隆重推出 SWE-2 Flash：八個基準測試列，卻連一個端點也沒有

Cognition 於 2026 年 11 月 4 日宣布 SWE-2 Flash，這篇貼文在數字上異常大方：八行基準測試結果、兩項訓練前後的差異、一個速度數字和一個價格數字。但它沒有包含的是呼叫該模型的方法。SWE-2 Flash 在 Devin Desktop 和 Devin CLI 中執行，2026 年 11 月 30 日前免費。沒有 API 端點、沒有模型 ID、沒有每 token 費率，也沒有公開權重。對於一個主打「快速且高效」的發布而言，開發者最該知道的是：目前的效率是以你不用支付的美元來衡量，而不是以你能購買的 token 來衡量。

這不是在貶低這個模型。這是這項方案的形態，而它決定了誰今天能針對這則公告採取行動，誰則必須等待。

11 月 4 日實際上出貨了什麼？

規格表短到能在一螢幕內看完，這本身就很有資訊量——Cognition 對這個模型公布的內容，比它九月對 SWE-2 公布的還少。

基礎模型——以 Inkling-Small 後訓練而成；Inkling-Small 是 Thinking Machines Lab 的開放權重混合專家模型，總參數量 276B、活躍參數 12B，上游採 Apache 2.0 授權。

• 服務方式 —— 僅限 Devin Desktop 與 Devin CLI。不提供託管端點、不提供廠商 API，也不提供權重下載。

• 價格 — 未公布每 token 的費率。可免費使用至 2026 年 11 月 30 日。

• 速度——約每秒 200 個 token，相較於 SWE-2 的 60；這個數字是 Cognition 透過以模擬速率重播縮短後的工作階段逐字稿得出，而不是對實際運作中的端點進行計時。

• 上下文視窗、最大輸出與 effort 設定——發布貼文中完全未提及。

基礎模型的替換才是真正全新的工程工作。SWE-2 建構於 Kimi K3 之上，這是一個總參數量 2.8T、活躍參數量 104B 的基礎模型。SWE-2 Flash 所依據的基礎模型，總參數量約為其十分之一、活躍參數量約為其八分之一，而 Cognition 表示，大部分的品質恢復來自更好的強化學習任務與經過稽核的驗證器，而非來自規模。該文章也描述了公司在 RL 之前首度採用的第一個中訓練階段：數兆個 token 的科學文章、部落格與程式碼，分三輪執行，並將最稀有的資料放在最後。

那個將被反覆複述的主張，以及它所依據的那一行

所有人都會引用的那句話是：SWE-2 Flash「表現優於所有美國的開放權重模型，甚至勝過規模大上三倍的模型」。值得確切弄清楚的是，這句話在與其下方那張表格對照之後，究竟還剩下多少成立。

在發布資料中，唯一與較小的美國開放權重程式碼模型進行直接且同基準比較的，是 Terminal-Bench 2.1；其中 SWE-2 Flash 回報 89.2，而 Flint v1.0 為 54.9。這是在共用基準版本上的大幅差距，也是支持該說法最有力的單一證據。但 Flint v1.0 的總參數量為 39.8B，Cohere 的 North Mini Code 為 30B——兩者都不是 276B 模型的三倍大。它們更小，因此擊敗它們並不稀奇，也稱不上令人印象深刻。

Cognition 自家表格中規模大 3 倍的比較對象，是總參數量 616B 的 Muse Spark Open，以及總參數量 763B 的 DeepSeek V4.1 Flash 1017。在 DeepSWE 1.1 上，SWE-2 Flash 回報 60.1，對上 Muse Spark Open 的 60.0——相差十分之一點，落在任何合理雜訊範圍內，而且與其比較的模型並未在同一句話中被描述為開放權重。另一方面，DeepSeek V4.1 Flash 1017 不是美國模型，因此根本不可能列入「美國開放權重」的主張。它也是在 Terminal-Bench 4.0 上以 22.3 分擊敗 SWE-2 Flash 的模型——42.3 對 20.0——這是整份比較中最大的單一落敗幅度。

這些都不會使這項主張變成假的。它只是讓這項主張比聽起來更狹隘：一項共享基準，對上一個美國開放權重模型，以及對上一個授權條款另當別論的模型所取得的、僅相當於捨入誤差的勝利。所有這些數字都是 Cognition 自家的，且是在該文章未具名的測試框架上跑出來的。

