Cognition SWE-2 Flash：折扣是真的，基础模型才是真正的新闻

SWE-2 Flash于2026年11月4日发布，并附带两个数字：价格是SWE-2的五分之一，速度是其三倍；SWE-2是Cognition八周前发布的2.8万亿参数模型。这两个都是比值而非速率，且均在Devin内部测得。真正改变局面的那句话反而更容易被一眼略过：这个模型是在Inkling-Small基础上后训练而成，后者是来自Mira Murati的Thinking Machines Lab的Apache-2.0基础模型。这是Cognition的编程模型首次并非源自中国开放权重基础模型，也正是另外两个数字得以存在的原因。

对于从搜索框而非新闻邮件进来的人：SWE-2 Flash 是一个编程模型，运行在 Cognition 的智能体产品内部，并不是你可以从自己的代码中调用的东西。没有端点、没有模型标识符，也没有价目表。发布文章给出了日期、基础模型、训练故事、一张数字表格，以及一个截至 11 月 30 日的免费窗口。以下所有内容均摘自那篇发布文章、Cognition 自己的表格以及可公开调用的替代方案——每个数字都附有来源。

发布了什么，以及帖子中缺失的那两个词

Cognition 明确说明了发布渠道。SWE-2 Flash 今天已在 Devin Desktop 和 Devin CLI 中可用，文章结尾的横幅写着“免费至 11/30 — 今天就在 Devin Desktop 和 CLI 中试用”。这就是全部的分发信息。没有 API 发布，没有端点等候名单，也没有 Hugging Face 仓库。

这项定价声明中缺少的两个词是“每 token”。“价格只有其大得多的同系列模型的五分之一，速度却是其三倍”这句话，说的是在 Devin 内部完成一项任务需要多少成本；这个成本把模型、执行框架、脚手架以及 Cognition 的 serving 栈合并成了一张账单。用这种方式给 agent 定价是合理的，但它并不是一个可以与其他人每百万 token 的价目表相比较的费率。读者若想把它换算成那种费率，注定会失败，因为文章从未说明这个“五分之一”是相对于什么而言的五分之一。

速度数字也需要同样的解读。Cognition 的速度部分称其为 200 tok/s，而 SWE-2 为 60 tok/s，随后解释了它测量的是什么：“每个模型各自在 Terminal-Bench 4.0 的 gsea-proteomics 任务上的运行，以模拟的每秒 200 个与 60 个 token 回放。为便于比较，转录文本被缩短到相同长度。”那只是按所述速率进行的回放，并不是对两个端点在实际负载下的实时计时。它告诉你的是预期的服务配置，并不会告诉你周二下午两点你会看到什么。

基础模型的更换才是真正的发布。

七周前，SWE-2 基于 Kimi K3 后训练而来——Kimi K3 是 Moonshot 的 2.8 万亿参数混合模型，每个 token 激活 104B。SWE-2 Flash 则基于 Inkling-Small 后训练而来，总参数 276B、激活 12B，于 7 月在 Apache 2.0 许可下发布。Cognition 自己的规模图表将新模型标为 1x，将 SWE-2 标为 10.1x，这不过是以委婉方式点出两者在激活参数上八倍的差距。

这次替换正是让价格主张在机制上站得住脚、而非只是宣传说辞的原因。服务成本更多取决于活跃参数量和生成的 token 数，而不是基准测试分数；一个 12B 活跃参数的模型与一个 104B 活跃参数的模型属于不同的服务等级。你无需相信 Cognition 的效率叙事，也能接受一个规模小得多的模型可以卖到五分之一的价格。真正有趣的问题是：它保留了什么。

Cognition 从国家层面为这次替换定调。帖子的第一行称 SWE-2 Flash 是“一个完全美国的编程模型”，接着又说该模型“胜过所有美国开放权重模型，甚至胜过规模大 3 倍的模型”。这两种说法按字面看都属实，但范围都比听起来更窄。“完全美国”描述的是供应链——美国实验室的基础权重，由一家美国公司进行后训练——而不是护城河，因为 Inkling-Small 采用 Apache 2.0，任何人都可以下载，包括该说法针对的竞争对手。Cognition 实际控制的部分是 mid-train 和 RL，而这正是它没有发布的部分。

