شركة Cognition تطلق SWE-2: تحقق 50% على FrontierCode بتكلفة أقل بنسبة 64%

أعلنت شركة Cognition عن إطلاق SWE-2، وهو أقوى نماذجها للبرمجة حتى الآن. حقق النموذج 50.0% في اختبار FrontierCode 1.1 Main، وهو ما يقل بمقدار 0.9 نقطة فقط عن Fable 5.1، ولكن بتكلفة أقل بنسبة 64%. تم تدريب النموذج استناداً إلى Kimi K3 الذي يضم 2.8 تريليون معيار. ووفقاً للشركة، تعد هذه المرة الأولى التي تنجح فيها بتوسيع نطاق التعلم المعزز (RL) ليصل إلى فئة التريليونات المتعددة. يتوفر SWE-2 اليوم عبر Devin Desktop وواجهة السطر البرمجي CLI، بينما يجري طرحه حالياً على Devin Web وFusion.

الأرقام في مواجهة المنافسين

تقارن Cognition نموذج SWE-2 بالنسخة الأساسية من Kimi K3، وGrok 4.6، وFable 5.1، وGPT-5.6 Sol، وGPT-6 Astra، بالإضافة إلى نموذجها السابق SWE-1.7. وبحسب الشركة، يتفوق SWE-2 على SWE-1.7 وGrok 4.6 من حيث الجودة والتكلفة معاً. كما يتعادل في الأداء مع GPT-5.6 Sol وFable 5/5.1 لكن بتكلفة أقل بكثير. وتفصله بضع نقاط فقط عن GPT-6 Astra، في حين تبلغ تكلفته ربع سعر الأخير فقط.

• FrontierCode 1.1 Main: حقق 50.0% (مقابل 44.2% لـ Kimi K3، و50.9% لـ Fable 5.1، و53.3% لـ GPT-6 Astra، و42.0% لـ SWE-1.7).
• DeepSWE 1.1: حقق 73.0% (مقابل 68.5% لـ Kimi K3، و72.7% لـ GPT-5.6 Sol، و74.1% لـ GPT-6 Astra، و37.7% لـ SWE-1.7).
• Terminal-Bench 2.1: حقق 92.8% مقابل 91.4% لـ Fable 5.1.
• Terminal-Bench 4: حقق 27.3%. الفارق هنا ضخم للغاية؛ إذ يسجل Fable 5.1 نسبة 55.8%، وGPT-6 Astra نسبة 57.9%. ومع ذلك، يتفوق SWE-2 على SWE-1.7 (الذي سجل 7.6%) بنحو أربعة أضعاف.

تُظهر هذه النتائج ابتعاد النماذج الرائدة بفارق واسع في اختبار Terminal-Bench 4. ويعود الفضل في تحقيق نمو قدره 5–6 نقاط مقارنة بـ Kimi K3 في العديد من الاختبارات إلى الضبط الدقيق عبر التعلم المعزز (RL)؛ حيث توضح Cognition أن النموذج الأساسي كان يمتلك بالفعل إمكانات غير مستغلة.

منهجية التدريب: دمج التكلفة في دالة المكافأة

يتمثل الابتكار المنهجي الأساسي في إدراج غرامة التكلفة مباشرة داخل دالة المكافأة. تُحسب المكافأة وفق المعادلة: R = S − λe·C، حيث تمثل S القيمة 1 عند نجاح التشغيل و0 عند الفشل، وتعبّر C عن تكلفة التشغيل (مزيج من تكلفة الاستدلال بالدولار والوقت المستغرق)، بينما يرمز e إلى مستوى جهد الاستدلال (reasoning effort). يجري ضبط المعامل λe ليتوافق مع الانحدار المحلي لمنحنى باريتو للنموذج الأساسي عند ذلك المستوى.

وأثبتت Cognition في الملحق الرياضي ضرورة أن تكون الغرامة خطية، نظراً لأنها الصيغة الوحيدة التي تعمل بالكفاءة نفسها قبل وبعد حساب المتوسط عبر المهام. فإذا تم تعيين λ بقيمة شديدة الارتفاع، سيبدأ النموذج عند مستوى high-effort بالتصرف مثل مستوى medium؛ مما يخفض التكلفة بوتيرة أسرع من نسبة إنجاز المهام، فترتفع المكافأة شكلياً دون إزاحة الحدود الفعلية للأداء. وتُدرب جميع مستويات الجهد في عملية تدريب واحدة، مستفيدة من تخصيص Kimi K3 لخبراء مستقلين لكل مجال ومستوى جهد، تعقبها خطوة التقطير (distillation).

