Cognition SWE-2 Flash：折扣是真的，基礎模型才是新聞

SWE-2 Flash於 2026 年 11 月 4 日推出，並附上兩個數字：價格是SWE-2（Cognition 八週前發布的 2.8 兆參數模型）的五分之一，速度則是其三倍。兩者都是比值而非速率，且都是在 Devin 內測得。真正改變局面的一句話，反而更容易在快速掃讀時被略過：這個模型是Inkling-Small 的後訓練版本；後者是 Mira Murati 的 Thinking Machines Lab 所推出的 Apache-2.0 基礎模型。這是 Cognition 的程式設計模型首次並非衍生自中國的開放權重基礎模型，而這也正是另外兩個數字之所以存在的原因。

對於不是從電子報、而是從搜尋框進來的人：SWE-2 Flash 是一個程式設計模型，它運行於 Cognition 的代理產品中，並不是你能從自己的程式碼呼叫的東西。它沒有端點、沒有模型識別碼，也沒有價目表。發布文章提供了日期、基礎模型、訓練故事、一張數字表格，以及一個在 11 月 30 日結束的免費使用期。以下內容全都摘自那篇貼文、Cognition 自己的表格，以及可公開呼叫的替代方案——每個數字都附上來源。

什麼已推出，以及貼文中缺少的那兩個詞

Cognition 明確說明了發布通路。SWE-2 Flash 即日起可在 Devin Desktop 與 Devin CLI 中使用，而文章結尾橫幅寫著「11/30 前免費——立即在 Devin Desktop 與 CLI 試用」。這就是完整的發行說明。沒有 API 發布、沒有端點候補名單，也沒有 Hugging Face 儲存庫。

這項定價說法少了兩個字：「每 token」。「價格只有體型大得多的同系列模型五分之一，速度卻是它的三倍」這句話，說的是在 Devin 內完成一項任務要花多少錢，而這個數字把模型、執行框架、輔助結構與 Cognition 的服務堆疊全部併入同一張帳單。用這種方式為代理定價無可厚非，但這不是能用來和別人每百萬 token 價目表相比的費率。讀者若想把它換算成那樣的費率，只會失敗，因為文章從未說明那「五分之一」究竟是什麼的五分之一。

速度數字也需要同樣的解讀。Cognition 的速度章節說 200 tok/s，對比 SWE-2 的 60 tok/s，接著說明它測量了什麼：「每個模型各自在 Terminal-Bench 4.0 的 gsea-proteomics 任務上執行，並以模擬的每秒 200 個與 60 個 token 重播。逐字稿會縮短至等長以進行比較。」那是依照所述速率進行的重播，不是在負載下對兩個端點做即時計時。它告訴你的是預定的服務設定檔。它不會告訴你星期二下午兩點你會看到什麼。

基礎模型替換才是真正的發布

七週前，SWE-2 從 Kimi K3 後訓練而來——Moonshot 的 2.8 兆參數混合模型，每個 token 有 104B 活躍參數。SWE-2 Flash 則是從 Inkling-Small 後訓練而來，總參數 276B、活躍參數 12B，於七月以 Apache 2.0 授權發布。Cognition 自家的尺寸圖把新模型列為 1x、SWE-2 列為 10.1x，這是委婉地畫出活躍參數上八倍的差距。

那項取捨，正是讓這個價格說法在技術機制上站得住腳、而不只是宣傳話術的原因。服務成本與活躍參數及生成 token 數的連動程度，遠高於它與基準測試分數的連動程度；而一個 12B 活躍參數的模型，和一個 104B 活躍參數的模型屬於不同的服務級別。你不需要相信 Cognition 的效率敘事，也能接受一個小這麼多的模型可以賣到五分之一的價格。有趣的問題是：它保留了什麼。

Cognition 在全國層面上定調這次替換。這則貼文的第一行稱 SWE-2 Flash 是「一款完全美國的程式碼模型」，接著還說該模型「表現優於所有美國開放權重模型，甚至勝過大上 3 倍的模型」。這兩項說法照字面都成立，但都比聽起來的範圍更窄。「完全美國」描述的是供應鏈——美國實驗室的基礎權重，由美國公司進行後訓練——而不是護城河，因為 Inkling-Small 是 Apache 2.0，任何人都能下載，包括這項說法所針對的競爭對手。Cognition 實際控制的部分是中期訓練與 RL，而這正是它沒有釋出的部分。

