Cognition تطلق SWE-2 Flash: أرخص بخمس مرات، وتحل 20% من مهام اختبار الطرفية بدل 0,9%

لا يحتاج معظم العمل اليومي لوكلاء البرمجة إلى أغلى نموذج متاح. فمراجعة pull request، أو تحديث README بعد تغيير الإعدادات، أو إغلاق مهمة صغيرة في نظام تتبع المهام، كلها أعمال لا يلزمها نموذج رائد، بينما تتراكم كلفته وبطؤه بسرعة. أطلقت Cognition نموذج SWE-2 Flash، وتصفه بأنه نموذج برمجة أمريكي بالكامل. وهو أرخص بخمس مرات من SWE-2 الأكبر وأسرع منه بثلاث مرات: نحو 200 رمز في الثانية مقابل 60 (الرمز هو جزء صغير من النص، يعادل تقريبًا مقطعًا أو مقطعين). وتحسنت الجودة أيضًا: ففي Terminal-Bench 4.0، حيث يشغّل الوكيل الأوامر بنفسه في الطرفية ويحل مهام تطبيقية، مثل تحليل بيانات بيولوجية، ينجز النموذج 20% من المهام. أما النموذج الأساسي Inkling-Small فأنجز 0,9%.

ماذا تحقق في السرعة والسعر

أصبح SWE-2 Flash متاحًا الآن في Devin Desktop وDevin CLI. ويبرز فارق السرعة في جلسات الوكلاء الطويلة، حيث يقرأ النموذج الملفات ويشغّل الاختبارات ويعدّل الشيفرة عشرات المرات متتالية. فكل توقف يتحول إلى انتظار، والاستجابة الأسرع بثلاث مرات تقلّص هذا الانتظار بوضوح.

يقوم النموذج على Inkling-Small من Thinking Machines، وهو يضم 276 مليار معامل في المجموع، يُفعَّل منها 12 مليارًا في الوقت نفسه. وللمقارنة، يبلغ هذا الرقم في Beam 1.0 نحو 501 مليار، وفي Muse Spark Open نحو 816 مليارًا، وفي SWE-2 نحو 2,8 تريليون. وبحسب Cognition، يتفوق Flash في أبرز الاختبارات على جميع النماذج الأمريكية مفتوحة الأوزان، بما فيها النماذج التي يفوقها حجمها بثلاث مرات.

من أين جاء التحسن

الجديد الأبرز في الوصفة هو التدريب الوسيط (mid-training) قبل التعلم المعزز. ولم تكن Cognition تعتمد هذه المرحلة من قبل. وجمع الفريق مجموعة بيانات من عدة تريليونات من الرموز: أوراق علمية ومدونات وشيفرة برمجية ومصادر أخرى. وجرى التدريب على ثلاث مراحل، وكانت أندر البيانات وأعلاها جودة هي التي رآها النموذج في النهاية.

ولضبط نسب البيانات، قارن المهندسون بين خلطات مختلفة: كم رمزًا يلزم للوصول إلى الخطأ نفسه على عينة تحقق مؤجلة كما في التشغيل الأساسي. وقد جمع الفريق هذه العينة بنفسه، وهي تعكس مهام تطوير حقيقية.

ثم جاء التعلم المعزز واسع النطاق. ولم تتغير الوصفة نفسها إلا قليلًا، أما المكسب الرئيسي فجاء، بحسب Cognition، من المهام. فقد دقق الفريق التعليمات وإعداد البيئة والسكربتات المُحقِّقة، وأضاف أنواعًا جديدة من المهام ليتعلم النموذج الاستدلال على نطاق أوسع.

النتائج مقارنةً بالنموذج الأساسي Inkling-Small:

• Terminal-Bench 4.0: من 0,9% إلى 20,0%؛
• FrontierCode 2.0: من 3,2% إلى 24,0%؛
• DeepSWE 1.1: من 17,4% إلى 60,1%؛
• ExploitBench: من 11,3% إلى 34,8%.

وفي FrontierCode 2.0 سجّل Flash نسبة 24,0% مقابل 23,8% لـ SWE-2 الأكبر. أما في Terminal-Bench 4.0 فيبقى النموذج الأكبر متقدمًا (27,3% مقابل 20,0%)، وفي DeepSWE 1.1 يتسع الفارق أكثر (73,0% مقابل 60,1%).

المخاطر السيبرانية والأوزان المغلقة

درّبت Cognition النموذج على الأمن السيبراني بشكل منفصل ليساعد المدافعين. وارتفعت نتيجته في ExploitBench، وهو اختبار لإنشاء ثغرات الاستغلال (exploits)، بنحو ثلاثة أضعاف. لكن المهارات نفسها مفيدة للمهاجمين أيضًا، وتعدّ الشركة الارتفاع الأخير في الهجمات السيبرانية سببًا لعدم نشر الأوزان علنًا.

وبدلًا من ذلك، تُعدّ الشركة برنامجًا تحصل بموجبه على الأوزان جهات صناعية موثوقة ومختبرات بحثية. وسيكون بإمكان هذه الجهات مواصلة تدريب النموذج وتشغيله في بيئات مغلقة، ومنها خوادمها الخاصة. وتَعِد الشركة بنشر التفاصيل خلال أسابيع قليلة.

ماذا تفعل بهذا الخبر

إذا كان وكلاؤك يراجعون الشيفرة في الأساس ويكتبون التوثيق ويغلقون مهام صغيرة، فمن المنطقي أن تجرّب Flash وتقارن نتائجه بنتائج النموذج الأغلى. ويمكن فعل ذلك مجانًا حتى 30 نوفمبر. وعلى الفرق ذات المتطلبات الصارمة للخصوصية أن تتابع شروط برنامج الوصول إلى الأوزان.

والتحفظات واضحة. جميع الأرقام صادرة عن Cognition نفسها، ولا توجد حتى الآن اختبارات مستقلة. ويظل SWE-2 الأكبر أقوى في المهام المعقدة، أما نموذج يحل خُمس مهام الطرفية فلا يمكنه حتى الآن أن يحل محل المهندس. ومع ذلك، فإن اجتماع السعر والسرعة والجودة يجعله مرشحًا جديًا للأعمال الآلية واسعة النطاق.