ولتعزيز استقرار التدريب، تعتمد Cognition خط أساس جماعي موزون بالطول، وهو الأسلوب المتبع منذ إصدار SWE-1.6. يتطلب خط الأساس الأمثل عادةً ممر تراجع (backward pass) إضافياً، لكن معيار التدرج يرتبط بقوة بطول مسار المعاينة (rollout). لذلك، جرى استبداله بحاصل قسمة مجموع Ri·Li على مجموع Li. وأظهرت اختبارات الاستئصال (ablations) أن هذا الإجراء يُبقي تباعد كولباك-ليبلير (KL) بين مرحلتي الاستدلال والتدريب عند مستويات منخفضة.

ولتسريع مسارات المعاينة (rollouts): دمجت أداة prefill delayer الطلبات المتقاربة، مما رفع معدل TPM على معالجات GPU ومعدل TPS لكل طلب بنسبة 10–20%. ونظراً لفقدان فك الترميز التخميني (DSpark) كفاءته مع تعديل السياسات، أُعيد تدريب نموذج المسودة عبر SpecForge، مما زاد أطوال التسلسلات المقبولة بنسبة 15%. كما قللت نويات NVFP4/FP8 والتدريب المدرك للتكميم (quantization-aware training) من استهلاك الذاكرة. ونتيجة لذلك، جاء الانحراف بين التدريب والاستدلال أدنى مقارنة بـ SWE-1.7 مع الحفاظ على إنتاجية مماثلة، رغم أن النموذج أضخم بنحو ثلاثة أضعاف. وجرى مضاعفة بيئات التعلم المعزز ثلاث مرات، مع إضافة طبقات توجيه، والاستعانة بنقاط التحقق (checkpoints) السابقة لـ SWE-2 لتشديد شروط أدوات التحقق.

سلوك الوكيل وما يعنيه للمطورين

يبرز الأثر الأوضح في تقليص عدد الخطوات؛ ففي اختبار FrontierCode 1.1 Main، يستهلك SWE-1.7 نحو 127 خطوة في المتوسط لكل مهمة، مقارنة بـ 53 خطوة لـ SWE-2 medium، و80 خطوة لـ high، و98 خطوة لـ max.

ويُجري نموذج medium أول تعديل فعلي للكود عند الوسيط الحسابي للخطوة 18، مقابل الخطوة 48 في SWE-1.7. يحل هذا التطور شكاوى المستخدمين من استغراق النموذج السابق وقتاً طويلاً في استكشاف الأكواد بالمهام البسيطة.

وعلاوة على ذلك، يعد إعداد medium أسرع وأرخص بنسبة 81% مقارنة بـ SWE-1.7 مع تحقيق نتائج أعلى. تشير Cognition أيضاً إلى تحسينات نوعية ملموسة: أصبحت الاختبارات أكثر شمولاً، واستطاع النموذج استرجاع البيانات من سجل Slack عند تعطل تكامل بروتوكول سياق النموذج (MCP).

وفي حال طرح المستخدم فرضية معينة، يعمد SWE-2 إلى اختبارها بدقة بدلاً من التسليم بصحتها تلقائياً.

من الناحية العملية، يُنصح بالاعتماد على مستوى medium للمهام البسيطة والمتوسطة، كونه ينتقل إلى التنفيذ بسرعة أكبر، مع قصر استخدام المستويين high وmax على التعديلات المعقدة التي تستدعي تخطيطاً وفحصاً متعدد المراحل. وإذا كانت طبيعة مهامك قريبة من معيار Terminal-Bench 4 — أي تتضمن سيناريوهات طرفية طويلة ومعقدة — فينبغي التحوط بهامش أمان أو تجربة GPT-6 Astra وFable 5.1. ونظراً لأن الأرقام الحالية مقدمة من شركة Cognition نفسها، فمن الأفضل اختبار SWE-2 على مستودعك البرمجي الخاص لمقارنة تكلفة كل مهمة تُنجز بنجاح.