Giới thiệu SWE-2 Flash: Tám dòng benchmark và không có một endpoint nào

Cognition công bố SWE-2 Flash vào ngày 4 tháng 11 năm 2026, và bài đăng hào phóng một cách bất thường về số liệu: tám hàng benchmark, hai mức chênh lệch trước và sau huấn luyện, một con số tốc độ và một con số giá. Điều mà bài đăng không có là cách để gọi mô hình. SWE-2 Flash chạy bên trong Devin Desktop và Devin CLI, miễn phí đến ngày 30 tháng 11 năm 2026. Không có endpoint API, không có model ID, không có mức giá theo token và không có trọng số công khai. Đối với một bản ra mắt có tiêu đề là "nhanh và hiệu quả", điều hữu ích nhất mà một nhà phát triển có thể biết là hiệu quả hiện đang được đo bằng số đô-la mà bạn không phải trả, chứ không phải bằng số token mà bạn có thể mua.

Đó không phải là lời chê mô hình. Đó là hình thái của ưu đãi, và nó quyết định ai có thể hành động theo thông báo này ngay hôm nay và ai phải chờ.

Điều gì thực sự đã được phát hành vào ngày 4 tháng 11

Bảng thông số đủ ngắn để vừa trong một màn hình, điều này tự nó đã nói lên nhiều điều — Cognition công bố ít thông tin về mô hình này hơn so với những gì họ công bố về SWE-2 vào tháng 9.

• Mô hình cơ sở — được huấn luyện sau từ Inkling-Small, mô hình hỗn hợp chuyên gia trọng số mở của Thinking Machines Lab với tổng cộng 276B tham số và 12B tham số hoạt động, Apache 2.0 ở thượng nguồn.

• Phục vụ — Chỉ Devin Desktop và Devin CLI. Không có endpoint được lưu trữ, không có API của nhà cung cấp, không tải trọng số về.

• Giá — không có mức giá trên mỗi token nào được công bố. Truy cập miễn phí đến hết ngày 30 tháng 11 năm 2026.

• Tốc độ — khoảng 200 token mỗi giây so với 60 của SWE-2, một con số mà Cognition đưa ra bằng cách phát lại các bản ghi phiên đã rút gọn ở tốc độ mô phỏng thay vì đo thời gian trên một điểm cuối trực tiếp.

• Cửa sổ ngữ cảnh, đầu ra tối đa và cài đặt mức nỗ lực — không được nêu ở bất kỳ đâu trong bài đăng ra mắt.

Việc hoán đổi mô hình nền mới là phần kỹ thuật thực sự mới. SWE-2 được xây dựng trên Kimi K3, một mô hình nền có tổng 2,8T tham số / 104B tham số active. SWE-2 Flash nằm trên một mô hình nền nhỏ hơn khoảng một phần mười về tổng tham số và một phần tám về tham số active, và Cognition nói rằng phần lớn mức phục hồi chất lượng đến từ các tác vụ học tăng cường tốt hơn và các bộ xác minh đã được kiểm toán, chứ không phải từ quy mô. Bài đăng cũng mô tả giai đoạn huấn luyện giữa đầu tiên mà công ty đã dùng trước RL: vài nghìn tỷ token gồm bài báo khoa học, blog và mã nguồn, được chạy qua ba lượt với dữ liệu hiếm nhất ở lượt cuối.

Tuyên bố sẽ được lặp lại, và hàng mà nó dựa trên

Câu mà mọi người sẽ trích dẫn là SWE-2 Flash “vượt trội hơn tất cả các mô hình trọng số mở của Mỹ, kể cả những mô hình lớn hơn gấp 3 lần”. Điều đáng biết là chính xác bao nhiêu trong số đó còn đứng vững khi đối chiếu với bảng bên dưới.

So sánh trực tiếp duy nhất trên cùng một benchmark trong tài liệu ra mắt với một coder open-weight nhỏ hơn của Mỹ là Terminal-Bench 2.1, nơi SWE-2 Flash báo cáo 89,2 so với 54,9 của Flint v1.0. Đó là một khoảng cách lớn trên cùng một phiên bản benchmark, và đây là mẩu bằng chứng đơn lẻ mạnh nhất cho tuyên bố đó. Nhưng Flint v1.0 có tổng cộng 39,8B, và North Mini Code của Cohere là 30B — cả hai đều không lớn gấp 3 lần một mô hình 276B. Chúng nhỏ hơn, khiến việc đánh bại chúng trở nên không có gì đáng chú ý thay vì ấn tượng.

