Cognition 发布 SWE-2：Kimi K3 后训练而来，FrontierCode 50.0% 逼近 Fable 5.1，同分便宜 64%

要点

• SWE-2 于 2026-09-10 发布，即日登陆 Devin Desktop 与 Devin CLI，Devin Web 与 Fusion 分批推送。
• 后训练基座是 Kimi K3（月之暗面，2.8T 参数 MoE）。Cognition 称在此基础上再找到 5–6 分的提升空间。
• FrontierCode 1.1 Main 50.0%，距 Claude Fable 5.1（50.9%）不到 1 分，官方称同等成绩下成本低 64%。
• Terminal-Bench 2.1 92.8%，高于 Fable 5.1（91.4%）与 GPT-6 Astra（89.9%）；相比上代 SWE-1.7 的 81.5% 是大幅跃升。
• 明显短板：Terminal-Bench 4 仅 27.3%，Fable 5.1 为 55.8%、GPT-6 Astra 为 57.9%，差距近 28 个百分点。
• 效率改善是这次的主线：SWE-2 medium 相比 SWE-1.7 少 58% 的交互轮次、平均成本降 81%；首次真实代码编辑的中位步数从 48 步降到 18 步。
• 三档 effort（medium / high / max）在一次 RL 训练中同时训出，靠「按各档局部斜率调参的线性成本惩罚」推进整条帕累托前沿。
• 限制：无独立 API、无开源权重、无 model card，只能走 Devin 产品线；Devin 仍按 ACU 计费，推理变便宜不等于账单变便宜。

背景与分析

Cognition 的叙事从 SWE-1.7 起就没变过：不追单张榜单的冠军，而是优化整条「成本—性能」帕累托曲线。SWE-2 把这条路线推到了多万亿参数规模——这是官方强调的第一次。

训练方法上值得记的有三处：

1. 帕累托感知的成本惩罚：每个 effort 档配一个线性成本惩罚，系数按基座模型帕累托前沿的局部斜率调，目标是把整条前沿往外推而不改变它的形状。
2. 长度加权 reward baseline（自 SWE-1.6 沿用）：官方称显著稳定了训练。
3. rollout serving 优化：NVFP4/FP8 kernel + 量化感知训练，在基座参数量接近 3 倍的情况下，仍拿到与 SWE-1.7 相近的吞吐和更低的训练—推理失配。

行为层面的变化比分数更有意思。官方给出的数据：SWE-2 medium 平均 53 步完成 FrontierCode 任务，SWE-1.7 是 127 步；而且 SWE-1.7 被吐槽的「过度探索」在 SWE-2 上明显缓解——模型能判断代码库里哪部分才和当前任务有关。

再叠加一条资本侧的背景：Cognition 于 9 月 8 日宣布完成超 20 亿美元 E 轮融资，估值 480 亿美元（a16z 与 Accel 领投），公司称年化收入从 5 月的 4.92 亿美元增至近 9 亿美元。自研模型替代 Anthropic / OpenAI 的零售价，是它把 $20 档 Devin Pro 做成生意的前提。

对开发者的影响

• 短、边界清晰的任务是甜区。Terminal-Bench 2.1 的 92.8% 与「18 步就动手改」说明，SWE-2 很适合 PR 审查、小功能实现、明确 bug 修复这类高频活。
• 长程自主任务别指望它。Terminal-Bench 4 的 27.3% 是硬数据——需要连续数小时自主推进的大型仓库重构，仍应挂 Fable 5.1 或 GPT-6 Astra 级别的前沿模型。
• 没有 API 就是没有 API。想把它接进自研 harness、CI/CD 或 OpenRouter 的团队，目前只能等；社区里最尖锐的抱怨也是这句「我不想用你们的 CLI，我已有自己的 harness」。
• 账单不要直接换算。Devin 仍按 ACU 计费，官方公布的每一个「便宜 64%」都是竞品价格口径，不是你的发票口径。第三方报道称 Devin Pro / Max / Teams 订阅可免费用一个月 SWE-2——建议拿这一个月在固定工单集上跑自己的对比，再决定续不续。

AI 之家 观点

SWE-2 的真正信号不在分数，而在**「前沿实验室的下游厂商开始用开源中国模型做基座，自己只卖后训练与 harness」**。

1. 价值重心从基座模型移到了后训练 + 产品形态。Kimi K3 开源权重摆在那里，Cognition 加的那 5–6 分和 64% 的成本优化才是它卖钱的部分。这条路径对国内做 Agent 产品的团队是可复制的模板。
2. 「成本—性能帕累托前沿」正在取代「最强模型」成为叙事单位。SWE-2 的发布稿里，effort 档与成本惩罚的篇幅比基准表还多——因为对企业采购来说，能在同一模型上买三档成本，比拿到一个冠军分数有用得多。
3. 基准挑选必须自己复核。Cognition 领跑的 FrontierCode 是自家的榜，且它没有在发布稿里突出 Terminal-Bench 4。AI 之家 的判断是：把 SWE-2 用在「单 PR 级别」的活上，性价比是真的；把它当成能过夜跑大重构的自主工程师，会翻车。

选型建议：已有 Devin 订阅的团队，用免费月做一轮 scoped tickets 的 A/B；Claude Code / Codex 用户不必因为这条新闻迁移，但对「每任务成本」敏感的团队，值得把 SWE-2 的中等 effort 档纳入比价。

相关阅读

• 工具卡：Devin · Claude Code · Codex CLI · Cursor
• 模型卡：Kimi K3 · Claude Fable 5.1 · GPT-6 Astra · DeepSeek V4
• 对比页：Devin vs Claude Code
• 相关资讯：AI 编程工具周报 2026-09-13 · Kimi K3 发布
• 概念：Agentic Coding · SWE-bench

来源

• Introducing SWE-2: Pushing the Pareto Frontier — Cognition 官方博客
• Cognition SWE-2: Near-Frontier Coding AI at 64% Less Cost — byteiota
• Cognition SWE-2 AI Coding Model Benchmarks — TechPillow
• SWE-2: 50% FrontierCode, 64% Cheaper Than Fable 5.1 — ExplainX
• 融中财经：全华班打造的 AI 程序员，估值 480 亿美元（Cognition E 轮）