Cognition 发布 SWE-2：基于 Kimi K3 后训练，称在主流评测上与前沿模型持平、成本最高降低 70%

9 月 10 日，Cognition 在其官方 X 账号发布软件工程模型 SWE-2，称这是公司迄今「最接近前沿」的模型：在主流评测上与近期前沿模型得分持平，成本最高可低 70%。发布帖称，这次把强化学习（RL）扩展到了数万亿参数的规模，并用改进后的训练配方在能力与成本两端推动 Pareto 曲线（成本与性能之间的权衡曲线）。

第二条推文称，SWE-2 以 Kimi K3 为基座做后训练；第三条推文称，这是公司第一个支持 effort 档位（推理强度档位）的模型。上线说明称，模型发布当天在 Devin 桌面端与 CLI 上线，接下来一个月对 Pro、Max 与 Teams 订阅者免费。

FrontierCode 50.0%：差 Fable 5.1 不到 1 分，成本低 64%

Cognition 的训练博客给出了覆盖四项评测的对比表。FrontierCode 1.1 Main 一行是：SWE-2 50.0%，Fable 5.1 50.9%，GPT-6 Astra 53.3%，Grok 4.6 48.0%，GPT-5.6 Sol 47.5%，SWE-1.7 42.0%，基座 Kimi K3 44.2%。博客称，SWE-2 与 Fable 5.1 相差不到 1 分、成本低 64%；在 FrontierCode 1.1 Main 与 DeepSWE 1.1 上，它得分与成本同时优于 SWE-1.7 和 Grok 4.6，以低得多的价格追平 GPT-5.6 Sol 与 Fable 5 系列，与 GPT-6 Astra 相差几个百分点、成本约为其四分之一。

另外两项：DeepSWE 1.1 上 SWE-2 得 73.0%；Terminal-Bench 2.1 上得 92.8%，是表内该行的最高分。

effort 档位：一次 RL 训练同时调整三档

SWE-2 的 effort 档位分三档：medium、high、max。为同时训练这些档位，公司对 length penalty（长度惩罚）方案做了重大改进；训练博客给出的机制是：在单次 RL 训练中为每个档位施加一个线性成本惩罚，惩罚系数对准基座模型在该档位 Pareto 前沿的局部斜率，使沿曲线移动近似不改变奖励，训练因此把整条曲线向上推、同时保持其形状。公司称，结果是 medium 档同时变得更便宜、更聪明，max 档学会使用更多 token 与轮次来拿最高分。

博客还提到，SWE-2 建立在 SWE-1.7 的训练基础设施与配方之上，并公开了自 SWE-1.6 起使用的长度加权奖励基线，称它能在不增加成本的前提下降低梯度方差、明显稳定训练。

基座 Kimi K3：2.8 万亿参数，后训练再涨 5～6 分

SWE-2 的后训练基座是 Kimi K3：一个 2.8 万亿参数、已经历过大量智能体编程（agentic coding）强化学习的模型。官方推文称，这「证明我们的 RL 配方在更强的基座模型上仍能继续扩展」；博客称，RL 在 K3 上仍找到可观空间，在多项基准上带来 5～6 分增益，FrontierCode 1.1 Main 从 K3 的 44.2% 提到 50.0%，并把 K3 的成本与性能前沿整体向前推进。

工程侧也做了一批调整。所用基座的参数量接近 SWE-1.7 基座的 3 倍，公司称借助 NVFP4/FP8 内核与量化感知训练降低了整体内存占用，并把训练与推理之间的不一致压到比 SWE-1.7 更低、吞吐相当；RL 推演环节加入预填充延迟器，把邻近请求攒批处理，每 GPU 吞吐与单请求吞吐提高 10～20%；用 SpecForge 训练的新草稿模型把推测解码（speculative decoding）的接受长度提升 15%，并在训练中在线更新草稿模型以跟上策略变化。数据侧，RL 环境数量增至三倍，新增指令跟随类任务，并用 SWE-2 的历史检查点迭代加固数据验证器，以抑制奖励作弊（reward hacking）。

更聚焦的探索：少 58% 轮次、省 81% 成本

第四条推文给出效率数字：在 FrontierCode 1.1 Main 上，SWE-2 medium 档得分高于 SWE-1.7，平均少用 58% 的轮次、成本低 81%。公司把原因归结为探索方式的变化：SWE-2 更快判断代码库里哪些部分真正相关，更早开始动手；博客称 medium 档做出第一次实质性修改的中位步数是 18 步，SWE-1.7 是 48 步。此前 SWE-1.7 因在简单任务上过度探索、过度思考收到过用户反馈。

博客列出的行为变化还有：更端到端的测试覆盖；在用户设定的边界内更愿意绕路，例如一次所需的 MCP 集成不可用，SWE-2 用已有的 Slack 频道历史重建了数据；以及验证纪律，被质疑时重新推导结论、用运行产物取证，而不是复述主张。档位之间也有差异：medium 更快进入执行，high 与 max 在复杂任务上规划与探索更多。

第五条推文把 SWE-2 称为公司迄今最强的软件工程模型、具有「市场领先的性价比」，并称 Cognition 团队自己用它做功能开发、调试和新颖数学的复杂可视化。博客称，SWE-2 也在陆续推送到 Devin Web 与 Fusion。

自报口径与 Terminal-Bench 4 的落差

以上评测、性能与成本数字都来自 Cognition 的推文与博客，属于公司自报口径。博客的方法说明称，每个模型与基准的组合优先采用公开结果；没有公开结果的，由其内部评测框架运行，并使用各模型主要适配的运行框架，每个模型取各推理档位中的最好成绩。

博客还包括可信度评测：在 145 个政治敏感问题上的宣传与审查测试中，SWE-2 总体通过率 98.0%（英文 99.8%、简体中文 95.2%、繁体中文 99.1%）。

同一张基准表也给出了方向相反的一组数字。Terminal-Bench 4 一行：SWE-2 27.3%，Fable 5.1 55.8%，GPT-6 Astra 57.9%，GPT-5.6 Sol 37.3%；SWE-2 比自家 SWE-1.7（7.6%）与基座 Kimi K3（21.5%）高出一截，但比 Fable 5.1 与 GPT-6 Astra 分别低 28.5 与 30.6 个百分点。

参考链接

• Cognition 官方发布帖（主帖）：https://twitter.com/cognition/status/2098069235733823965
• Cognition 推文（Kimi K3 基座）：https://twitter.com/cognition/status/2098069238044860487
• Cognition 推文（effort 档位）：https://twitter.com/cognition/status/2098069241039638917
• Cognition 推文（效率数据）：https://twitter.com/cognition/status/2098069244151791618
• Cognition 推文（定位与内部使用）：https://twitter.com/cognition/status/2098069246022463967
• Cognition 推文（上线与免费窗口）：https://twitter.com/cognition/status/2098069247842812103
• Cognition 训练博客《Introducing SWE-2: Pushing the Pareto Frontier》：https://cognition.com/blog/swe-2