Cognition 发布 SWE-2，挑战 Fable 5.1 与 GPT-Astra
Cognition launches new SWE-2 model, Rivaling Fable 5.1 and GPT-Astra
Cognition 团队推出了最新的 SWE-2 模型，在 FrontierCode 1.1 基准测试中取得 50.0% 的分数，性能逼近 Fable 5.1，但成本却降低了 64%。这是首次将强化学习（RL）扩展到万亿参数规模，通过创新的算法在单次训练中覆盖所有推理努力等级。SWE-2 基于 Kimi K3 进行后训练，在保持高性能的同时大幅提升了效率：中等努力等级下，它比 SWE-1.7 减少 58% 的操作步数，成本降低 81%。该模型展现出更强的工程判断力，能更精准地探索代码库，避免过度思考，并在测试覆盖和验证纪律上表现优异。SWE-2 现已在 Devin Desktop、CLI 及 Web 平台上线，标志着代码智能体在成本与性能帕累托前沿上的重大突破。
SWE-2 在 FrontierCode 1.1 基准测试中取得 50.0% 的分数，性能逼近 Fable 5.1，但成本却降低了 64%。
HN 评论区
172- postalcoder
如果你想找理由保持怀疑，看看 Terminal Bench 2.1（92.8%）和 Terminal Bench 4 分数（27.3%）之间巨大的落差就行了。
Terminal Bench 4 是几周前发布的，所以你看到的这两个分数之间的差异，可以解读为“这个模型对新问题的泛化能力如何？”。更直白地说：“这个模型被刷榜刷得有多严重？”
- gruez
Cognition 就是几年前演示过一个号称能自主完成 Upwork 任务的编程机器人，但仔细一看却发现它完全跑偏，连被要求做的事都没完成的同一家公司？
https://www.youtube.com/watch?v=tNmgmwEtoWE
正如其他人提到的，这是基于 Kimi k3 后训练的，而 Kimi k3 本身已经相当强大，所以它不可能太差，但任何声称的性能提升都应该打个折扣看待。
- nullbio
模型参数呢？这是开源权重的吗？如果不是，我为什么要用它而不是 DeepSeek Flash 4.1？
我觉得这些竞争的实验室需要意识到，没人想要另一个闭源权重模型提供商了……我们对现有的两个都不满意，它们的时日已屈指可数。如果 DeepSeek 4.1 flash 真的像它在基准测试中表现的那样好，我们可能离三分之一的用户转向更可控（或更便宜）的模型只有一个月的时间了。
大实验室喜欢发布新模型，然后在一周后才进行量化。使用 OpenRouter 上极其便宜的 API 费率就没有这个问题。DS 4.1 flash 也比 Astra 的快速模式更快。OAI 的订阅费率性价比不错，但现在这些新的开源权重模型在 API 使用费率上也几乎一样便宜。我真心期待不再受制于两大实验室的那一天。难怪目前 Anthropic 及其资助的 NGO 正在大肆制造恐慌。
- pkilgore
不确定这是否重要，因为 Devin 是我用过的最 consistently 烂的产品。是的，我又试了一次，他们把钱浪费在了广告牌上。
- TheJCDenton
> SWE-2 是基于 Kimi K3 后训练的
一方面，我本来期待一个全新的模型；另一方面，这是一个经过 RL 强化、具备 Fable 5 能力的 K3，这证明了这种可能性，这挺好的。
- mydreamof
看起来像是刷榜？比如在 Terminal-Bench 4 上结果就不太好。为什么不展示其他基准测试呢？
- bobtheborg
SWE 1.6 对于小任务很棒。速度很快，也够用了。1.7 对我来说完全没法用。思考时间比 GLM 5.2 还长，而且看起来总是在原地打转。我试过了，但放弃了。
期待 2.0 版本——也许这次能用了。
- captainregex
我持怀疑态度。实际使用体验才是最重要的，我生活中没人（Devin 商店）对 SWE 说好话，除了说它是免费的。希望我错了，这次没那么糟。