Cognition 发布了新的编程模型 SWE-2。跑分表上，它在自家的 FrontierCode 1.1 拿到 50.0 分，只比 Anthropic 的 Fable 5.1 低 0.9 分，而公司给出的口径是——同样这个分数，成本便宜 64%。
但真正值得多看一眼的不是数字，是它的底座：Kimi K3。
SWE-2 是什么：Devin 换了一台更省的引擎
Cognition 是 Devin 的母公司，估值 260 亿美元。9 月 10 日，它发布 SWE-2，接替之前的 SWE-1.7。现在已经在 Devin Desktop 和 Devin CLI 上线，Devin Web 和 Fusion 在陆续推送。
有个容易被忽略的细节：SWE-2 不是一个能单独调用的 API 模型。Cognition 没有公布权重、没有独立定价、也没给上下文窗口。你想用它，只能在 Devin 产品里选。这一点和 OpenAI、Anthropic 那种”发一个 API 让全世界接”的打法完全不同——它更像是给自己的 Agent 换发动机，顺带把发动机的性能指标公开发布了一遍。
背景里还有一层：a16z 合伙人 Marc Andreessen 在 SWE-2 发布前一天刚发过第二篇投资 Cognition 的文章，里面提到 Devin 现在已经写了 Cognition 自己 90% 以上的生产代码。所以 SWE-2 优先优化”省钱”和”少绕路”，逻辑上很顺——它首先服务的是自家天天用 Devin 干活的工程团队。
跑分：赢在哪、输在哪，一张清单看清楚
- FrontierCode 1.1 Main：SWE-2 50.0%，Fable 5.1 50.9%，GPT-6 Astra 53.3%，Grok 4.6 48.0%，Kimi K3 44.2%，SWE-1.7 42.0%
- DeepSWE 1.1：GPT-6 Astra 74.1%，SWE-2 73.0%，GPT-5.6 Sol 72.7%，Kimi K3 68.5%
- Terminal-Bench 2.1：SWE-2 92.8% 排第一，Fable 5.1 91.4%，GPT-6 Astra 89.9%，SWE-1.7 81.5%
- Terminal-Bench 4：Fable 5.1 55.8%，GPT-6 Astra 57.9%，SWE-2 只有 27.3%
读这张清单要注意两件事。
第一，这是 Cognition 自己跑的结果，FrontierCode 本身也是他们家的评测集（测的是”AI 写的 PR 人类维护者会不会合并”）。跨厂商排序只能当方向看，不能当定论。Cognition 自己也标了，部分数字来自内部 Devin CLI 在最强推理档下的运行。
第二，Terminal-Bench 4 上的差距不是零点几个点，是被拉开了差不多一倍。这个测试针对的是长周期、多步骤的 Agent 任务。也就是说，SWE-2 在”规规矩矩改代码”这类活上很能打，但一旦任务变成连续几小时的仓库重构，Anthropic 和 OpenAI 还是明显更稳。这一点和站内之前写过的 吴恩达那 5 项能力 对得上——”让 Agent 连跑几小时”确实是最难的那一档。
怎么练出来的：拿 Kimi K3 当毛坯房
SWE-2 的后训练底座是月之暗面的 Kimi K3，2.8 万亿参数、MoE 架构、约 104B 激活参数，而且拿过来的时候本身已经做过一轮 Agent 编程方向的强化学习。
Cognition 在这一层上又加了一轮 RL，做了一件挺有意思的事：用一次训练，同时训出 medium / high / max 三档推理力度，而不是训三个模型。奖励函数写成了 R = S - λe·C——S 是任务成功率，C 是运行时间加 API 成本，λe 跟着底座 Pareto 前沿的局部切线走。翻译一下：做对了给分，但花的时间和钱要扣分，而且在这个档位上越接近成本拐点，扣得越狠。
