Cognition выпустила SWE-2: 50% на FrontierCode при цене ниже на 64%

Cognition представила SWE-2, свою самую сильную модель для программирования. На FrontierCode 1.1 Main она набирает 50,0%. Это на 0,9 пункта меньше, чем у Fable 5.1, при цене на 64% ниже. Модель дообучена из Kimi K3 с 2,8 трлн параметров. По заявлению компании, это первый случай, когда она масштабировала RL до мультитриллионного диапазона. Сегодня SWE-2 доступна в Devin Desktop и CLI, а в Devin Web и Fusion её выкатывают.

Цифры против конкурентов

Cognition сравнивает SWE-2 с базовой Kimi K3, Grok 4.6, Fable 5.1, GPT-5.6 Sol, GPT-6 Astra и собственной SWE-1.7. По заявлению компании, SWE-2 обходит SWE-1.7 и Grok 4.6 и по качеству, и по цене. С GPT-5.6 Sol и Fable 5/5.1 она сравнима по качеству, но заметно дешевле. От GPT-6 Astra её отделяет несколько пунктов, зато стоит она четверть цены.

• FrontierCode 1.1 Main: 50,0% (Kimi K3 — 44,2%, Fable 5.1 — 50,9%, GPT-6 Astra — 53,3%, SWE-1.7 — 42,0%).
• DeepSWE 1.1: 73,0% (Kimi K3 — 68,5%, GPT-5.6 Sol — 72,7%, GPT-6 Astra — 74,1%, SWE-1.7 — 37,7%).
• Terminal-Bench 2.1: 92,8% против 91,4% у Fable 5.1.
• Terminal-Bench 4: 27,3%. Здесь отрыв огромен: Fable 5.1 набирает 55,8%, GPT-6 Astra — 57,9%. Зато SWE-1.7 с 7,6% SWE-2 обходит почти вчетверо.

То есть на Terminal-Bench 4 лидеры уходят далеко вперёд. Рост на 5–6 пунктов относительно Kimi K3 на многих тестах даёт именно RL-дообучение. Cognition пишет, что у базовой модели оставался значительный запас.

Как обучали: цена внутри награды

Главное методологическое новшество — штраф за стоимость прямо в функции награды. Награда считается как R = S − λe·C. Здесь S равно 1 при успешном прогоне и 0 при неудачном, C — стоимость прогона (смесь долларов за инференс и времени), а e — уровень reasoning effort.

Коэффициент λe подбирают под локальный наклон парето-кривой базовой модели на этом уровне. Cognition доказывает в приложении, что штраф должен быть линейным: только он одинаково работает до и после усреднения по задачам. Если λ задать слишком большим, модель на high-effort начнёт вести себя как medium.

Стоимость упадёт сильнее, чем решаемость, награда вырастет, а граница не сдвинется. Все уровни effort обучаются в одном прогоне. У Kimi K3 для этого отдельные эксперты по доменам и уровням с последующей дистилляцией.

Стабильность обучения повышает взвешенная по длине групповая базовая линия, которую Cognition использует с SWE-1.6. Оптимальная базовая линия требует лишнего backward-прохода, но норма градиента сильно коррелирует с длиной роллаута. Поэтому ее заменяют на сумму Ri·Li, делённую на сумму Li. В абляциях это держит KL между инференсом и обучением низким.

Роллауты ускоряли так: prefill delayer объединяет близкие запросы и даёт 10–20% по TPM на GPU и TPS на запрос. Спекулятивное декодирование DSpark теряет эффективность по мере изменения политики, поэтому драфт-модель переобучили через SpecForge. Длина принимаемых последовательностей выросла на 15%. NVFP4/FP8-ядра и quantization-aware training снизили расход памяти. Расхождение между обучением и инференсом получилось меньше, чем у SWE-1.7, при схожей пропускной способности, хотя модель почти втрое больше. Число RL-сред утроено, добавлены оверлеи с инструкциями. Прошлые чекпоинты SWE-2 используют для ужесточения верификаторов.

Поведение агента и что делать разработчикам

Самый наглядный эффект — экономия шагов. На FrontierCode 1.1 Main SWE-1.7 делает в среднем 127 шагов на задачу, SWE-2 medium — 53, high — 80, max — 98. Первая реальная правка у medium случается на медианном 18-м шаге против 48-го у SWE-1.7. Это отвечает на жалобы пользователей, что прошлая модель слишком долго исследует код на простых задачах. При этом medium быстрее и на 81% дешевле SWE-1.7, а баллы у неё выше. Cognition отмечает и качественные сдвиги: тесты стали полнее, а при блокировке MCP-интеграции модель восстановила данные из истории Slack. Если пользователь выдвигает гипотезу, SWE-2 проверяет её, а не соглашается.

Практически выбор такой. Для простых и средних задач стоит начинать с medium: она быстрее переходит к делу. High и max оставьте для сложных изменений, где нужны планирование и многоступенчатая проверка. Если ваши задачи близки к Terminal-Bench 4, то есть к длинным терминальным сценариям, закладывайте запас или пробуйте GPT-6 Astra и Fable 5.1. Цифры пока приведены самой Cognition, поэтому прогоните SWE-2 на собственном репозитории и сравните стоимость решённой задачи.