Các mô hình so sánh lớn hơn 3 lần trong bảng của chính Cognition là Muse Spark Open với tổng 616B tham số và DeepSeek V4.1 Flash 1017 với tổng 763B tham số. Trên DeepSWE 1.1, SWE-2 Flash báo cáo 60.1 so với 60.0 của Muse Spark Open — chênh lệch một phần mười điểm, nằm trong mọi dải nhiễu hợp lý, và mô hình mà nó đang được so sánh không được mô tả là open-weight trong cùng ngữ cảnh. Trong khi đó, DeepSeek V4.1 Flash 1017 không phải là mô hình Mỹ, nên hoàn toàn không thể là một phần của tuyên bố "open-weight của Mỹ". Đây cũng là mô hình đánh bại SWE-2 Flash trên Terminal-Bench 4.0 với cách biệt 22.3 điểm — 42.3 so với 20.0 — mức thua lớn nhất trong toàn bộ phép so sánh.

Không điều nào trong số này khiến tuyên bố trở nên sai. Nó chỉ khiến tuyên bố hẹp hơn vẻ ngoài: một benchmark dùng chung duy nhất đối chiếu với một mô hình trọng số mở của Mỹ, và một chiến thắng chỉ nằm trong sai số làm tròn trước một mô hình mà giấy phép của nó là một vấn đề riêng. Tất cả những số liệu này đều do chính Cognition đưa ra, được chạy trên một harness mà bài đăng không nêu tên.

Hai con số Terminal-Bench, chênh nhau bảy mươi điểm

Nếu bạn chỉ đọc một thứ duy nhất trên bảng của Cognition, hãy đọc cặp này. SWE-2 Flash đạt 20.0 trên Terminal-Bench 4.0 và 89.2 trên Terminal-Bench 2.1. Đó không phải là những ước tính cạnh tranh về cùng một thứ; chúng là các thế hệ benchmark khác nhau với bộ nhiệm vụ và độ khó khác nhau, và số phiên bản là thứ duy nhất phân biệt chúng khi nhìn thoáng qua. Một bảng ra mắt liệt kê cả hai mời gọi đúng cái lỗi so sánh 20.0 với điểm 2.1 của đối thủ, hoặc 89.2 với điểm 4.0 của đối thủ.

Quy tắc an toàn cho mô hình này, và cho bất kỳ mô hình nào mà nhà cung cấp báo cáo nhiều hơn một phiên bản Terminal-Bench: hãy so sánh 2.1 với 2.1 và 4.0 với 4.0, đồng thời nói rõ bạn đang trích dẫn phiên bản nào. Chúng tôi duy trì một ghi chú thường xuyên về điều này vì cách hiển thị văn bản đã được làm phẳng của bảng ra mắt đã gán nhầm một hàng trong nguồn tin thứ cấp.

Vì sao các trọng số lại nằm sau một cánh cửa — và cánh cửa đó là gì

Cognition định hình các trọng số bị giữ kín như một sự đánh đổi giữa tính minh bạch và rủi ro, và bài đăng nói về phía rủi ro một cách thẳng thắn bất thường. Công ty cho biết họ đã cố ý huấn luyện cho công việc bảo mật và nâng điểm ExploitBench từ 11,3 trong quá trình huấn luyện nền tảng lên 34,8 sau hậu huấn luyện. Việc công bố những trọng số đó sẽ đưa một mô hình viết khai thác có năng lực vào lưu hành chung.

Vậy nên thay vào đó là một chương trình. Trọng số sẽ được chia sẻ "một cách an toàn" với các đối tác và nhà nghiên cứu, và bài đăng hứa hẹn sẽ có thông tin chi tiết "trong vài tuần". Tính đến thời điểm viết bài này, không có mẫu đăng ký, không có tiêu chí đủ điều kiện, không có giấy phép, không có ngày và không có tuyên bố về việc trọng số được chia sẻ có thể được phân phối lại hoặc sử dụng thương mại hay không. Chương trình đối tác không phải là trọng số mở, và sự khác biệt này quan trọng với bất kỳ ai dự định tự triển khai: cho đến khi các điều khoản tồn tại, giả định lập kế hoạch đúng đắn là SWE-2 Flash sẽ không bao giờ có thể tải xuống.