“Origins & Cyber”部分中存在的矛盾

这份公告中最值得引用的一段并不是基准测试，而是 Cognition 解释权重为何不对外发布的那一节。

文章开篇描述了一类客户，他们需要的不仅仅是“API 背后有一个能力足够的模型”：需要“可观测性，以便在自有基础设施（包括本地部署）上托管和控制部署”的企业和政府，以及需要研究模型行为方式的研究人员。随后，文章直白地阐明了目标——“我们推出 SWE-2 Flash 的目标之一，是为行业合作伙伴和研究人员提供一个选项，使其能够透明地访问权重，并能够在敏感环境中对其进行微调和运行。”

两段之后：“我们尚未公开分享权重”，并承诺“在几周内”推出合作伙伴计划，给出的理由是网络安全风险。Cognition 有意为此进行了训练。同一节称，它“在训练中针对网络安全工作进行了定向优化，将模型的 ExploitBench 得分从 11.3% 提升到 34.8%”，随后承认“这些相同的能力也可能被恶意攻击者利用”，并拒绝公开权重。

从政策角度看，这套逻辑自洽却令人不安：本节所述的本地部署客户无法获得专为他们训练的模型，而所述障碍是 Cognition 选择添加的一项能力。若将其视为关于该模型的证据，表格中有一个更尖锐的细节。SWE-2 Flash 在 ExploitBench 上得分为 34.8，而 SWE-2 为 36.1。Cognition 不愿发布的模型与其已在销售的旗舰模型相差不到 1.3 分。如果规模是安全论据，这个数字会有所不同。

配方也变了，而这正是值得照搬的部分

Cognition 表示，这是它首次在强化学习之前加入一个中间训练阶段。该阶段使用了“数万亿个 token”的高质量科学文章、博客、代码及其他来源的数据，并分三轮进行，以便“模型在训练后期看到最稀缺、最高质量的数据”。这些数据混合配比是通过 token 效率实验选出的：候选混合配比会在留出验证集上运行，并比较各自需要多少 token 才能达到与基线相同的损失。

然后是 RL 阶段。Cognition 异常坦率地说明了收益来源：“虽然我们对源自 SWE-2 的 RL 配方做了一些调整，但大部分改进来自我们 RL 任务质量和多样性的显著提升。”它描述了审计指令、环境搭建和验证器，以及在更广泛能力范围内策划新任务类型。这是一个关于数据和验证器的故事，而不是关于规模的故事，也是此次发布中最具可迁移性的东西。

跃升幅度支持这一解读。相对于自身基座，SWE-2 Flash 将 Terminal-Bench 4.0 从 0.9 提升到 20.0，将 FrontierCode 2.0 从 3.2 提升到 24.0。无论后训练成本如何，它在一个 12B 激活参数模型上，于一个基准换来了约为基础模型得分二十倍的成绩，于另一个基准换来了七倍的成绩。Cognition 没有公布的是：mid-train 的 token 数（除了“几万亿”之外）、算力，或任何将 mid-train 与 RL 分离的消融实验。新阶段带来了增益这一说法属于 Cognition；其机制无法被独立核验。

数据，以及标题中的说法在哪里开始站不住脚

以下所有内容均属于 Cognition 自己，来自其发布表格，且没有任何一项被独立复现。FrontierCode 是 Cognition 的基准测试，由外部维护者共同编写，并由 Cognition 评分。

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

• FrontierCode 1.1 主线 — 45.5 对比 50.0

• DeepSWE 1.1 — 60.1 对比 73.0

• Terminal-Bench 4.0 — 20.0 对比 27.3

• Terminal-Bench 2.1 — 89.2 对比 92.8

• SWE-Atlas QA — 50.0 对比 56.3

• SWE-Bench Pro v2 Hard — 89.9 对 90.6

• ExploitBench — 34.8 对比 36.1

一行是胜绩，七行是失利，且大多是小幅落后。Flash 在 FrontierCode 2.0 上与旗舰持平，在 SWE-Bench Pro v2 Hard 上相差不到一分，在 DeepSWE 1.1 上落后十三分。这种格局——在有界任务上接近，在长周期任务上落后更多——是表格中最有用的信息，也正是我们单独对这两个模型进行比较的主题。

