編按:本文綜合整理自 Cognition 官方部落格、Hacker News 討論串、CellCog 第三方分析 與 SaaSCity SWE-2 實測,並加入 Siami 編輯部觀點與分析。
Cognition Labs 於 9 月 10 日正式發表新一代編程代理模型 SWE-2,主打「在成本—性能帕累托前緣上推進」:在 FrontierCode 1.1 Main 拿到 50.0%、Terminal-Bench 2.1 衝到 92.8%、Terminal-Bench 4 則是 27.3%——同時間的官方售價比 Fable 5.1 Medium 便宜 64%,CPO Walden Yan 在 X 上直接宣告「這是我們目前最接近前沿的模型」。
為什麼這件事重要這是 2026 年下半年「後訓練(post-training)軍備競賽」的第一個明確訊號:模型真正的戰場已經從預訓練轉到 RL 後訓練。SWE-2 不是從頭訓練的新基礎模型,而是 Cognition 從 Moonshot AI 的 Kimi K3(2.8T 參數) 拿來後訓練的成果。Cognition 官方報告顯示,光是 RL 階段就額外貢獻了 5–6 分的多項基準提升,等於把 K3 原本的成本—性能曲線整個往上平移。對整個 AI 編程代理市場的意涵是:開源/半開源的大型基底 + 強而專精的 RL 後訓練,已經可以打到封閉前沿模型的單項基準,且價格只有四分之一。這會直接擠壓 Claude Code、GitHub Copilot Agent 等走 API 計價的競爭對手——尤其是 Cognition 把 SWE-2 免費開放在 Devin Desktop 與 CLI 直到 10 月 10 日,等於一次對所有付費 IDE 工具發動價格戰。
模型行為與效率亮點
SWE-2 在 FrontierCode 1.1 Main 上跑 100 個任務的平均表現,最值得注意的不是分數,而是 執行步數的壓縮:SWE-1.7 平均 127 步才能完成一個任務,SWE-2 medium 只需要 53 步(-58%)、成本下降 81%;SWE-2 high 與 max 則分別是 80 步、98 步——明顯分層。
Cognition 團隊觀察到三項關鍵的「行為差異」:
- 測試覆蓋率更高:SWE-2 寫的測試更能涵蓋端到端實作,較少漏掉邊界情境
- 繞路能力更強:在某次內部測試中,SWE-2 需要的 MCP 整合無法取得,它自動改從已有的 Slack 頻道歷史重建資料
- 驗證紀律更好:當用戶質疑結論時,SWE-2 會重新推導而不是附和,並且真的去執行產物來蒐集證據第一項編輯(first edit)的時間中位數從 SWE-1.7 的 48 步縮短到 SWE-2 medium 的 18 步。Cognition 解讀為「更聰明的模型更能判斷哪些程式碼段落對當前任務真正重要」,把探索時間壓縮到關鍵節點。
Pareto-Informed Cost Penalties:訓練方法的核心
SWE-2 訓練方法的精髓是一個看似簡單、實則有數學支撐的獎勵函數:
R = S − λₑ × C
- S:任務是否成功(0 或 1)
- C:rollout 的成本(USD 推論成本 + rollout 時間的混合值)
- λₑ:在某個 effort 等級 e 上調出的成本懲罰係數關鍵設計是 λₑ 不是超參數掃出來的,而是從基底模型(Kimi K3)Pareto 前緣的切線斜率反推得出。Cognition 在附錄 B 嚴格證明了:如果 RL 目標函數必須只依賴平均成本與平均解題率,那獎勵函數必須對成本是 affine(線性 + 常數),否則會出現分佈不一致的數學矛盾。實務效果是:Cognition 在 單一次 RL run 裡同時訓練 medium、high、max 三個 effort 等級——不像 Kimi K3 那樣為每個 (領域 × effort) 組合訓練獨立專家再做多教師蒸餾。SWE-2 因此整體 RL 訓練吞吐量比 SWE-1.7 高(KV cache 排程 + 線上 draft model + NVFP4/FP8 kernel 共同貢獻),卻維持相近的 train-inference KL 散度。
Length-Weighted Reward Baseline
另一個從 SWE-1.6 沿用至今的方法:用 rollout 長度 Lᵢ 加權來近似最佳獎勵基準線
b̂ = Σ Rᵢ Lᵢ / Σ Lᵢ
這個近似比傳統的群體平均基準線更能降低梯度方差,且不需要額外 backward pass。Cognition 在 1k 個 K3 rollout 上驗證了 ||∇log π||² 跟 rollout 長度高度相關,這讓長度加權基準線成為「零成本、近乎最優」的實務選擇。
與同梯隊模型的基準比較
Cognition 公布的自家數據(每對模型—基準,挑各 reasoning effort 設定中最佳分數):
| 基準 | SWE-2 | Kimi K3 | Grok 4.6 | Fable 5.1 | GPT-5.6 Sol | GPT-6 Astra | SWE-1.7 |
|---|---|---|---|---|---|---|---|
| FrontierCode 1.1 Main | 50.0% | 44.2% | 48.0% | 50.9% | 47.5% | 53.3% | 42.0% |
| DeepSWE 1.1 | 73.0% | 68.5% | 67.5% | 67.4% | 72.7% | 74.1% | 37.7% |
