Cognition SWE-2 Flash: Chiết khấu là thật, mô hình cơ sở mới là tin đáng chú ý

SWE-2 Flash ra mắt ngày 4 tháng 11 năm 2026 với hai con số được gắn kèm: giá bằng một phần năm và tốc độ gấp ba lần SWE-2, mô hình 2,8 nghìn tỷ tham số mà Cognition phát hành tám tuần trước đó. Cả hai đều là tỷ lệ so sánh chứ không phải tốc độ tuyệt đối, và cả hai đều được đo bên trong Devin. Câu thực sự tạo ra thay đổi lại dễ bị bỏ qua khi đọc lướt: mô hình này là bản post-train của Inkling-Small, mô hình nền Apache-2.0 từ Thinking Machines Lab của Mira Murati. Đây là lần đầu tiên một trong các mô hình lập trình của Cognition không bắt nguồn từ một mô hình nền trọng số mở Trung Quốc, và đó là lý do hai con số kia tồn tại.

Đối với những ai đến từ ô tìm kiếm thay vì từ một bản tin: SWE-2 Flash là một mô hình lập trình, nó chạy bên trong các sản phẩm agent của Cognition, và đây không phải thứ bạn có thể gọi từ mã của riêng mình. Không có endpoint, không có mã định danh mô hình và không có bảng giá. Bài đăng ra mắt cung cấp cho bạn một ngày, một mô hình cơ sở, một câu chuyện huấn luyện, một bảng số liệu và một khoảng thời gian miễn phí kết thúc vào ngày 30 tháng 11. Mọi thứ dưới đây được rút ra từ bài đăng đó, bảng của chính Cognition và các lựa chọn thay thế có thể gọi công khai — kèm nguồn cho từng con số.

Những gì đã ra mắt, và hai từ còn thiếu trong bài đăng

Cognition nói rõ về phạm vi phân phối. SWE-2 Flash hiện có sẵn ngay hôm nay trong Devin Desktop và Devin CLI, và biểu ngữ kết thúc của bài viết ghi: “Miễn phí đến hết 30/11 — Dùng thử ngay hôm nay trong Devin Desktop và CLI.” Đó là toàn bộ câu chuyện phân phối. Không có ra mắt API, không có danh sách chờ cho endpoint và không có kho lưu trữ Hugging Face.

Hai từ còn thiếu trong tuyên bố về giá là “trên mỗi token”. “Với mức giá bằng một phần năm và tốc độ gấp 3 lần so với người anh em lớn hơn nhiều của nó” là một phát biểu về chi phí của một tác vụ bên trong Devin, vốn gộp mô hình, harness, scaffolding và ngăn xếp phục vụ của Cognition vào một hóa đơn. Đó là một cách định giá hợp lý cho một agent, và nó không phải là mức giá mà bạn có thể so sánh với bảng giá trên mỗi triệu token của bất kỳ ai khác. Một người đọc cố quy đổi nó thành một mức giá như vậy sẽ thất bại, vì bài đăng không bao giờ nói một phần năm đó là một phần năm của cái gì.

Con số tốc độ cần cùng một cách hiểu. Phần tốc độ của Cognition nêu 200 tok/s so với 60 tok/s của SWE-2, rồi giải thích những gì đã đo: "Lần chạy riêng của từng mô hình trên tác vụ gsea-proteomics của Terminal-Bench 4.0, được phát lại ở tốc độ mô phỏng 200 so với 60 token mỗi giây. Bản ghi được rút ngắn để có độ dài bằng nhau nhằm so sánh." Đó là phát lại ở các tốc độ đã nêu, không phải đo thời gian trực tiếp hai endpoint dưới tải. Nó cho bạn biết cấu hình phục vụ dự kiến. Nó không cho bạn biết bạn sẽ thấy gì vào 2 giờ chiều thứ Ba.

Việc hoán đổi mô hình cơ sở chính là bản phát hành thực sự.

Bảy tuần trước, SWE-2 được hậu huấn luyện từ Kimi K3 — mô hình hỗn hợp 2,8 nghìn tỷ tham số của Moonshot, với 104B tham số hoạt động trên mỗi token. SWE-2 Flash được hậu huấn luyện từ Inkling-Small, tổng cộng 276B và 12B hoạt động, phát hành theo Apache 2.0 vào tháng Bảy. Biểu đồ kích thước của chính Cognition đặt mô hình mới ở mức 1x và SWE-2 ở mức 10,1x, một cách nói lịch sự để vẽ ra khoảng cách gấp tám lần về tham số hoạt động.

