推出 SWE-2 Flash：八行基准测试成绩，却没有一个端点

Cognition 于 2026 年 11 月 4 日发布了 SWE-2 Flash，这篇帖子在数字上异常慷慨：八行基准测试结果、两组训练前后的差值、一个速度数字和一个价格数字。但它没有包含的是调用该模型的方式。SWE-2 Flash 在 Devin Desktop 和 Devin CLI 中运行，截至 2026 年 11 月 30 日免费。没有 API 端点、没有模型 ID、没有按 token 计费的价格，也没有公开权重。对于一场以“快速且高效”为标题的发布来说，开发者最该知道的是：目前的效率是以你不用支付多少美元来衡量的，而不是以你能购买多少 token 来衡量的。

这不是对模型的贬低。这是这项优惠的形态，它决定了谁能今天就根据这一公告采取行动，谁又必须等待。

11月4日实际发布了什么

规格表短到一屏就能装下，这本身就说明问题——Cognition 关于这个模型公布的信息，比它在九月公布的关于 SWE-2 的信息还要少。

• 基础模型——在 Inkling-Small 基础上进行后训练；Inkling-Small 是 Thinking Machines Lab 的开放权重混合专家模型，总参数 276B、激活参数 12B，上游采用 Apache 2.0 许可证。

• 服务方式——仅限 Devin Desktop 和 Devin CLI。不提供托管端点，不提供供应商 API，也不提供权重下载。

• 价格 — 未公布每 token 费率。在 2026 年 11 月 30 日之前可免费使用。

• 速度——约为每秒 200 个 token，而 SWE-2 为 60 个；这一数字是 Cognition 通过以模拟速率回放缩短后的会话记录得出的，而非对实时端点进行计时。

• 上下文窗口、最大输出和 effort 设置——发布帖中均未说明。

基础模型的更换才是真正全新的工程工作。SWE-2 构建在 Kimi K3 之上，这是一个总参数 2.8T、激活参数 104B 的基础模型。SWE-2 Flash 所依托的基础模型，总参数大约只有其十分之一，激活参数大约只有其八分之一，而 Cognition 表示，大部分质量恢复来自更好的强化学习任务和经过审计的验证器，而不是来自规模。该文章还描述了公司在 RL 之前使用的首个中期训练阶段：使用数万亿 token 的科学文章、博客和代码，分三遍进行，并把最稀有的数据放在最后。

将被重复的主张，以及它所依赖的那一行

大家都会引用的一句话是，SWE-2 Flash“胜过所有美国开放权重模型，甚至包括规模大 3 倍的模型”。值得确切了解的是，这句话在与下方表格对照后还能有多少成立。

发布材料中，与更小的美国开放权重代码模型进行的唯一直接同基准比较是 Terminal-Bench 2.1：SWE-2 Flash 报告 89.2，而 Flint v1.0 为 54.9。在共享的同一基准版本上，这是很大的差距，也是该说法最强有力的单一证据。但 Flint v1.0 总参数为 39.8B，Cohere 的 North Mini Code 为 30B——两者都不比一个 276B 模型大 3 倍。它们更小，这使得击败它们并不出众，而非令人印象深刻。

Cognition 自家表格中规模大 3 倍的对比模型是总参数 616B 的 Muse Spark Open 和总参数 763B 的 DeepSeek V4.1 Flash 1017。在 DeepSWE 1.1 上，SWE-2 Flash 报告 60.1，而 Muse Spark Open 为 60.0——相差 0.1 分，落在任何合理噪声范围内，而且被拿来与它比较的模型并没有在同一语境下被称为开放权重。与此同时，DeepSeek V4.1 Flash 1017 不是美国模型，因此根本不能算作“美国开放权重”主张的一部分。它也是在 Terminal-Bench 4.0 上以 22.3 分优势击败 SWE-2 Flash 的模型——42.3 对 20.0——这是整个对比中最大的单项落后。

这些都不足以说明该说法是错的。它只是让这一说法比听起来更狭窄：一场与某个美国开放权重模型共用的基准测试，以及对一个许可证另当别论的模型取得的、小到可视为舍入误差的胜利。所有这些数字都出自 Cognition 自己，运行于一篇帖子并未点名的测试框架之上。

