Ein neues Coding-Modell kommt für deutlich weniger Geld nah an die Spitze heran – und hat eine offensichtliche Lücke

Am 10. September 2026 hat Cognition – das Unternehmen hinter dem Coding-Agenten Devin – ein neues Modell namens SWE-2 veröffentlicht. Die Schlagzeile in einem Satz: Es erreichte 50,0 % bei FrontierCode 1.1 Main gegenüber 50,9 % für Fable 5.1 von Anthropic, ein Abstand von weniger als einem einzigen Punkt, und laut Cognition kostet es 64 % weniger, mit ihm dieselbe Punktzahl zu erreichen. Doch die Geschichte endet hier nicht. Bei Terminal-Bench 4 erzielte SWE-2 nur 27,3 %, gegenüber 55,8 % für Fable 5.1 und 57,9 % für GPT-6 Astra – ein Abstand von rund dreißig Punkten in einer einzigen Spalte.

Dieser Widerspruch ist die eigentliche Lehre für Unternehmen, nicht die günstige Zahl für sich allein. Wir treten in eine Phase ein, in der der Vergleich von Modellen nicht mehr bei „welches ist klüger“ stehen bleibt, sondern mit einer schärferen Frage beginnt: klüger bei welcher Art von Arbeit, zu welchen Kosten und wo bricht es ein.

Die veröffentlichten Zahlen, so wie sie sind

Cognition hat eine direkte Vergleichstabelle zwischen SWE-2, seinem eigenen Basismodell und zwei Modellen der Frontier-Klasse veröffentlicht. Hier die vollständige Lesart:

  • FrontierCode 1.1 Main: SWE-2 bei 50,0 %, das Basismodell Kimi K3 bei 44,2 %, GPT-6 Astra bei 53,3 %, Fable 5.1 bei 50,9 %.
  • DeepSWE 1.1: SWE-2 bei 73,0 %, über Fable 5.1 mit 67,4 % und nah an Astra mit 74,1 %.
  • Terminal-Bench 2.1: SWE-2 bei 92,8 %, der höchste Wert der Tabelle, vor 91,4 % für Fable 5.1 und 89,9 % für Astra.
  • Terminal-Bench 4: SWE-2 bei nur 27,3 %, gegenüber 55,8 % und 57,9 %. Das ist die Spalte, die es klar verliert.

In drei von vier Spalten liegt SWE-2 gleichauf mit teureren Modellen oder vor ihnen; in einer Spalte stürzt es ab. Beachten Sie auch, dass es seine eigene Basis, Kimi K3, in jeder Spalte geschlagen hat – genau diese Verbesserung hat Cognitions Training hinzugefügt.

Wie es gebaut wurde: ein großes offenes Modell, darauf spezialisiertes Training

SWE-2 wurde nicht von Grund auf neu gebaut. Seine Basis ist Kimi K3, das Open-Weights-Modell von Moonshot AI mit 2,8 Billionen Parametern. Cognition hat ein Post-Training mit Reinforcement Learning durchgeführt, das auf eine einzige Aufgabe zielt: echtes Software-Engineering in tatsächlichen Code-Repositories.

Das interessante technische Detail: Das Modell bringt drei wählbare Aufwandsstufen mit – mittel, hoch und maximal. Diese wurden nicht in drei getrennten Läufen oder als drei Spezialmodelle trainiert, sondern in einem einzigen Trainingslauf mit einer Kostenstrafe, die in die Belohnungsfunktion eingebaut ist: Erfolg minus die Kosten des Versuchs, multipliziert mit einem Koeffizienten, der sich mit der Aufwandsstufe ändert. Das Ergebnis ist ein einziges Modell, das weiß, wann es sparsam sein und wann es tiefer graben soll, statt Sie zu zwingen, drei Modelle zu verwalten.