存在於「Origins & Cyber」章節中的矛盾

這份發布內容中最值得引用的段落並不是某項基準測試，而是 Cognition 解釋模型權重為何留在自家不出門的那一節。

開頭描述了一位客戶，其需求不只是「一個位於 API 背後的強大模型」：企業與政府需要「可觀測性，以便在其自有基礎設施（包括地端環境）上託管與控制部署」，而研究人員則需要研究模型的行為方式。接著，文中直接闡明目標——「我們推出 SWE-2 Flash 的目標之一，是為產業夥伴與研究人員提供一個選項，讓他們能透明地存取權重，並能在敏感環境中微調與執行它。」

兩段之後：「我們尚未公開分享權重」，並承諾「幾週內」推出合作夥伴計畫，給出的理由是網路安全風險。Cognition 刻意為此進行訓練。同一節寫道，它「在訓練中鎖定網路安全工作，將模型的 ExploitBench 分數從 11.3% 提高到 34.8%」，隨後承認「這些相同能力也可能被惡意攻擊者利用」，並保留權重不公開。

若從政策角度解讀，這套邏輯前後一貫，卻令人不安：該節所描述的地端客戶無法取得專為他們訓練的模型，而所述障礙是 Cognition 選擇加入的一項能力。若解讀為關於該模型的證據，表格裡還有更犀利的細節。SWE-2 Flash 在 ExploitBench 上得分 34.8，而 SWE-2 為 36.1。Cognition 不願釋出的模型，與它已販售的旗艦模型相差僅 1.3 分。如果模型規模是安全論據，那個數字看起來會不一樣。

配方也變了，而這正是值得複製的部分。

Cognition 表示，這是它首次在強化學習之前加入中期訓練階段。該階段使用了「數兆個 token」的高品質科學文章、部落格、程式碼及其他來源，並分三輪進行，以便「模型會在訓練後期看到最稀缺、最高品質的資料」。這些混合比例是透過 token 效率實驗選出的：候選混合比例會在保留驗證集上執行，並比較每個混合比例需要多少 token 才能達到與基準相同的損失。

接著是強化學習（RL）階段。Cognition 異常坦率地說明這些進展從何而來：「雖然我們從 SWE-2 對 RL 配方做了一些調整，但大多數改善來自我們 RL 任務的品質與多樣性大幅提升。」文中描述了審核指令、環境設定與驗證器，以及策劃涵蓋更廣泛能力的新任務類型。這是資料與驗證器的故事，而非規模的故事，也是這次發布中最具可轉移性的一點。

躍升的幅度支持了這個解讀。相對於自家基礎模型，SWE-2 Flash 將 Terminal-Bench 4.0 從 0.9 提升到 20.0，並將 FrontierCode 2.0 從 3.2 提升到 24.0。無論後訓練成本為何，在一個 12B 活化參數模型上，它在一項基準上換得約為基礎模型分數二十倍的成績，在另一項上則是七倍。Cognition 沒有公布 mid-train 的 token 數量——只說「數兆」——也沒有公布算力，或任何能將 mid-train 與 RL 隔離的消融實驗。「這項增益是由新階段造成」的說法是 Cognition 的；其機制無法獨立驗證。

數字，以及頭條說法在哪裡站不住腳

以下全部都是 Cognition 自家的資料，出自其發布表格，且無一經過獨立重現。FrontierCode 是 Cognition 的基準測試，由外部維護者共同編寫，並由 Cognition 評分。

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

• FrontierCode 1.1 Main — 45.5 對 50.0

• DeepSWE 1.1 — 60.1 對比 73.0

• Terminal-Bench 4.0 — 20.0 對 27.3

• Terminal-Bench 2.1 — 89.2 對 92.8

• SWE-Atlas QA — 50.0 對 56.3

• SWE-Bench Pro v2 困難版 — 89.9 對 90.6

• ExploitBench — 34.8 對 36.1

其中一列是勝，七列是敗，而且多數敗差很小。Flash 在 FrontierCode 2.0 上與旗艦款持平，在 SWE-Bench Pro v2 Hard 上差距不到一分，在 DeepSWE 1.1 上則落後十三分。這樣的型態——在有界任務上接近，在長程任務上落後更多——是表格中最有用的資訊，也是我們另行比較這兩款模型的主題。

