Cognition 昨天发布了 SWE-2，一个从 Kimi K3（2.8T 参数）通过 RL 后训练而来的编码 Agent 模型。

它在 FrontierCode 1.1 Main 上拿到 50.0%，距离 Fable 5.1 的 50.9% 只差不到一个百分点，比 GPT-5.6 Sol（47.5%）高 2.5 分。价格比 Fable 5.1 便宜 64%。

FrontierCode 是 Cognition 自家维护的 SWE-bench 升级版。SWE-2 在另一套经典评测 DeepSWE 1.1 上 73.0%，超过了 Fable 5.1（67.4%）和 Grok 4.6（67.5%），也略高于 GPT-5.6 Sol（72.7%）。Terminal-Bench 2.1 更是拉到 92.8%。

但 Terminal-Bench 4 上 SWE-2 只有 27.3%，比 Opus 5（51.8%）和 Astra（57.9%）差了一大截。TB 4 是几周前才发布的新基准，这种新旧基准之间的分数落差，正好成了"benchmaxxing"讨论的靶子。

RL 训练方案是这篇博客最值得看的技术部分。Cognition 的选择是让一个训练任务同时覆盖所有推理努力级别（medium / high / max），努力级别越高推理步数越多、成本越大。奖励函数 R = S − λₑC，S 是任务成功与否（0 或 1），C 是美元成本加 rollout 时间。他们把 λₑ 设成基座模型在该努力级别的帕累托前沿斜率——这套推导附在博客的 Appendix B 里，逻辑是：如果只关心平均成本和平均通过率，线性成本惩罚是强制的（从 Jensen 函数方程推出），选 λₑ 等于局部斜率则能确保沿着前沿的微扰不改变目标函数。

具体到行为指标：SWE-2 medium 平均每轮 53 步，SWE-1.7 是 127 步；首次真实编辑的中位步数从 48 降到 18。成本降了 81%。

基座选 Kimi K3 是个挺有意思的信号。Cognition 自己的解释是"the best base model available for coding agents today"，但从博文给出的数据看，RL 后训练在多个基准上加 5–6 个百分点，效果确实摆在那里。

工程层面做了一些有意思的工作：用了 DSpark 推测解码 + SpecForge 在线训练 draft 模型来保持推理效率，prefill delayer 把相近请求攒批处理提升 10–20% 通量。MLA 层从 SWE-1.7 时代的混合精度简化到全 FP8 做 K、Q、V 和 score 计算，训练—推理 KL 散度反而更低，尽管基座模型大了 3 倍。

Hacker News 社区对这个编码 Agent 模型的讨论几乎一边倒地集中在 benchmark 策略上。

Top-voted 评论毫不客气："通过闭源权重和狂刷 benchmark 的策略。这家公司以 480 亿的估值融资了 20 亿，太疯狂了。" 

不过也有人出来为 Cognition 说话："TB 2.1 已经饱和了——Sol xhigh 在上面也是 90%，新版本只有 37%。所谓 benchmaxxed 的指控毫无根据。" jkelleyrtp（疑似 Cognition 员工）解释不开放 API 的原因是"优先向 Devin 用户保证推理容量，连 OpenAI 都在停新注册了"。

也有人发现了一些微小的使用摩擦：免费用户说 CLI 上 SWE-2 还没显示出来，Pro 用户说实际用了按需额度而不是免费。Cognition 员工回复说桌面版和 CLI 免费，云端 75% 折扣。

来源：

• Introducing SWE-2: Pushing the Pareto Frontier — Cognition Blog