Cognition launches new SWE-2 model, Rivaling Fable 5.1 and GPT-Astra
444 points • 4 days agoArticle Link

The Cognition Team 推出了 SWE-2,这是他们迄今为止最先进的编码模型,旨在显著改善能力与成本之间的平衡。通过将强化学习扩展到万亿参数级别,SWE-2 在 FrontierCode 1.1 Main 基准测试中达到了 50.0% 的成功率。该性能使其接近当前的顶尖模型,同时成本比 Fable 5.1 等竞争选项低 64% 。该模型以 Kimi K3 为基础,经过大规模的后期训练以强化其代理式编码能力。

SWE-2 在解决问题的效率和工程判断力上都有提升。与前代 SWE-1.7 相比,新模型能更快聚焦代码库中的关键部分,减少过度探索和重复读取代码,从而用更少的步骤就能开始实现,大幅降低每个任务的平均成本。此外,SWE-2 在编写端到端测试方面更可靠,也更善于变通:它能利用现有数据绕过受阻路径,而不只是照搬静态指令。

SWE-2 的一项核心技术创新是在强化学习过程中采用 Pareto-informed cost penalties 。团队在一次训练中同时覆盖所有推理努力级别,并根据基础模型的成本 - 性能曲线斜率调整惩罚,从而成功优化出整个权衡前沿。这一方法保证了模型在处理简单任务时具有成本效益,同时在面对更复杂的挑战时保持高强度的复杂规划能力。为支持该策略,团队还引入了基于长度加权的奖励基线,以减小梯度方差、提升训练稳定性。

训练基础设施也进行了优化,优先提升吞吐量并尽量减少推理与训练之间的不匹配。团队整合了在线草稿模型训练,并采用诸如 FP8 kernels 的低精度、量化感知方法以高效管理内存。这些改进带来了更稳定的训练过程,使模型在不显著增加延迟的前提下保持高性能。数据质量同样被高度重视:通过扩展 RL environments 并实施递归飞轮机制,不断增强验证器以防止奖励操纵。

在可信性与对齐方面,团队对 SWE-2 在宣传、审查和对上下文依赖表述的脆弱性等方面进行了评估。模型表现良好,在政治敏感提示上的通过率达到 98%,且无论用户如何表述或使用何种语言,都未表现出统计学上显著的偏见或脆弱性。 SWE-2 已通过 Devin Desktop 应用、命令行工具和 Web 平台向用户提供,这是将顶尖编码代理变得更强大且更易获取的重要一步。

192 comments • Comments Link

有人质疑 Terminal Bench 2.1 与 Terminal Bench 4 之间出现的巨大性能下滑,观察者认为该模型可能被"benchmaxxed",即为了在特定指标上取得高分而优化,而非体现通用智能。

支持者则认为,这种差距只是因为旧版本在基准测试上出现了饱和现象,并指出即便是顶级模型在更新、更困难的测试中也会出现类似下滑。

业界普遍认为,各公司有意设计模型和基准,以制造利于营销的成绩,从而形成一个"benchmaxxing"的循环,削弱了这些指标作为现实世界参考的有效性。

人们对 closed-weight 模型的必要性越来越怀疑,像 DeepSeek Flash 4.1 这样的廉价 open-weight 替代品展现出了有竞争力的性能,并为用户提供了更多控制权。

采用过程中的摩擦仍然是一个重大障碍,用户对被迫改变既有开发流程、使用专有 CLI 和定制平台表示不满。

关于 Cognition 能否长期生存,外界仍持怀疑态度。有人指出其早期编码 agent 性能欠佳,并对其通过封装现有强大模型来经营的商业模式表示担忧。

一些专业开发者通过大量 agentic 自动化实现了显著的生产力提升,他们能够将复杂系统任务交给 AI,从而质疑传统手工开发的长期地位。

"Pareto frontier"这一术语常被用来为设计权衡背书,反映出竞争性编程和算法专长在当前 AI 工程文化中的影响力。

市场动态显示,随着 frontier models 日益商品化,公司的核心价值正从托管模型转向提供集成的 agentic 工作流,但用户仍警惕被锁定在专有生态中。

对于一些 AI 初创公司的高估值和 vaporware 性质,外界普遍抱持愤世嫉俗的态度——观察者指出,由于无法公开获得 weights,验证其性能声明变得极为困难。

这次讨论反映了整个行业在频繁且常受营销驱动的新模型发布与软件工程师对稳健、实用工具的真实需求之间的深刻矛盾。尽管部分用户已成功将 agentic 工作流整合进高层系统架构,许多人仍对 benchmaxxing 、 closed-weight 模型以及不同实验室间缺乏互操作性持怀疑态度。总体共识是,作为营销工具的基准指标正变得越来越不可靠,市场正倾向于灵活、低成本且 open-weight 的解决方案,而非封闭的 black box 平台。