两个 Terminal-Bench 数字，相差七十分

如果你只从 Cognition 的表格里看一项内容，那就看这一对。SWE-2 Flash 在 Terminal-Bench 4.0 上得分 20.0，在 Terminal-Bench 2.1 上得分 89.2。它们并不是对同一事物的两种相互竞争的估计；它们属于不同的基准代际，任务集不同、难度也不同，而乍看之下，版本号是唯一能区分它们的东西。一个同时列出这两者的发布表格，恰恰会招致这样的错误：拿 20.0 去和竞争对手的 2.1 分数相比，或者拿 89.2 去和竞争对手的 4.0 分数相比。

对于这个模型，以及任何供应商报告了不止一个 Terminal-Bench 版本的模型，稳妥的规则是：把 2.1 和 2.1 比较，把 4.0 和 4.0 比较，并说明你引用的是哪一个。我们一直为此保留一条持续更新的备注，因为发布表格的扁平化文本渲染已经在二手报道中错误地分配了一行。

为什么权重在一扇门后面——以及那扇门是什么

Cognition 将扣留模型权重描述为透明度与风险之间的权衡，而这篇文章对风险一面异常直白。该公司表示，它有意针对安全领域进行训练，并将 ExploitBench 分数从基础训练期间的 11.3 提升到后训练后的 34.8。发布这些权重会让一个具备编写漏洞利用程序能力的模型进入广泛流通。

因此，取而代之的是一个合作计划。模型权重将“安全地”与合作伙伴和研究人员共享，帖子承诺“几周内”公布细节。截至本文撰写时，没有申请表、没有资格标准、没有许可证、没有日期，也没有关于共享权重是否可再分发或用于商业用途的声明。合作计划不等于开放权重，这一区别对任何计划自行托管的人都很重要：在条款出现之前，正确的规划假设是 SWE-2 Flash 永远不会可下载。

11月30日前免费，之后价格待定

商业优惠是在 Devin 内免费使用一个月。之后，Cognition 之外没人知道它要多少钱，因为没有公布按 token 计费的费率。“价格是 SWE-2 的五分之一”这句话是相对于一个本身采用捆绑定价的产品而言的比例，并不是费率表。

如果你正在考虑围绕它构建工作流，那这是一个真实的规划风险。未定价的依赖比昂贵的依赖更糟，因为你无法对其建模。从现在到11月30日，明智的做法是衡量你能衡量的东西——也就是模型在你自己的代码仓库中的输出质量是否足以证明切换你的 Devin 配置是合理的——并且把成本问题视为悬而未决，直到 Cognition 公布一个数字。

你今天实际可以调用什么

SWE-2 Flash 不在 OrcaRouter 上，而且在 Cognition 发布端点或授权权重发布之前也不会上线；我们不会假装事实并非如此。目前可调用的是本次发布隐含着要与之竞争的其他模型——其中包括 Meta 的 Muse Spark 1.2 和 1.1，这两款都已上线目录，而且正是它们把 SWE-2 Flash 的 DeepSWE 1.1 得分差距拉到十分之一分。

如果你读到这里的原因，是你想在本周而不是等到十二月，在智能体循环里用上一个便宜、快速的编程模型，那么实际的选择就摆在这里：要么等 Cognition 公布定价和合作伙伴计划，要么让你现有的客户端接入 一个覆盖 200 多个模型的 API，并用你自己的测试套件对这些替代方案做 A/B 测试。OrcaRouter 以 0% 加价透传提供商的标价，所以如果 Cognition 最终公布了费率，你在这里第一天看到的就是该费率，而不是经销商加价后的数字。

发布帖中遗漏了什么

有四处遗漏值得指出，因为正是它们决定了这些数字是否有意义：

• 没有评测框架。九月那篇 SWE-2 文章披露了其脚手架和投入设置。这篇没有，因此每个智能体任务的分数都成了黑箱。

• 未披露 best-of-N 设置。我们无从得知这些结果是 pass@1 还是五选一中的最佳结果。

• 没有上下文窗口。对于一款在智能体中定位为低成本选项的模型来说，上下文预算绝不是可以忽略的注脚。

• 没有独立运行。此处的每一个数字均由厂商自行报告、未经复现，包括 FrontierCode 2.0 的 24.0 分——而 FrontierCode 本就是 Cognition 自家的基准测试，当它恰好是显示胜出的那一行时，这一点值得记在心里。

值得关注的不是又一行基准测试成绩，而是合作伙伴计划页面：日期、许可证和价格。当这三者齐备时，SWE-2 Flash 才会成为一个你可以评估的模型。在那之前，它只是一个附带一个月免费试用、文档齐全的演示。