Cognition 发布了新一代编码模型 SWE-2：FrontierCode 1.1 Main 得分 50.0%，距 Fable 5.1 的 50.9% 只差 0.9 个百分点，官方公布的单位任务成本便宜 64%。这次发布的技术细节比「又一个模型发布」多得多：Cognition 第一次把强化学习扩展到万亿参数规模的基座上，并公开了整套训练方法。本文拆解它的 benchmark 数据、训练算法和社区争议。
先看数据：四个 benchmark 的完整对比表
Cognition 在官方博客中给出了 7 个模型、4 项基准的完整数据。先把表格抄下来，再谈怎么读：
| Benchmark | SWE-2 | Kimi K3 | Grok 4.6 | Fable 5.1 | GPT-5.6 Sol | GPT-6 Astra | SWE-1.7 |
|---|---|---|---|---|---|---|---|
| FrontierCode 1.1 Main | 50.0% | 44.2% | 48.0% | 50.9% | 47.5% | 53.3% | 42.0% |
| DeepSWE 1.1 | 73.0% | 68.5% | 67.5% | 67.4% | 72.7% | 74.1% | 37.7% |
| Terminal-Bench 2.1 | 92.8% | 88.3% | 88.4% | 91.4% | 88.8% | 89.9% | 81.5% |
| Terminal-Bench 4 | 27.3% | 21.5% | 20.3% | 55.8% | 37.3% | 57.9% | 7.6% |
三行读法：
第一行（FrontierCode 1.1 Main）：这是 Cognition 自家评测。SWE-2 的 50.0% 排在 Fable 5.1（50.9%）之后、GPT-6 Astra（53.3%）之前。官方宣称「距 Fable 5.1 不到一分、便宜 64%」「距 Astra 几分、成本四分之一」。「自家 benchmark 自测」的成色问题，后面单独讨论。
第二行（DeepSWE 1.1）：73.0%，在 GPT-6 Astra（74.1%）和 GPT-5.6 Sol（72.7%）之间。这项基准由 Cognition 与 Scale AI 在 2026 年 7 月联合推出，不算严格意义上的第三方，但业界引用度较高。
第三行（Terminal-Bench 2.1）：92.8% 是全表最高分，超过 GPT-6 Astra 的 89.9%。但要与第四行连着看。
第四行（Terminal-Bench 4）：27.3%，与前一行落差 65.5 个百分点。TB4 是几周前刚发布的新基准，可以视为「出样本」考试。作为对照：GPT-5.6 Sol 在 TB2.1 拿 88.8%，到 TB4 掉到 37.3%；GPT-6 Astra 从 89.9% 掉到 57.9%。所有模型在 TB4 上都大幅缩水，只是幅度不同。这说明 TB2.1 已接近饱和，区分度有限；TB4 才是拉开差距的地方。HN 用户 postalcoder 指出这一落差，用户 mediaman 反驳：如果 TB2.1 饱和，那 Sol、Astra 同样「为老基准优化」——单看 TB4 落差指控 SWE-2「刷榜」并不成立，但 SWE-2 在 TB4 上 27.3% 对 Astra 57.9% 的差距是实打实的。
模型底座：站在 Kimi K3 上做后训练
SWE-2 的起点是月之暗面的 Kimi K3——一个 2.8 万亿参数、已经为 agentic coding 做过大量 RL 的开源权重模型。Cognition 的 RL 后训练在多项基准上再堆出 5–6 个百分点，并移动了 K3 整条成本性能曲线。
社区对此的反应可以概括为 HN 用户 htrp 那句传播很广的调侃：「为什么美国的 AI 模型基本上都是穿了风衣的 Kimi」。这是事实陈述加玩笑：SWE-1.7 的后训练起点同样是开源权重模型。Cognition 的模式已经清晰——不自训基座，选一个最强的开源模型，用 RL 后训练和工程系统把它推向前沿。Hugging Face 上 Kimi K3 的开源权重任何人都能下载，但把基座模型再提升 5–6 个百分点所需的 RL 基础设施、验证器体系和数据飞轮，目前只有少数团队能做到。
