กี่ล้านล้าน" ปริมาณคอมพิวต์ หรือการทดลองแบบ ablation ใด ๆ ที่แยกการฝึกช่วงกลางออกจาก RL ข้ออ้างที่ว่าขั้นตอนใหม่ทำให้เกิดการเพิ่มขึ้นนั้นเป็นของ Cognition ส่วนกลไกนั้นไม่สามารถตรวจสอบได้อย่างอิสระ

ตัวเลข และจุดที่ข้อกล่าวอ้างในพาดหัวเริ่มอ่อนลง

ทั้งหมดต่อไปนี้เป็นของ Cognition เอง จากตารางเปิดตัวของบริษัท และไม่มีรายการใดได้รับการทำซ้ำโดยอิสระ FrontierCode เป็นเบนช์มาร์กของ Cognition ซึ่งเขียนขึ้นร่วมกับผู้ดูแลจากภายนอกและให้คะแนนโดย Cognition

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

• FrontierCode 1.1 Main — 45.5 เทียบกับ 50.0

• DeepSWE 1.1 — 60.1 เทียบกับ 73.0

• Terminal-Bench 4.0 — 20.0 เทียบกับ 27.3

• Terminal-Bench 2.1 — 89.2 เทียบกับ 92.8

• SWE-Atlas QA — 50.0 เทียบกับ 56.3

• SWE-Bench Pro v2 Hard — 89.9 เทียบกับ 90.6

• ExploitBench — 34.8 เทียบกับ 36.1

หนึ่งแถวเป็นชัยชนะและเจ็ดแถวเป็นความพ่ายแพ้ ซึ่งส่วนใหญ่เป็นความพ่ายแพ้เล็กน้อย Flash ทำได้ทัดเทียมกับรุ่นเรือธงบน FrontierCode 2.0 ห่างกันไม่เกินหนึ่งคะแนนบน SWE-Bench Pro v2 Hard และตามหลังอยู่สิบสามคะแนนบน DeepSWE 1.1 รูปแบบนั้น — ใกล้เคียงกันในงานที่มีขอบเขตจำกัด แต่ตามหลังมากขึ้นในงานที่ต้องใช้เวลายาวนาน — เป็นสิ่งที่มีประโยชน์ที่สุดในตาราง และเป็นหัวข้อของการเปรียบเทียบสองโมเดลของเราแยกต่างหาก

ข้อกล่าวอ้าง "ใหญ่กว่า 3 เท่า" สมควรได้รับย่อหน้าเป็นของตัวเอง เพราะช่องว่างนั้นแคบกว่าที่ประโยคสื่อ โมเดลเปรียบเทียบแบบเปิดน้ำหนักจากอเมริกาที่ใกล้เคียงที่สุดคือ Muse Spark Open ขนาดรวม 616B และพารามิเตอร์ที่ใช้งานจริง 42B บน DeepSWE 1.1 ทำได้ 60.0 เทียบกับ 60.1 ของ SWE-2 Flash ห่างกันหนึ่งในสิบของคะแนน ข้อกล่าวอ้างนี้ยังคงอยู่ได้เพราะช่องว่างอื่น ๆ ของ Flash เป็นของจริง — 20.0 เทียบกับ 8.0 บน Terminal-Bench 4.0, 24.0 เทียบกับ 6.2 บน FrontierCode 2.0 — แต่พาดหัว "แม้แต่โมเดลที่ใหญ่กว่า 3 เท่า" กลับตั้งอยู่บนความคลาดเคลื่อนจากการปัดเศษ ในแถวที่โมเดลนั้นแข็งแกร่งที่สุด

ยังมีอีกคอลัมน์ในตารางเดียวกันที่ให้ผลตรงกันข้าม DeepSeek V4.1 Flash 1017 ซึ่งมีพารามิเตอร์รวม 763B และเปิดใช้งาน 16B เอาชนะ Flash ได้ในสี่จากแปดแถว: 77.0 เทียบกับ 60.1 บน DeepSWE 1.1, 71.0 เทียบกับ 50.0 บน SWE-Atlas QA, 42.3 เทียบกับ 20.0 บน Terminal-Bench 4.0 และ 91.0 เทียบกับ 89.2 บน Terminal-Bench 2.1 ส่วนต่างสองรายการนั้นมากกว่าส่วนต่างจากชัยชนะใด ๆ ของ Flash ทุกจุดในตาราง ข้อกล่าวอ้างเรื่อง 'โมเดลโอเพนเวตอเมริกันทั้งหมด' ถูกจำกัดขอบเขตตามสัญชาติ และตัวเปรียบเทียบที่แข็งแกร่งที่สุดในตารางอยู่นอกขอบเขตนี้

