作者：默思編輯部 發布：2026-09-14
AI編程代理Devin背後的公司Cognition，於2026年9月10日發布SWE-2編程模型，將其定位為公司目前技術最先進的編程模型，並強調這款模型正在推進編程效能的「帕雷托前緣」（Pareto frontier）——也就是在效能與成本這兩項指標之間，取得比既有模型更優的組合。
SWE-2是以月之暗面（Moonshot AI）的Kimi K3（一款2.8兆參數的基礎模型）進行後訓練而成，訓練過程中採用單一強化學習訓練回合，針對每個推理強度層級套用線性成本懲罰，且每個懲罰係數都根據基礎模型帕雷托前緣的局部斜率調校——這讓SWE-2成為首款具備中、高、最高三段推理強度選項、且全部在單一強化學習回合內完成訓練的軟體工程模型。
這款模型在FrontierCode 1.1 Main測試中取得50.0%、在DeepSWE 1.1測試中取得73.0%、在Terminal-Bench 2.1測試中取得92.8%，成本則約為同級距前沿模型的六成四。具體來看，SWE-2在FrontierCode 1.1 Main測試上的表現（50.0%）與Anthropic的Fable 5.1（50.9%）相差不到一個百分點，並略微超越OpenAI的GPT-5.6 Sol（47.5%），但Cognition宣稱擁有六成四的成本優勢。
不過在難度更高的Terminal-Bench 4這項測試上，Fable 5.1（55.8%）與GPT-6 Astra（57.9%）仍然大幅領先SWE-2，這顯示SWE-2在中等難度任務上具備極高的性價比，但要挑戰最頂尖的複雜任務，仍與真正的前沿模型存在明顯差距。
SWE-2的推出，反映出編程AI模型市場的競爭焦點，正從單純追求最高效能，逐漸轉向「效能與成本的最佳平衡點」——對多數企業客戶而言，一款效能逼近前沿模型、但成本大幅降低的選項，在大規模部署時的實際價值，往往比追求絕對最高分數更具吸引力。
值得留意的是，Cognition選擇以月之暗面的Kimi K3做為基礎模型進行後訓練，而不是從零開始訓練全新的基礎模型，這種「站在他人肩膀上」的開發策略，讓相對規模較小的AI公司，也有機會透過針對特定任務（例如軟體工程）進行高度優化的後訓練工作，在特定應用領域跟財力雄厚的前沿模型公司一較高下，而不必承擔從零訓練大型基礎模型所需的龐大運算成本。
編程AI模型的成本效能優化與推理強度分級設計，是AI模型研發領域的重要技術方向，具備強化學習訓練與模型後訓練優化背景的工程人才，在編程AI這個競爭激烈的次領域持續有強勁需求。