Cognition 发布 SWE-1.5：950 tok/s 高速编码模型，Windsurf 现已可用

103 0

Cognition 正式推出软件工程专用模型家族新成员——SWE-1.5。作为一款拥有数千亿参数的前沿规模模型，它不仅实现了接近当前最佳水平（SOTA）的编程性能，更在速度上打破现有标准：通过与 Cerebras 合作，其服务速度最高可达 950 tok/s，分别是 Haiku 4.5 的 6 倍、Sonnet 4.5 的 13 倍。目前，SWE-1.5 已在 Windsurf 平台开放使用。

Cognition 发布 SWE-1.5：950 tok/s 高速编码模型，Windsurf 现已可用

开发动机：打破“速度与智能”的固有权衡

在 AI 编程领域，开发者长期面临一个困境——必须在“快速响应的 AI”和“高性能的 AI”之间做选择。为消除这一限制，Cognition 此前已迈出关键一步：10 月 16 日发布 SWE-grep 智能体模型，通过训练实现快速上下文工程，同时不牺牲性能。

而 SWE-1.5 在此基础上进一步突破：它不再孤立优化单一组件，而是将模型、推理系统、智能体框架重构为一个统一系统，从全栈层面同步优化速度与智能，让开发者无需再做取舍。

核心突破：重构智能体-模型接口

作为专注智能体研发的实验室，Cognition 的目标并非训练孤立模型，而是打造完整可用的智能体。在 SWE-1.5 的开发中，团队重点优化了易被忽略的“智能体-模型接口”，具体通过四步实现：

端到端强化学习：基于领先的开源基础模型，在真实任务环境中，通过自定义的 Cascade 智能体框架开展强化学习（RL）。
全流程迭代优化：持续同步推进模型训练、框架改进、工具升级与提示工程，确保各环节适配。
核心组件重写：当模型速度提升 10 倍后，原有部分工具成为瓶颈，团队遂从头重写核心工具与系统，这些改进同时提升了 Windsurf 平台其他模型的性能。
真实场景验证：大量依赖内部“狗食测试”（dogfooding）驱动调优，结合多版“Falcon Alpha”beta 测试，根据实际用户体验调整智能体与模型，而非依赖通用奖励函数。

经调优后，SWE-1.5 在自有框架中的性能显著优于替代框架。需注意的是，这并非框架本身的优劣差异——为其他框架专门调优的模型（如 Claude Code 中的 Sonnet）也能达到同等甚至更优效果，替代框架中分数较低的主要原因是工具调用失败率更高。

这一过程也印证了：选择编程智能体，不仅要看模型本身，其周围的编排系统对性能的影响同样关键。此前开发 Devin 时，团队就希望实现“模型与框架共同开发”，而 SWE-1.5 的发布终于达成这一目标。

技术支撑：高保真 RL 编程环境

Cognition 认为，RL 任务中编程环境的质量，直接决定下游模型的性能。针对现有常用编程环境的两大痛点，团队打造了专属的高保真环境：

1. 解决现有环境的核心问题

任务分布狭窄：多数实验室依赖 SWE-Bench 基准，但该基准的仓库与任务类型覆盖范围有限，无法匹配真实开发场景。
忽略软因素：仅用单元测试等“可验证正确性奖励”，会导致模型倾向于生成“AI 垃圾”——代码冗长、过度使用 try-catch 块等反模式，缺乏对代码质量的考量。

2. 构建高保真环境的关键举措

自定义数据集：手动创建数据集，覆盖 Devin 与 Windsurf 中真实存在的任务类型与编程语言，确保场景多样性。
三方协作设计：联合顶级高级工程师、开源维护者与工程领导者，共同搭建环境，同时引入三种互补的评分机制：
- 经典测试（单元测试、集成测试）：验证代码正确性；
- 质量评分标准：评估代码质量与实现方法；
- 智能体端到端评分：通过浏览器模拟用户操作，测试产品功能。
奖励硬化流程：为避免“奖励黑客行为”（模型规避评分规则），由人类专家尝试寻找评分漏洞，多轮优化后，显著降低经典测试的假阳性率，填补评估空白。

目前，SWE-1.5 是基于该环境训练的首个模型，且训练规模仍处于初期阶段。团队预计，未来随着环境规模扩大，模型在代码质量等软因素上的表现将进一步提升。

训练与基础设施：依托 GB200 集群与协同优化

SWE-1.5 的性能突破，离不开底层基础设施与训练策略的支撑：

1. 硬件：首发 GB200 NVL72 集群

SWE-1.5 训练于由数千个 GB200 NVL72 芯片组成的集群，是业内首个基于新一代 GB200 芯片训练的公共生产模型。早在 6 月初，Cognition 就获得该硬件访问权限，当时固件尚未成熟、开源生态缺失，团队通过构建鲁棒的健康检查系统、耐故障训练机制，以及优化机架规模 NVLink 的使用，攻克了硬件初期的适配难题。

2. 训练策略：模型与框架协同优化

基础模型选择：经评估与消融实验后，选定某强大开源模型作为基础，再通过强化学习适配自有产品与任务。
迭代式协同优化：反复进行“狗食测试”，发现框架问题后调整工具与提示策略，再基于更新后的框架重新训练模型，实现模型与框架的同步迭代。
稳定训练保障：针对长多轮轨迹训练的稳定性，采用无偏策略梯度变体（具体方法见 SWE-grep 博客）。

3. 环境一致性：依托 otterlink 管理程序

RL 训练需要支持代码执行、网络浏览的高保真环境，团队通过自研 VM 管理程序 otterlink 实现这一需求：它可将 Devin 扩展至数万台并发机器，既保障训练环境与 Devin 生产环境一致，又能支持高并发训练。

性能验证：从基准测试到真实场景

1. 公共基准测试：接近 SOTA 且速度领先

尽管 Cognition 自 2024 年起不再报告 SWE-Bench 数据（认为其无法完全反映真实体验），但在更先进的 SWE-Bench Pro 基准（Scale AI 推出，覆盖多样化代码库的复杂任务）中，SWE-1.5 仍实现了接近前沿的性能，且完成任务的时间仅为同类模型的几分之一。

2. 真实场景应用：成为工程师日常工具

目前，Cognition 多位工程师已将 SWE-1.5 作为日常开发工具，核心应用场景包括：

深入探索与理解大型代码库（同时为 beta 版 Codemaps 功能提供支持）；
构建端到端全栈应用；
快速编辑配置文件，无需记忆复杂字段名称。

以 Kubernetes 清单编辑为例：原有智能体完成该任务需约 20 秒，而 SWE-1.5 可将时间压缩至 5 秒内，完全处于“半异步死亡谷”的“流窗口”中，大幅提升开发效率。

速度优化：从推理到系统的全链路改进

为实现“最快编程智能体”的目标，Cognition 从推理合作到系统重构进行了多维度优化：

与 Cerebras 深度合作：借助 Cerebras 的推理能力，训练优化的草稿模型以实现更快的推测解码，同时构建自定义请求优先级系统，保障智能体会话的流畅性。
解决系统延迟瓶颈：当模型速度达到 950 tok/s 后，原本可忽略的系统延迟成为主导问题。团队遂重写 Windsurf 智能体的关键组件（如 lint 检查、命令执行管道），将每步操作的开销减少高达 2 秒。