这一模式对行业的含义：开源权重基座 + 闭源后训练，正在成为一种独立的产品形态。模型能力来自可公开下载的权重，产品化的增量（后训练、agent 框架、企业集成）构成商业壁垒。
行为变化：从「过度探索」到 18 步开始动手
SWE-2 相对 SWE-1.7 的提升不只在分数。官方数据显示，在 FrontierCode 1.1 Main 上，SWE-2 medium 比 SWE-1.7 少用 58% 的轮次（平均 53 对 127）、成本低 81%，分数反而更高。首次真实代码编辑的中位步数从 48 步提前到 18 步。
SWE-1.7 的用户反馈是「过度探索」：动手前把代码库翻个底朝天，简单任务上也一样。SWE-2 的改进集中在「聚焦探索」——判断代码库中哪些部分真正与任务相关。官方总结了三种行为特征：
- 测试覆盖：写出端到端检查实现的测试，更可靠地抓住回归和边界情况；
- 边界内的资源能力：标准路径被堵时另找路线。官方举的例子：所需的 MCP 集成不可用时，模型从它有权访问的 Slack 频道历史中重建了数据；
- 验证纪律：被质疑时重新推导结论而不是重复断言，验证用户的假设而不是简单附和。
三种推理力度（effort level）的行为差异同样清晰：medium 快速动手，适合简单和中等任务；high 和 max 规划更多、探索更全、用更复杂的验证管理不确定性。同一个模型，力度参数决定它的工作风格。
训练方法：一条公式和一个几何约束
这是这次发布技术含量最高的部分。Cognition 训练 SWE-2 时，把所有推理力度等级放进单次 RL 运行端到端训练，核心是带成本惩罚的奖励函数：
R = S - λe·CS∈{0,1} 表示一次 rollout 是否成功，C 是成本（推理美元成本与耗时的混合），λe 是按力度等级调节的惩罚系数。对照：Kimi K3 的做法是为每个「领域 × 力度等级」组合训练单独的专家模型，再用多教师在线蒸馏合并。
λe 怎么取？Cognition 给出的答案绕开了网格搜索，直接用几何：把 λe 设为基座模型帕累托前沿在该力度点的局部斜率 m。直觉用一句话讲：奖励函数的等值线斜率等于 λe，当等值线与前沿相切时，沿着前沿移动不再改变奖励，此时提升奖励唯一的方向就是把整条前沿向外推。斜率取小了，模型学会偷工减料（高力度表现得像低力度）；取大了，浪费成本不涨分。附录 B 还证明了一个更强的结论：只要要求 RL 目标只取决于平均成本和解题率，奖励函数在数学上必须是线性的——线性惩罚是唯一解，这是用 Jensen 函数方程严格证明的，不是启发式选择。
配套的第二个组件是长度加权奖励基线。策略梯度需要基线来降低方差，理论上最优基线 b* 需要 E[R‖∇log π‖²]/E[‖∇log π‖²]，逐 rollout 计算要额外一次反向传播。Cognition 发现梯度范数与 rollout 长度强相关，于是用长度加权的组内奖励均值近似，零额外成本。消融显示这个基线显著压低了推理与训练策略之间的 KL 散度，训练更稳。
训练基础设施：三类系统工程
博客披露的工程细节有三块：
推理侧：prefill delayer 把相邻请求攒批调度，GPU 吞吐提升 10–20%；用 DSpark 投机解码加速 rollout 生成；RL 训练中策略持续变化，草稿模型的接受序列变短、吞吐衰减，Cognition 用 SpecForge 训练新草稿模型拿到 15% 更长的接受长度，再把在线草稿模型训练集成进 RL 系统，让草稿模型跟随策略演进。
数值精度：NVFP4 和 FP8 内核加量化感知训练，MLA 层的 K、Q、V 和 score 计算用 FP8。相比 SWE-1.7 的混合精度方案是简化，内存占用更低，在基座参数量接近 3 倍的条件下，训练-推理失配反而更小。
数据：RL 环境数量增至 3 倍，扩充仓库分布；新增指令遵循 overlay，训练模型在保持底层任务的同时记住多条约束；验证器硬化用一个递归飞轮——用 SWE-2 的历史 checkpoint 审查训练中的 rollout，发现并修补验证器的假阳性/假阴性，防止 K3 这种「更有资源」的基座钻验证器空子（reward hacking）。
