> ## Content Index
> Fetch the complete content index at: https://globalfeed.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# Cognition 发布新编程模型：价格低于对手
- URL: https://globalfeed.ai/zh/cognition-fa-bu-swe-2-frontiercode-de-fen-50-cheng-ben-bi-fable-5-1-di-64/
- Published: 2026-09-11T17:56:51.000Z
- Updated: 2026-09-11T17:56:51.000Z
- Description: Cognition 推出编程模型 SWE-2，官方称其在 FrontierCode 1.1 Main 上得分 50.0%，与 Fable 5.1 相差一分，成本却低 64%。
- Author: GlobalFeed Editor
- Tags: Cognition, SWE-2, 编程模型, x-cognition_labs, dil-zh, denetim-gerekli, video

Cognition 发布了新的编程模型 **SWE-2**。据官方博客，该模型在 FrontierCode 1.1 Main 上取得 50.0% 的成绩，与 Fable 5.1 相差不到一分，但成本低 64%。

SWE-2 基于 **Kimi K3** 做后训练（post-training）。Kimi K3 拥有 2.8 万亿参数，此前已针对智能体（Agent）编程进行过大量强化学习（RL）。Cognition 表示，自家的 RL 阶段仍在多项基准上带来 5 到 6 分的提升，并称这是其首次把强化学习扩展到万亿级参数规模。

## 成本与行为变化

公司给出的对比是：在 FrontierCode 1.1 Main 和 DeepSWE 1.1 上，SWE-2 在分数和成本两方面均优于 SWE-1.7 与 Grok 4.6；以远低于对方的价格达到 GPT-5.6 Sol 和 Fable 5/5.1 的水平；与 GPT-6 Astra 相差几分，成本为其四分之一。

效率方面，官方称 SWE-2 medium 的得分高于 SWE-1.7，同时轮次减少 58%，平均成本下降 81%。SWE-2 medium 首次进行实质性代码修改的中位步数为 18 步，SWE-1.7 为 48 步。Cognition 提到，此前有用户反馈 SWE-1.7 在简单任务上过度探索代码库；新模型的效率提升主要来自更聚焦的探索。high 与 max 档位则在复杂任务上投入更多规划和验证。

## 一次训练覆盖全部推理档位

方法上的主要改动，是用一套强化学习算法在单次训练中覆盖所有推理努力档位。其奖励函数形式为 R = S - λ\_e C：S 表示该次 rollout 是否成功，C 是 rollout 成本（以美元计的推理开销与运行时间的组合），λ\_e 则按基础模型在该档位上帕累托曲线的斜率调校。公司认为，只有线性惩罚才能保证在取平均前后结果一致。

SWE-2 即日起在 Devin Desktop 和命令行工具中可用，Devin Web 与 Fusion 正在陆续开放。详情见 [Cognition 的公告](https://cognition.com/blog/swe-2?ref=globalfeed.ai)。