Việc hoán đổi đó chính là thứ khiến tuyên bố về giá có cơ sở về mặt cơ chế vận hành chứ không chỉ mang tính quảng bá. Chi phí phục vụ phụ thuộc vào số tham số hoạt động và số token được sinh ra nhiều hơn hẳn so với việc phụ thuộc vào điểm đánh giá chuẩn, và một mô hình 12B hoạt động thuộc một hạng phục vụ khác với mô hình 104B hoạt động. Bạn không cần tin vào câu chuyện hiệu quả của Cognition để chấp nhận rằng một mô hình nhỏ hơn đến mức này có thể được bán với giá bằng một phần năm. Câu hỏi thú vị là nó đã giữ lại được những gì.

Cognition định khung việc hoán đổi này ở tầm quốc gia. Dòng đầu tiên của bài đăng gọi SWE-2 Flash là “một mô hình lập trình hoàn toàn Mỹ”, và bài viết tiếp tục nói rằng mô hình này “vượt trội hơn mọi mô hình open-weight của Mỹ, kể cả những mô hình lớn gấp 3 lần.” Cả hai phát biểu đều đúng như được viết, và cả hai đều hẹp hơn vẻ ngoài của chúng. “Hoàn toàn Mỹ” mô tả một chuỗi cung ứng — trọng số nền của một phòng thí nghiệm Mỹ, được hậu huấn luyện bởi một công ty Mỹ — chứ không phải một hào bảo vệ, bởi Inkling-Small dùng Apache 2.0 và bất kỳ ai cũng có thể tải xuống, kể cả những đối thủ mà tuyên bố này nhắm tới. Phần mà Cognition thực sự kiểm soát là mid-train và RL, và đó chính là phần mà họ không phát hành.

Mâu thuẫn nằm ngay trong phần Origins & Cyber

Đoạn đáng trích dẫn nhất trong bản công bố không phải là một benchmark. Mà là phần Cognition giải thích lý do vì sao các trọng số vẫn ở nhà.

Mở đầu bằng việc mô tả một khách hàng cần nhiều hơn “một mô hình có năng lực đằng sau một API”: các doanh nghiệp và chính phủ cần “khả năng quan sát để tự vận hành và kiểm soát các triển khai trên hạ tầng của riêng họ, bao gồm cả tại chỗ”, và các nhà nghiên cứu cần nghiên cứu cách một mô hình hoạt động. Sau đó, văn bản nêu rõ mục tiêu — “Một trong những mục tiêu của chúng tôi với SWE-2 Flash là cung cấp cho các đối tác trong ngành và các nhà nghiên cứu một lựa chọn cho phép truy cập minh bạch vào trọng số cùng khả năng tinh chỉnh và chạy nó trong các môi trường nhạy cảm.”

Hai đoạn sau: "chúng tôi chưa công khai chia sẻ các trọng số", với một chương trình đối tác được hứa hẹn "trong vài tuần tới", và lý do được đưa ra là rủi ro an ninh mạng. Cognition đã cố ý huấn luyện cho việc này. Cùng phần đó nói rằng nó "nhắm vào công việc an ninh mạng trong quá trình huấn luyện của chúng tôi, nâng điểm ExploitBench của mô hình từ 11.3% lên 34.8%", rồi thừa nhận rằng "chính những năng lực này cũng có thể bị những kẻ tấn công độc hại sử dụng" và giữ kín các trọng số.

Đọc như chính sách, logic này mạch lạc nhưng không thoải mái: khách hàng on-prem mà phần này mô tả không thể có mô hình đã được huấn luyện cho họ, và rào cản được nêu là một năng lực mà Cognition đã chọn thêm vào. Đọc như bằng chứng về mô hình, có một chi tiết sắc nét hơn trong bảng. SWE-2 Flash đạt 34,8 trên ExploitBench so với 36,1 của SWE-2. Mô hình mà Cognition sẽ không phát hành chỉ kém 1,3 điểm so với mô hình chủ lực mà họ đang bán. Nếu kích thước là lập luận về an toàn, con số đó sẽ trông khác.

Công thức cũng đã thay đổi, và đó chính là phần đáng để sao chép.

Cognition cho biết đây là lần đầu tiên họ thêm một giai đoạn huấn luyện trung gian trước khi học tăng cường. Giai đoạn này đã sử dụng "vài nghìn tỷ token" từ các bài báo khoa học, blog, mã nguồn và các nguồn khác có chất lượng cao, đồng thời chạy qua ba lượt để "mô hình sẽ thấy dữ liệu khan hiếm nhất, chất lượng cao nhất ở giai đoạn sau trong quá trình huấn luyện." Các hỗn hợp được chọn thông qua các thí nghiệm về hiệu quả token: các hỗn hợp ứng viên được chạy đối chiếu với một tập xác thực giữ riêng và so sánh về số token mà mỗi hỗn hợp cần để đạt cùng mức loss như một baseline.