工程侧也有针对 2.8T 底座的处理：在线 draft 模型提解码吞吐、NVFP4 与 FP8 量化感知 kernel、训练环境数量翻了三倍，还加了”自动验证器要能扛住上一个版本模型”的加固。
这套做法其实说明了一件事：现在做垂直编程 Agent，不一定非要从零训基础模型。开源底座 + 一轮针对性后训练，就能把某个具体场景的成本曲线重新拉一遍。 站内 9 月 6 日写过的 Kimi 原生兼容 Codex 和 Claude Code，讲的是国产模型怎么”接进去”；SWE-2 讲的是国产模型怎么”被拿去用”——两件事合起来，才是国产开源模型现在的真实位置。
效率这部分，可能比跑分更重要
跑分是门面，成本是里子。Cognition 给了一组对比：在 FrontierCode 1.1 Main 上，SWE-2 的 medium 档相比 SWE-1.7——
- 平均交互步数从 127 步降到 53 步，少了 58%
- 平均成本降 81%
- 第一次真正改代码的中位步数，从 48 步提前到 18 步
这组数字对应的其实是日常使用里最烦人的体验：模型在仓库里翻来翻去、读一堆不相关的文件、绕一大圈才动手。Cognition 说法是底座容量上来之后，模型能更早判断哪些目录分支不用看。另外他们还提到 SWE-2 写测试的习惯变了——会补端到端集成测试、并且会重新推导结论而不是重复上一版的错误假设。
如果你已经在用 Cursor Projects 这类”协调者带一堆子 Agent”的玩法（9 月 12 日那篇 Cursor Projects 聊过），单次调用省 80% 成本这件事会被放大很多——因为子 Agent 是并行跑的，成本是乘出来的。
谁适合、谁先别急
适合的：
- 已经在用 Devin 的团队，今天就能在 Desktop / CLI 里切到 SWE-2，主要收益是账单和等待时间
- 想观察”开源底座 + 后训练”这条路径的开发者，SWE-2 是一份写得很坦诚的公开样本
先别急的：
- 工作内容是长时间、跨仓库的自主重构——Terminal-Bench 4 上 27.3% vs 57.9% 的差距是实打实的
- 需要独立 API、私有权重或明确单价的场景——Cognition 这几项都还没给
替代方案上，如果在意长任务的稳定性，Fable 5.1 和 GPT-6 Astra 还是更保险的选择；如果在意的是”能不能进内网、代码不出企业”，Cursor 自托管机器 那条路更直接。Cognition 这边还有个新动作值得一提：他们收购了 Poke——唯一被苹果官方支持、能跑在 iMessage 里的 AI Agent，三个月做了 1 亿多条消息交互。看起来 Devin 想从”工程工具”往”随身的 Agent”扩。
老达点评
第一，AI 编程这半年从”比谁分高”转向了”比谁账便宜”，这是好事。 SWE-2 的 50.0 分本身不惊艳，只比上一代产品线里的对手差不到 1 分，但它把成本压到对手的 1/3 到 1/4。对每天挂着 Agent 跑活的团队来说，这个变化的体感比多 3 个跑分点强得多。
第二，Kimi K3 被拿去做底座，比任何宣传都更有说服力。 一款国产开源模型成为海外头部 Agent 公司的后训练毛坯，说明开源模型的价值已经不只是”免费能跑”，而是”能被继续训练出专用能力”。想入局的人不一定非要训基础模型，选好底座 + 做好后训练，是一条更现实的路。
第三，也是最需要提醒的一点：这份跑分是自测的。 FrontierCode 是 Cognition 自家的评测集，Terminal-Bench 4 上的短板他们也没藏。真要判断 SWE-2 值不值得迁，别只看发布页，拿自己仓库里最典型的那类任务跑一周，看它第一次改代码要几步、一个 PR 到底花多少钱——这两个指标比任何榜单都诚实。
想系统看这条线的更多文章，可以走 AI 编程工具专题 和 AI 智能体与自动化专题；如果你更关心”这类工具到底值不值那个价”，AI 工具评测专题 里的横向对比可以一起看。