Miễn phí đến ngày 30 tháng 11, sau đó chưa có giá

Ưu đãi thương mại là một tháng truy cập miễn phí bên trong Devin. Sau đó, không ai bên ngoài Cognition biết nó tốn bao nhiêu, vì không có mức giá trên mỗi token nào được công bố. Câu "một phần năm giá của SWE-2" là một tỷ lệ so với một sản phẩm có cách định giá gói riêng của nó, chứ không phải bảng giá cước.

Đó là một rủi ro lập kế hoạch thực sự nếu bạn đang cân nhắc xây dựng một quy trình làm việc xoay quanh nó. Một phụ thuộc không có giá còn tệ hơn một phụ thuộc đắt đỏ, vì bạn không thể mô hình hóa nó. Động thái hợp lý từ giờ đến ngày 30 tháng 11 là đo lường thứ bạn có thể đo lường — liệu chất lượng đầu ra của mô hình trong chính kho mã của bạn có biện minh cho việc chuyển đổi cấu hình Devin của bạn hay không — và coi câu hỏi về chi phí vẫn để ngỏ cho đến khi Cognition công bố một con số.

Những gì bạn thực sự có thể gọi hôm nay

SWE-2 Flash không có trên OrcaRouter và sẽ không có cho đến khi Cognition phát hành một endpoint hoặc một bản phát hành trọng số được cấp phép; chúng tôi sẽ không giả vờ điều ngược lại. Thứ có thể gọi được ngay lúc này là phần còn lại của lĩnh vực mà bản ra mắt này đang ngầm cạnh tranh — trong đó có Muse Spark 1.2 và 1.1 của Meta, cả hai đều đang hoạt động trong danh mục và đều là những mô hình đã đặt điểm DeepSWE 1.1 của SWE-2 Flash chênh lệch chỉ một phần mười điểm.

Nếu lý do bạn đang đọc bài này là bạn muốn một mô hình lập trình rẻ, nhanh trong vòng lặp agent trong tuần này chứ không phải vào tháng 12, thì đó là ngã rẽ thực tế: chờ giá và chương trình đối tác của Cognition, hoặc trỏ ứng dụng khách hiện tại của bạn tới một API cho hơn 200 mô hình và A/B các lựa chọn thay thế so với bộ kiểm thử của riêng bạn. OrcaRouter chuyển nguyên giá niêm yết của nhà cung cấp với mức đội giá 0%, vì vậy nếu Cognition cuối cùng công bố một mức giá, thì mức giá đó là thứ bạn sẽ thấy ở đây ngay ngày đầu tiên chứ không phải một con số của nhà bán lại đã bị đội giá.

Những gì bài đăng ra mắt đã bỏ sót

Bốn thiếu sót đáng được nêu ra vì chúng là những yếu tố quyết định liệu các con số có ý nghĩa gì hay không:

• Không có harness. Bài đăng SWE-2 hồi tháng 9 đã công bố scaffold và thiết lập effort của nó. Bản này thì không, khiến mọi điểm số agentic trở thành hộp đen.

• Không tiết lộ best-of-N. Chúng tôi không biết liệu đây là pass@1 hay best-of-five.

• Không có cửa sổ ngữ cảnh. Với một mô hình được định vị là lựa chọn rẻ bên trong một tác nhân, ngân sách ngữ cảnh không phải là chuyện phụ.

• Không có lần chạy độc lập nào. Mọi con số ở đây đều do nhà cung cấp tự báo cáo và chưa được tái lập, bao gồm điểm FrontierCode 2.0 là 24.0 — và FrontierCode là benchmark của chính Cognition, điều đáng ghi nhớ khi đó lại chính là dòng thể hiện một chiến thắng.

Điều cần để mắt tới không phải là một dòng benchmark khác. Mà là trang chương trình đối tác: ngày tháng, giấy phép và giá cả. Khi ba thứ đó xuất hiện, SWE-2 Flash trở thành một mô hình bạn có thể đánh giá. Cho đến lúc đó, nó chỉ là một bản demo được tài liệu hóa kỹ lưỡng kèm theo một tháng miễn phí.