Sau đó là lượt RL. Cognition tỏ ra thẳng thắn một cách bất thường về nguồn gốc của những cải thiện: "Dù chúng tôi đã thực hiện một số điều chỉnh đối với công thức RL của mình từ SWE-2, phần lớn cải thiện đến từ chất lượng và độ đa dạng cao hơn nhiều của các tác vụ RL." Bài viết mô tả việc kiểm toán hướng dẫn, thiết lập môi trường và các bộ xác minh, cùng việc tuyển chọn các loại tác vụ mới trên phạm vi năng lực rộng hơn. Đó là câu chuyện về dữ liệu và bộ xác minh, không phải câu chuyện về quy mô, và đó là điều có thể chuyển giao nhất trong bản phát hành này.

Quy mô của bước nhảy ủng hộ cách diễn giải này. So với bản nền của chính nó, SWE-2 Flash đưa Terminal-Bench 4.0 từ 0.9 lên 20.0 và FrontierCode 2.0 từ 3.2 lên 24.0. Dù chi phí hậu huấn luyện là bao nhiêu, nó đã đổi lấy điểm số cao hơn khoảng hai mươi lần so với mô hình nền trên một benchmark và gấp bảy lần trên một benchmark khác, trên một mô hình có 12B tham số hoạt động. Điều Cognition không công bố là số token cho giai đoạn mid-train ngoài mức "vài nghìn tỷ", lượng compute, hay bất kỳ ablation nào tách biệt mid-train khỏi RL. Tuyên bố rằng giai đoạn mới đã tạo ra mức tăng này là của Cognition; cơ chế không thể được kiểm chứng một cách độc lập.

Những con số, và chỗ mà tuyên bố chính trở nên thiếu vững chắc

Tất cả những thông tin sau đây đều là của chính Cognition, lấy từ bảng ra mắt của họ, và chưa có thông tin nào được tái lập độc lập. FrontierCode là benchmark của Cognition, được viết cùng với những người bảo trì bên ngoài và được chấm điểm bởi Cognition.

• FrontierCode 2.0 — SWE-2 Flash 24.0 so với SWE-2 23.8

• FrontierCode 1.1 Main — 45,5 so với 50,0

• DeepSWE 1.1 — 60.1 so với 73.0

• Terminal-Bench 4.0 — 20,0 so với 27,3

• Terminal-Bench 2.1 — 89,2 so với 92,8

• SWE-Atlas QA — 50,0 so với 56,3

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

• ExploitBench — 34.8 so với 36.1

Một hàng là thắng và bảy hàng là thua, phần lớn đều là thua sát nút. The Flash ngang bằng với mẫu flagship trên FrontierCode 2.0, kém trong vòng một điểm trên SWE-Bench Pro v2 Hard, và kém mười ba điểm trên DeepSWE 1.1. Hình thái đó — bám sát ở các tác vụ có phạm vi giới hạn, tụt lại xa hơn ở các tác vụ dài hạn — là điều hữu ích nhất trong bảng, và đó là chủ đề trong bài so sánh riêng của chúng tôi về hai mô hình.

Tuyên bố “lớn hơn 3 lần” xứng đáng có một đoạn riêng vì khoảng cách mỏng hơn câu nói gợi ý. Mô hình so sánh trọng số mở của Mỹ gần nhất là Muse Spark Open, tổng cộng 616B và 42B hoạt động. Trên DeepSWE 1.1, nó đạt 60,0 so với 60,1 của SWE-2 Flash. Một phần mười điểm. Tuyên bố vẫn đứng vững vì các khoảng cách khác của Flash là có thật — 20,0 so với 8,0 trên Terminal-Bench 4.0, 24,0 so với 6,2 trên FrontierCode 2.0 — nhưng tiêu đề “ngay cả những mô hình lớn hơn 3 lần” lại dựa, ở hàng mà mô hình đó mạnh nhất, vào một sai số làm tròn.

Cũng có một cột trong cùng bảng lại cho kết quả ngược lại. DeepSeek V4.1 Flash 1017, với tổng cộng 763B tham số và 16B tham số hoạt động, đánh bại Flash ở bốn trong tám hàng: 77.0 so với 60.1 trên DeepSWE 1.1, 71.0 so với 50.0 trên SWE-Atlas QA, 42.3 so với 20.0 trên Terminal-Bench 4.0 và 91.0 so với 89.2 trên Terminal-Bench 2.1. Hai trong số những mức chênh lệch đó lớn hơn bất kỳ mức nào mà Flash thắng được ở bất cứ đâu trong bảng. Tuyên bố “tất cả các mô hình trọng số mở của Mỹ” được giới hạn theo quốc tịch, và đối tượng so sánh mạnh nhất trong bảng nằm ngoài phạm vi đó.