可用性与价格：一个月的窗口
SWE-2 今天起在 Devin Desktop 和 CLI 可用，Devin Web 与 Fusion 正在推送。HN 上 Cognition 员工 samyok 确认：未来一个月对所有订阅者在 CLI 上免费（桌面端本地运行免费，云端 75 折）。不支持 OpenRouter 等第三方 API，官方答复是优先保障 Devin 产品线用户的推理容量。
对开发者，这意味着两个事实：想在自有 harness 里评测 SWE-2，目前只能进 Devin 生态；要对比 SWE-2 与 DeepSeek V4.1 Flash 这类开放权重模型，门槛不对等。HN 用户 scronkfinkle 的抱怨有代表性：「我有自己的 harness 和工作流，用 OpenRouter 评测所有模型，现在要多一套 bespoke 平台。」
争议：三个值得单独列出的质疑
1. 自家 benchmark 自测。 FrontierCode 1.1 是 Cognition 自己的评测（官方参考文献 [1]），Main 榜上「距 Fable 5.1 一分、距 Astra 三分」的头部声明依赖自测数据。HN 用户 thereitgoes456 的批评：「在自己的闭源生态里跑自己做的基准，任何人都无法复现。」DeepSWE 1.1 情况稍好，由 Cognition 与 Scale AI 联合推出，业界引用较多。
2. TB4 出样本落差。 前文已分析：27.3% 对 Astra 的 57.9%，在最新、最难出样本的基准上差距明显。辩护方（mediaman）指出 Sol 的落差同样大；反驳方（Lucasoato、solenoid0937）指出官方博客同时宣称「与 Astra 竞争」，不能在自家基准上按竞争宣传、到 TB4 上又按「算力少」辩护。两种说法各自成立，结论留给读者：SWE-2 在老基准上确实进入第一梯队价格段，在 TB4 上与最前沿还有明显距离。
3. 闭源权重。 SWE-2 不开放权重，不提供标准 API。HN 用户 nullbio 的发问代表相当一部分情绪：「已经有两个闭源权重巨头了，没人需要第三个。」与此同时 DeepSeek V4.1 Flash 同周发布开放权重（HN 用户引用的 HF 数据：TB4 31.2%，高于 SWE-2 的 27.3%），价格更低。开放与闭源阵营的性价比竞争，这一周正好构成了一个直接对照。
放回行业坐标
把这次发布放回 2026 年 9 月的行业格局，三条线值得记录：
RL 后训练成为独立赛道。 Cognition 不训基座、只做后训练和 agent 产品，两次发布（SWE-1.7、SWE-2）都验证了「开源基座 + RL 后训练」能把二手基座推到前沿价格性能段。这条路径的门槛是 RL 基础设施和验证器体系，不是预训练算力。
benchmark 信任危机在加剧。 FrontierCode（厂商自测）与 TB4（出样本第三方）的分数差被社区逐条计算，「benchmaxxing」（针对基准优化）成为 HN 讨论的主旋律。当厂商自报数据与出样本基准的落差可以逐条对照时，benchmark 营销的边际效果在递减。
性价比战争白热化。 同一周里，闭源阵营用「Fable 5.1 的性能、64% 的价格」进攻，开放权重阵营用 DeepSeek V4.1 Flash 的价格和 TB4 分数反击。HN 评论区的价格计算已经精确到「1M 缓存 token $0.006 对比 GPT 5.6 Luna 的三分之一」。编码模型的价格曲线还在陡降，买单的是所有把 agent 写进生产流程的团队。
参考来源：
- Cognition 官方博客：Introducing SWE-2: Pushing the Pareto Frontier（cognition.com/blog/swe-2）
- Hacker News 讨论（item 49645443，333 分 137 评论）
- Kimi K3 技术报告：arXiv:2607.24653
- FrontierCode 1.1：cognition.com/blog/frontier-code-1.1
- SWE-1.7：cognition.com/blog/swe-1-7