สิ่งที่คุณต้องเสียไปเพราะสายฮาร์เนสที่หายไป

การเปิดตัวของ SWE-2 ในเดือนกันยายนมาพร้อมกับภาคผนวกด้านระเบียบวิธี โดยระบุชื่อสแคฟโฟลด์ที่ใช้กับผู้ให้บริการแต่ละราย — Claude Code สำหรับโมเดลของ Anthropic, Codex สำหรับโมเดลของ OpenAI, Grok Build สำหรับ xAI — และระบุว่ามีการรายงานคะแนนที่ดีที่สุดของแต่ละโมเดลจากการตั้งค่าระดับความพยายามในการใช้เหตุผลทั้งหมด โพสต์ Flash ไม่มีสิ่งเหล่านั้นเลย ไม่มีฮาร์เนส ไม่มีการตั้งค่าระดับความพยายาม ไม่มีคำชี้แจงว่าตัวเลขเป็น best-of-N หรือไม่ และไม่มีเชิงอรรถอธิบายตาราง

การละเว้นนั้นสำคัญกับโมเดลขนาดเล็กมากกว่ากับโมเดลขนาดใหญ่ เพราะข้อโต้แย้งของ Flash คือ post-training ได้ปิดช่องว่างลง หากโมเดลของ Cognition สองตัวถูกรันใน scaffold ที่ต่างกัน ส่วนหนึ่งของความต่าง 0.2 คะแนนใน FrontierCode ก็คือ harness หากแถวของ SWE-2 เป็นการตั้งค่าแบบ best effort และ Flash มีเพียงการตั้งค่าเดียว การเปรียบเทียบก็คือกรณีที่ดีที่สุดเทียบกับสิ่งที่ไม่ทราบ การเปิดเผยสามอย่างจะแก้ปัญหานี้ได้: harness ของแต่ละแถว, การตั้งค่า effort ของแต่ละแถว และการรัน Terminal-Bench 4.0 อย่างอิสระหนึ่งครั้งโดยคนที่ไม่ใช่ Cognition

สิ่งที่คุณสามารถโทรได้ในสัปดาห์นี้

ไม่มีอะไรตรงนี้ SWE-2 Flash ไม่มี endpoint และไม่มีแพลตฟอร์มบุคคลที่สามใดรองรับมัน จึงไม่มีตัวระบุสำหรับการกำหนดเส้นทาง สิ่งที่คุณเรียกใช้ได้คือโมเดลที่มันถูกนำมาเปรียบเทียบด้วย และช่องว่างระหว่างสองสถานการณ์นี้คือเรื่องราวในทางปฏิบัติของการเปิดตัวครั้งนี้

DeepSeek V4 Flash ถูกกำหนดเส้นทางบน OrcaRouter ในชื่อ deepseek/deepseek-v4-flash พร้อมบริบท 1M โทเค็นและเอาต์พุตสูงสุด 384K ซึ่ง DeepSeek เปิดเผย และ Cognition ไม่ได้เปิดเผยสำหรับ Flash Kimi K3 ซึ่งเป็นโมเดลฐานที่ SWE-2 ถูก post-train ต่อยอดมา ถูกกำหนดเส้นทางบน OrcaRouter ในราคา $3.00 ต่อล้านโทเค็นอินพุต และ $15.00 ต่อล้านโทเค็นเอาต์พุต ในชื่อ kimi/kimi-k3 API เดียวครอบคลุมโมเดลมากกว่า 200 โมเดลในราคาตามรายการของผู้ให้บริการ โดยไม่มีการบวกกำไรเพิ่ม ดังนั้นการเปลี่ยนแปลงราคาของผู้จำหน่ายจะมาถึงคุณในวันเดียวกัน แทนที่จะเป็นไปตามกำหนดการของเราเตอร์ หากคุณกำลังทดสอบว่า post-train ที่มี 12B active ดีพอสำหรับคิวของคุณหรือไม่ การทดสอบนั้นต้องรันกับโมเดล 12B active ที่คุณเรียกใช้ได้จริง โดยมีห่วงโซ่ fallback รองรับอยู่เบื้องหลัง เพื่อไม่ให้การทดลองกลายเป็น dependency ของโปรดักชัน

การตีความแบบแคบของ SWE-2 Flash คือสิ่งที่หลักฐานสนับสนุน โมเดลที่ใช้งานจริง 12B ซึ่งผ่านการฝึกหลังการฝึกช่วงกลางและชุด RL ที่ตรวจสอบได้ดีกว่า ทำคะแนนได้ห่างจากเรือธงที่ใช้งานจริง 104B ไม่เกิน 4.5 คะแนนบน FrontierCode 1.1 Main และทัดเทียมกันบน FrontierCode 2.0 ในราคาเพียงหนึ่งในห้าภายในผลิตภัณฑ์เดียว หากสิ่งนี้ยังคงยืนได้ภายใต้การทดสอบอิสระ บทเรียนไม่ใช่่ว่าโมเดลเล็กตามทันแล้ว แต่คือใน coding agent ผลตอบแทนส่วนเพิ่มจากพารามิเตอร์ได้ลดลงต่ำกว่าผลตอบแทนส่วนเพิ่มจากคุณภาพของ verifier และบริษัทที่สามารถสร้างและตรวจสอบงานยากได้ มากกว่าบริษัทที่จ่ายไหวสำหรับฐานขนาดใหญ่ที่สุด จะเป็นผู้กำหนดจังหวะ นั่นเป็นข้ออ้างที่ใหญ่กว่าชัยชนะ 0.2 คะแนน และเป็นสิ่งที่น่าจับตามองในการทดสอบอิสระครั้งถัดไป