Thiếu một dòng harness khiến bạn tốn kém những gì

Bản ra mắt tháng 9 của SWE-2 đi kèm một phụ lục phương pháp luận. Phụ lục nêu rõ scaffold được dùng cho từng nhà cung cấp — Claude Code cho các mô hình Anthropic, Codex cho các mô hình OpenAI, Grok Build cho xAI — và tuyên bố rằng điểm số tốt nhất của mỗi mô hình trên các thiết lập mức nỗ lực suy luận đều được báo cáo. Bài đăng Flash không có bất kỳ điều nào trong số đó. Không có harness, không có thiết lập mức nỗ lực, không có tuyên bố về việc liệu các con số có phải là best-of-N hay không, và không có chú thích nào giải thích bảng.

Việc thiếu thông tin đó quan trọng hơn đối với một mô hình nhỏ so với một mô hình lớn, vì lập luận của Flash là quá trình hậu huấn luyện đã thu hẹp một khoảng cách. Nếu hai mô hình của Cognition được chạy trong các scaffold khác nhau, thì một phần của chênh lệch 0,2 điểm trên FrontierCode là do harness. Nếu dòng của SWE-2 là thiết lập nỗ lực tốt nhất của nó còn Flash chỉ có một thiết lập, thì phép so sánh là lấy trường hợp tốt nhất đối chiếu với một ẩn số. Ba thông tin công bố sẽ khắc phục điều này: harness theo từng dòng, thiết lập nỗ lực theo từng dòng, và một lần chạy độc lập Terminal-Bench 4.0 do một người không thuộc Cognition thực hiện.

Những gì bạn có thể gọi trong tuần này

Không có gì ở đây. SWE-2 Flash không có endpoint và không có nền tảng bên thứ ba nào cung cấp nó — không có định danh nào để định tuyến. Thứ bạn có thể gọi là các mô hình mà nó đang được so sánh với, và khoảng cách giữa hai tình huống chính là câu chuyện thực tiễn của bản phát hành.

DeepSeek V4 Flash được định tuyến trên OrcaRouter dưới dạng deepseek/deepseek-v4-flash, với ngữ cảnh 1M token và đầu ra tối đa 384K mà DeepSeek công bố còn Cognition thì không công bố cho Flash. Kimi K3, mô hình cơ sở mà SWE-2 được post-train từ đó, được định tuyến trên OrcaRouter với giá 3,00 USD mỗi triệu token đầu vào và 15,00 USD mỗi triệu token đầu ra dưới dạng kimi/kimi-k3. Một API bao phủ hơn 200 mô hình theo giá niêm yết của nhà cung cấp mà không cộng thêm phụ phí, nên thay đổi giá từ nhà cung cấp đến với bạn ngay trong ngày thay vì theo lịch của router. Nếu bạn đang kiểm tra xem một post-train 12B-active có đủ tốt cho hàng đợi của bạn hay không, thì bài kiểm tra đó phải chạy trên một mô hình 12B-active mà bạn thực sự có thể gọi, với một chuỗi dự phòng phía sau nó để một lần chạy thử không trở thành phụ thuộc production.

Cách lý giải hẹp về SWE-2 Flash là cách mà bằng chứng ủng hộ. Một mô hình 12B active, được post-train trên một mid-train và một bộ RL được kiểm toán tốt hơn, đạt mức chênh lệch trong vòng 4,5 điểm so với một mô hình flagship 104B active trên FrontierCode 1.1 Main và ngang bằng trên FrontierCode 2.0, với mức giá bằng một phần năm trong cùng một sản phẩm. Nếu điều đó đứng vững dưới thử nghiệm độc lập, bài học không phải là các mô hình nhỏ đã bắt kịp. Mà là trong các coding agent, lợi suất biên trên tham số đã giảm xuống dưới lợi suất biên trên chất lượng verifier — và những công ty có thể tạo ra và kiểm toán các tác vụ khó, chứ không phải những công ty có thể chi trả cho nền tảng lớn nhất, sẽ dẫn dắt nhịp độ. Đó là một tuyên bố lớn hơn một chiến thắng 0,2 điểm, và đó là điều đáng theo dõi cho lần chạy độc lập tiếp theo.