| Terminal-Bench 2.1 | 92.8% | 88.3% | 88.4% | 91.4% | 88.8% | 89.9% | 81.5% |
| Terminal-Bench 4 | 27.3% | 21.5% | 20.3% | 55.8% | 37.3% | 57.9% | 7.6% |
官方論述是 SWE-2 在 FrontierCode 與 Terminal-Bench 2.1 上「離 Fable 5.1 不到 1 分,但便宜 64%」;但在同一張表裡,Terminal-Bench 4 的落差相當大——SWE-2 的 27.3% 對比 Fable 5.1 的 55.8%、GPT-6 Astra 的 57.9%。這正是 @seelos 在 Hacker News 留言中點出的關鍵:Terminal-Bench 4 是在 SWE-1.7 釋出後才推出的基準,等於一次 out-of-sample 測試。
數據解讀與質疑「64% 便宜」這個數字有三個保留:
- 價格基準是 medium 等級的 Fable 5.1($3.28 / task):CellCog 換算下來 SWE-2 medium 約 $1.18 / task,但這是 FrontierCode 的中位數任務;SWE-2 high 與 max 的長尾任務成本會拉高平均。
- 底層是 Kimi K3:HN 社群有人引用 ArtificialAnalysis 指出 K3 雖然每 token 便宜,但每任務 token 消耗量是 GPT-5.6 Sol 的數倍,單任務總成本反而更高。SWE-2 後訓練是否真的壓低 token 消耗,端看 medium 模式實際部署數據。
- Terminal-Bench 4 是弱點:27.3% 對比 Fable 5.1 的 55.8%,這 28 分的落差意味著 SWE-2 在「真正長時程、需要多步推理與持久狀態」的任務上,仍顯著落後封閉前沿。換言之,SWE-2 的賣點是 「在多數中等任務上以 1/4 價格打到 95% 前沿水準」,而不是「全面取代封閉前沿」。對 Devin 產品線來說,這已經夠用——因為 medium 等級是大多數用戶預設跑的 effort。
Devin 整合與商業影響
SWE-2 在 9 月 10 日同步於 Devin Desktop、Devin CLI 上線,並陸續推送至 Devin Web 與 Fusion。Devin 的定價是 $20 起(含 SWE-2 與主流開源模型免費額度到 10 月 10 日)、$500/seat/月(團隊方案),對比 Cursor Business $40/seat/月,這是一次明確的價格錨點。更值得注意的商業訊號是 Cognition 把 SWE-2 同時放進付費方案與免費推廣期,這個組合在 2026 年的 AI 編程代理市場並不常見。Claude Code、GitHub Copilot Agent 過去多半只給付費用戶新模型優先權;Cognition 反過來用「前 30 天免費 + 之後仍比對手便宜」來衝市占,這對小型團隊、自造開發者特別有吸引力。對終端用戶最直接的影響:
- 預算導向的小型團隊:SWE-2 medium + Devin CLI 的成本結構,可能比跑 GPT-5.6 Sol 的 Claude Code 更划算
- 重度前沿用戶:GPT-6 Astra、Fable 5.1 在 Terminal-Bench 4 等高難度基準仍領先,需要長時程代理的場景不會換
- 開源社群:Cognition 沒開源 SWE-2 權重,後訓練資料與 RL 環境也未公開,呼應了 2026 年中後「開源半開源基底 + 封閉後訓練」的主流商業模式
信任度評估
Cognition 額外公布了 SWE-2 的「信任度評估」結果:SWE-2 在 145 題中國政治敏感題(英文、簡中、繁中三語)的通過率為 英文 99.8%、簡中 95.2%、繁中 99.1%,整體 98.0%——比 GLM 5.3 略低但顯著高於 SWE-1.7。在「上下文依賴的程式漏洞評估」中(西方、巴基斯坦、中國、西藏、法輪功等用戶框架),SWE-2 未在任何框架下出現統計顯著的脆弱性偏差,與其他前沿模型一致。這顯示後訓練階段的 alignment 做得相對紮實。
整體定位與後續觀察
SWE-2 的發布有三層訊號值得標註:
- 技術層:證明了在 2.8T 參數的開源基底上,單次 RL run + Pareto-informed cost penalty + length-weighted baseline 這套組合拳,可以同時壓低 64% 成本、維持前沿 95% 性能,且不必分 expert。
- 產品層:Devin 直接免費開放 SWE-2 一個月,預期會在短期內衝出一波 sign-off 與產品評論——Cognition 過往用 Devin Desktop 收購 Windsurf 後,現在正缺一場「SWE-2 是新標竿」的市場敘事。
- 產業層:後訓練 RL 的「軍備競賽」已從 SWE-Bench Verified 蔓延到 Terminal-Bench 4 與 FrontierCode 1.1 Main——未來半年 Anthropic、OpenAI 與 xAI 對 SWE-2 的回應,會是觀察「真正的編程前沿模型差距還有多大」的關鍵指標。短期內值得追蹤:SWE-2 在 Anthropic、OpenAI 的下一代編程代理基準(Claude Opus 5、Fable 5.2 等)釋出後是否還能守住這個價位帶,以及 Cognition 是否會開源後訓練食譜(即使不開源權重)。
網友熱門留言 (4)