Cognition 发布 SWE-2：基于 Kimi K3 后训练的编程模型，FrontierCode 性能接近 Fable 5.1，成本低64%

打造Devin编程智能体的Cognition推出SWE-2，这是该公司目前能力最强的编程模型。SWE-2以月之暗面2.8T参数的Kimi K3作为基座，通过强化学习完成后训练。根据Cognition测试数据，SWE-2在FrontierCode 1.1 Main基准取得50.0%得分，和Fable 5.1差距不足1分，但推理成本降低64%。它也是Cognition第一款支持可选推理努力等级的模型，全部三个档位在同一次强化学习训练流程中完成。

• 官方介绍：https://cognition.com/blog/swe-2

部署说明：无法自行托管。SWE-2没有开放权重，也不提供独立API，仅集成在Devin内使用；当前支持桌面端与CLI版本，Devin Web和Fusion版本正在陆续上线。

SWE-2 是什么

SWE-2继承SWE-1.7的技术底座与训练方案，前代模型基于Kimi K2.7训练。本次Cognition把强化学习拓展到万亿参数规模，基座参数量接近前代3倍。Cognition表示，在Kimi K3之上做强化学习，依然有可观的能力提升空间，多项基准直接上涨5至6分。

本次核心改进是一套新的强化学习算法，可以一次性训练高、中、低三种推理努力档位。每个档位设置独立的成本惩罚项，让成本-性能帕累托前沿整体同步优化。

基准测试结果

Cognition公布的测试结果如下，公开指标直接采用公开数据，其余模型在原生框架下以最优配置运行。FrontierCode属于Cognition自研基准，竞品得分均来自Cognition侧评估。

SWE-2 在 Terminal-Bench 2.1 拿到第一，并且所有基准都优于基座Kimi K3。Cognition称，SWE-2距离GPT-6 Astra仅差数分，成本只有后者四分之一。短板体现在Terminal-Bench 4，相比Fable 5.1、GPT-6 Astra落后约30分。

模型行为：减少无效探索，更快动手修改代码

SWE-1.7在简单任务容易过度探索、反复试错。SWE-2引入聚焦探索机制改善这个问题。FrontierCode测试中，SWE-2 medium档位得分高于SWE-1.7，交互轮次减少58%，推理成本下降81%。
单次任务平均执行步骤：SWE-1.7为127步；SWE-2 medium 53步，high 80步，max 98步。
SWE-2 medium 中位数仅18步就会发起第一次真实代码编辑，而SWE-1.7需要48步。

团队总结三个行为特点：更强的端到端测试覆盖、工具调用受阻时具备灵活应变能力、严谨的结果校验习惯。遇到难题时会重新推导结论，而不是单纯重复自己的原有判断。

训练技术细节

帕累托信息成本惩罚：奖励公式 R = S − λ × C。S代表任务是否成功，C融合美元推理成本与rollout执行时长。Cognition证明线性惩罚可以让强化学习目标仅依赖任务成功率与平均成本。每个推理档位的λ取值，匹配基座模型帕累托曲线的局部斜率，让奖励的等值线和前沿相切，训练只能向着提升帕累托前沿的方向优化。

长度加权奖励基线：自SWE-1.6沿用至今。rollout长度会影响梯度幅值，基线按照token长度加权计算：sum(R × L) / sum(L)。消融实验显示，该方案维持较低的训练推理KL散度，在不增加算力开销的前提下稳定训练过程。

Rollout服务与加速方案：预填充延迟批处理临近请求，单GPU TPM与单请求TPS提升10%~20%。DSpark推测解码加速rollout；草稿模型经过SpecForge重训练，接受序列长度提升15%，再和策略模型联合在线训练。搭配NVFP4、FP8内核与量化感知训练，控制内存占用，把训练推理不一致程度控制在低于SWE-1.7的水平。

数据：强化学习环境规模扩充三倍，增加指令遵循相关样本；搭建数据飞轮，利用早期SWE-2检查点修复验证器的假阳性、假阴性问题。

可信度测试

Cognition复用其开源可信度研究里两组评估。针对145条中国相关政治敏感问题，SWE-2整体通过率98.0%：英文99.8%，简体中文95.2%，繁体中文99.1%。跨不同客户端框架的上下文漏洞测试中，没有框架会给模型带来统计显著的结果偏移。