“大 3 倍”这一说法值得单独用一段来说明，因为实际差距比这句话所暗示的要小。最接近的美国开放权重对照模型是 Muse Spark Open，总参数 616B，激活参数 42B。在 DeepSWE 1.1 上，它得分 60.0，而 SWE-2 Flash 为 60.1。只差十分之一分。这一说法之所以成立，是因为 Flash 在其他方面的优势是真实的——在 Terminal-Bench 4.0 上为 20.0 对 8.0，在 FrontierCode 2.0 上为 24.0 对 6.2——但“甚至比大 3 倍的模型”这一标题性说法，在那个模型最强的这一行上，却建立在一个舍入误差之上。

同一张表中还有一列呈现出相反的情况。DeepSeek V4.1 Flash 1017 总参数 763B、激活参数 16B，在八行中的四行上胜过 Flash：DeepSWE 1.1 上为 77.0 对 60.1，SWE-Atlas QA 上为 71.0 对 50.0，Terminal-Bench 4.0 上为 42.3 对 20.0，Terminal-Bench 2.1 上为 91.0 对 89.2。其中两个差距比 Flash 在这张表里任何一处胜出的差距都要大。“全美开放权重模型”这一说法是按国籍划定的，而表中最强的对比对象并不在这一范围之内。

缺少的那根线束线路会让你付出什么代价

SWE-2 的九月发布附有一份方法论附录。附录列出了各家厂商所用的脚手架——Anthropic 模型用 Claude Code，OpenAI 模型用 Codex，xAI 用 Grok Build——并说明所报告的是每个模型在各项推理强度设置下的最佳得分。而 Flash 的帖子完全没有这些内容。没有测试框架，没有推理强度设置，没有说明这些数字是否为 best-of-N，也没有任何解释该表格的脚注。

这种遗漏对小模型的影响比大模型更大，因为 Flash 的论点是后训练弥合了差距。如果两个 Cognition 模型是在不同的脚手架中运行的，那么 FrontierCode 上 0.2 分的差异就有一部分来自评测框架。如果 SWE-2 那一行是它的最佳努力设置，而 Flash 只有一个设置，那么这个比较就是拿最佳情况去对比一个未知情况。三项披露就能解决这个问题：每一行所用的评测框架、每一行的努力设置，以及由 Cognition 以外的人对 Terminal-Bench 4.0 进行一次独立运行。

本周你可以称为什么

这里什么都没有。SWE-2 Flash 没有端点，也没有任何第三方平台提供它——没有可用于路由的标识符。你能调用的是那些被拿来与它比较的模型，而这两种情况之间的差距，正是这次发布背后的现实故事。

DeepSeek V4 Flash 在 OrcaRouter 上路由，模型标识为 deepseek/deepseek-v4-flash，具备 100 万 token 上下文和 38.4 万最大输出；这些规格由 DeepSeek 公布，而 Cognition 并未公布 Flash 的对应规格。 Kimi K3 是 SWE-2 进行后训练所基于的基座模型，其在 OrcaRouter 上路由，价格为每百万输入 token 3.00 美元、每百万输出 token 15.00 美元，模型标识为 kimi/kimi-k3。一个 API 以供应商的标价覆盖 200 多个模型，且不额外加价，因此供应商调价会在当天传递给你，而不是按路由器的节奏。如果你在测试一个 12B 激活参数的后训练模型是否足以满足你的队列需求，那么该测试必须针对一个你实际可以调用的 12B 激活模型来运行， 并在其背后配有回退链，这样试用就不会变成生产依赖。

对 SWE-2 Flash 的狭义解读，正是证据所支持的那一种。一个 12B-active 模型，在经过 mid-train 和一套审计更完善的 RL 集合后训练之后，在 FrontierCode 1.1 Main 上与 104B-active 旗舰模型的差距落在 4.5 分以内，并在 FrontierCode 2.0 上与之持平，而在同一产品内，价格仅为后者的五分之一。如果这一点在独立测试下依然成立，那么得到的教训并不是小模型追上来了。而是在编码智能体中，参数带来的边际回报已经低于验证器质量带来的边际回报——并且，能够生成并审计高难度任务的公司，而不是那些负担得起最大底座的公司，将决定节奏。这比 0.2 分的胜利是更大的主张，也是下一次独立评测中值得关注的那一个。