「大 3 倍」這個說法值得獨立成段，因為實際差距比這句話給人的印象更小。最接近的美國開放權重對照模型是 Muse Spark Open，總參數 616B、活躍參數 42B。在 DeepSWE 1.1 上，它得分 60.0，對上 SWE-2 Flash 的 60.1。只差 0.1 分。這個說法之所以站得住腳，是因為 Flash 在其他項目上的差距確實存在——在 Terminal-Bench 4.0 上是 20.0 對 8.0，在 FrontierCode 2.0 上是 24.0 對 6.2——但「甚至大 3 倍的模型」這個標題說法，在該模型最強的那一項上，靠的卻是一個捨入誤差。

同一張表中還有一欄呈現相反的情況。DeepSeek V4.1 Flash 1017 以 763B 總參數、16B 活躍參數，在八列中的四列擊敗 Flash：在 DeepSWE 1.1 上以 77.0 對 60.1，在 SWE-Atlas QA 上以 71.0 對 50.0，在 Terminal-Bench 4.0 上以 42.3 對 20.0，以及在 Terminal-Bench 2.1 上以 91.0 對 89.2。這些差距中有兩個，比 Flash 在整張表任何一處勝出的幅度都更大。「全美國開放權重模型」的說法是以國籍界定範圍，而表中最強的比較對象並不在這個範圍內。

缺少一條線束線路，會讓你付出什麼代價

SWE-2 的九月發布附帶了一份方法論附錄。附錄點名了各家廠商所使用的腳手架——Anthropic 模型用 Claude Code，OpenAI 模型用 Codex，xAI 用 Grok Build——並聲明每個模型在各種推理強度設定下的最佳分數皆已回報。Flash 的那篇貼文這些全都沒有。沒有測試框架，沒有強度設定，沒有說明這些數字是否為 best-of-N，也沒有任何註腳解釋該表格。

那項遺漏對小型模型而言，比對大型模型更重要，因為 Flash 的論點是後訓練已彌合了差距。如果兩個 Cognition 模型是在不同的測試腳手架中執行，那麼 FrontierCode 0.2 分差距的一部分就來自測試框架。如果 SWE-2 那一列是它的最佳努力設定，而 Flash 只有一種設定，這種比較就是拿最佳情況去對比未知情況。三項揭露就能修正這點：每一列的測試框架、每一列的努力設定，以及由非 Cognition 的人員對 Terminal-Bench 4.0 進行一次獨立執行。

這週你可以怎麼稱呼

這裡什麼都沒有。SWE-2 Flash 沒有端點，也沒有第三方平台提供它——沒有可供路由的識別碼。你能呼叫的是那些被拿來與它比較的模型，而這兩種情況之間的落差，正是這次發布在實務上的寫照。

DeepSeek V4 Flash 已在 OrcaRouter 上提供路由，型號為 deepseek/deepseek-v4-flash，具備 100 萬 token 上下文與 384K 最大輸出，這些規格 DeepSeek 有公布，Cognition 則未為 Flash 公布。Kimi K3 是 SWE-2 後訓練所依據的基礎模型，已在 OrcaRouter 上提供路由，型號為 kimi/kimi-k3，每百萬輸入 token 收費 3.00 美元，每百萬輸出 token 收費 15.00 美元。單一 API 以供應商定價涵蓋超過 200 個模型，不額外加價，因此廠商調價當天就会反映到你這裡，而不必等路由器的排程。如果你正在測試一個 12B 活躍參數的後訓練模型是否足以應付你的佇列，這項測試就必須針對一個你實際能呼叫的 12B 活躍參數模型來執行，並在其後配置備援鏈，以免試用變成正式環境的依賴。

SWE-2 Flash 的狹義解讀，才是證據所支持的那一種。一個 12B 活躍參數模型，經過 mid-train 與一套審核更嚴謹的 RL 資料集後訓練，在 FrontierCode 1.1 Main 上與 104B 活躍參數的旗艦模型差距在 4.5 分以內，並在 FrontierCode 2.0 上與之持平，而價格僅為五分之一，且是在同一產品內。如果這在獨立測試下仍成立，教訓並不是小模型追上了。而是：在程式設計代理中，參數的邊際報酬已低於驗證器品質的邊際報酬——而且，能生成並審核困難任務的公司，而非那些能負擔最大基礎模型的公司，將引領節奏。這是一個比 0.2 分勝利更大的主張，也是下一次獨立評測中值得關注的那一個。