兩個 Terminal-Bench 數字，相差七十分

如果你只從 Cognition 的表格中讀一件事，就讀這一對。SWE-2 Flash 在 Terminal-Bench 4.0 上得分 20.0，在 Terminal-Bench 2.1 上得分 89.2。這兩者並不是對同一件事的相互競爭估計；它們是不同世代的基準，具有不同的任務集與不同的難度，而版本號是乍看之下唯一能區分它們的東西。一份同時列出兩者的發布表格，正好會招致把 20.0 拿來跟競爭對手的 2.1 分數相比，或把 89.2 拿來跟競爭對手的 4.0 分數相比的錯誤。

對這個模型，以及任何廠商回報超過一個 Terminal-Bench 版本的模型，安全的準則都是：將 2.1 與 2.1 相比、4.0 與 4.0 相比，並說明你引用的是哪一個。我們持續記錄這一點，因為發布表格的扁平化文字呈現，已經在次要報導中把某一列誤配了。

為什麼權重藏在門後——以及那扇門是什麼

Cognition 將未釋出的權重界定為透明度與風險之間的取捨，而這則貼文對風險面異常直言。該公司表示，他們刻意針對安全工作進行訓練，並將 ExploitBench 分數從基礎訓練期間的 11.3 提升到後訓練後的 34.8。公布這些權重，將使一個有能力撰寫漏洞利用程式的模型進入一般流通。

所以取而代之的是一項計畫。權重將會「安全地」與合作夥伴及研究人員共享，而貼文承諾會在「幾週內」公布細節。截至本文撰寫時，沒有申請表、沒有資格條件、沒有授權條款、沒有日期，也沒有聲明共享權重是否可再散布或用於商業用途。合作夥伴計畫不等於開放權重，而這項區別對任何打算自行託管的人來說都很重要：在條款出現之前，正確的規劃假設是 SWE-2 Flash 永遠不會開放下載。

11月30日前免費，之後價格未定

這項商業優惠是在 Devin 內提供一個月的免費使用權。在那之後，Cognition 以外沒有人知道它的價格，因為並未公布任何按 token 計費的費率。「價格只要 SWE-2 的五分之一」這句話，是相對於一個本身採用整套搭售定價的產品所做的比例，而不是一份價目表。

如果你正考慮圍繞它建立一套工作流程，那這確實是一項真實的規劃風險。未定價的依賴比昂貴的依賴更糟，因為你無法對它建模。從現在到11月30日之間，明智的做法是衡量你能衡量的事——也就是模型在你自己的儲存庫中的輸出品質，是否足以證明切換你的 Devin 配置是合理的——並且在 Cognition 公布具體數字之前，把成本問題視為尚未確定。

你今天實際可以撥打的電話

SWE-2 Flash 並未上架 OrcaRouter，而且在 Cognition 推出端點或授權權重釋出之前都不會上架；我們不會假裝情況不是如此。現在真正可呼叫的是這次發布隱含與之競爭的同一領域其餘模型——其中包括 Meta 的 Muse Spark 1.2 和 1.1，兩者都已收錄在目錄中，也都是把 SWE-2 Flash 的 DeepSWE 1.1 分數定在十分之一分上的模型。

如果你讀到這裡的原因，是你想在本週、而不是等到十二月，就在代理迴圈中使用便宜又快速的程式設計模型，那麼實際上的分岔路是：等待 Cognition 的定價與合作夥伴計畫，或把你現有的用戶端指向一個可存取超過 200 個模型的 API，並用你自己的測試套件對替代方案做 A/B 測試。OrcaRouter 以 0% 加價直接轉嫁供應商標價，因此如果 Cognition 最終公布費率，你第一天在這裡看到的就是那個費率，而不是經銷商加價後的數字。

發布貼文遺漏了什麼

有四處遺漏值得特別指出，因為正是這些遺漏決定了那些數字是否具有任何意義：

• 沒有測試框架。九月的 SWE-2 文章揭露了其腳手架與努力程度設定。這篇則沒有，這使得每一項代理分數都成了黑箱。

• 未揭露 best-of-N 資訊。我們不知道這些是 pass@1 還是 best-of-five。

• 沒有上下文視窗。對於一個在代理中被定位為廉價選項的模型而言，上下文預算絕非可有可無的細節。

• 未經獨立執行。此處每一項數字皆為廠商自行提報且未經重現，包括 FrontierCode 2.0 的 24.0 分——而 FrontierCode 是 Cognition 自家的基準測試，當顯示勝出的正是這一列時，這點值得記住。

真正值得關注的不是又一行基準測試成績，而是合作夥伴計畫頁面：日期、授權條款和價格。當這三項都出現時，SWE-2 Flash 才會成為一個你可以評估的模型。在那之前，它只是一個附帶一個月免費試用、文件齊全的示範。