Der praktische Unterschied ist greifbar: Auf der mittleren Aufwandsstufe senkt das Modell laut Team die Zahl der Schritte um 58 % und die Kosten um durchschnittlich 81 % im Vergleich zur Vorgängerversion SWE-1.7 im selben Benchmark. In Projektsprache heißt das: weniger Kreisen um ein Problem, bevor eine Lösung steht.

Die wichtige Einschränkung, bevor Sie sich begeistern: keine offenen Gewichte, keine API

Das muss klar gesagt werden. SWE-2 ist kein Modell, das Sie auf Ihre eigenen Server herunterladen können, und Sie können es nicht über eine eigenständige API aus Ihrer Anwendung aufrufen. Es läuft nur innerhalb der Devin-Plattform: zunächst in der Desktop-App und auf der Kommandozeile, später erweitert auf Web und Fusion. Das bedeutet, dass die Kostenrechnung, die Cognition beschreibt, an ein Abonnement seiner Plattform gebunden ist, nicht an die Freiheit, das Modell zu betreiben, wo Sie wollen.

Diese Unterscheidung ist für jeden wichtig, der Optionen vergleicht. Ein Open-Weights-Modell gibt Ihnen Souveränität über Ihre Daten und die Freiheit, es im Königreich zu hosten; dies hier ist ein geschlossenes Produkt, das als Dienst gekauft wird. Wenn Ihr Grund für die Suche nach einer günstigeren Alternative war, den Code in Ihrer eigenen Umgebung zu behalten, löst diese Ankündigung Ihr Problem nicht. Wenn Ihr Grund war, die Rechnung für Entwicklungswerkzeuge zu senken, vielleicht schon.

Was das für Ihr Unternehmen in der Praxis bedeutet

Drei Erkenntnisse für Inhaber, die eine Entwicklungsrechnung bezahlen oder KI-Tools für ein technisches Team abwägen:

  • Spezialisierung ist zu einer Abkürzung in den Wettbewerb geworden: Ein Unternehmen, das weit kleiner ist als die Frontier-Labore, hat ein offenes Modell genommen und es auf eine einzige Aufgabe trainiert – und konkurriert jetzt bei genau dieser Aufgabe. Dieselbe Logik gilt für Ihr Projekt: Ein mittelgroßes Modell, das auf Ihre Daten und Ihre Abläufe abgestimmt ist, schlägt meist ein größeres Modell, das ohne Kontext arbeitet.
  • Eine einzige Zahl in einer Ankündigung reicht nie: Wer nur auf FrontierCode schaut, würde schließen, dass SWE-2 ein vollwertiger Ersatz ist. Die Spalte Terminal-Bench 4 sagt für eine bestimmte Kategorie von Aufgaben das Gegenteil. Fragen Sie immer: bei welchem Benchmark, was misst er und wo liegt die Lücke.
  • Kosten sind nicht der Preis pro Aufruf: Ihre echten Kosten sind die Zahl der Versuche bis zu einem korrekten Ergebnis. Ein günstigeres Modell, das endlos im Kreis läuft, kann in der Praxis teurer sein – genau das versucht die Kostenstrafe im Training von SWE-2 anzugehen.

Wie wir bei Origami mit solchen Ankündigungen umgehen

Wir binden Kundensysteme nicht an ein einzelnes Modell. Wir bauen eine Zwischenschicht, mit der sich das Modell im Hintergrund austauschen lässt, und wir messen an den echten Aufgaben des Kunden statt an veröffentlichten Benchmarks: echte Verträge, echte Rechnungen, echte Kundengespräche. So wird eine Ankündigung wie SWE-2 zu einer Chance, die Sie in einer Woche testen können, nicht zu einer Entscheidung, die Ihr System neu aufbaut.

Der praktische Schritt, wenn Sie ein Entwicklungsteam haben: Nehmen Sie drei echte Aufgaben aus Ihrem Repository, führen Sie sie mit Ihrem aktuellen Tool und mit der günstigeren Alternative aus und messen Sie nur drei Werte – war die Aufgabe erfolgreich, wie viele Versuche waren nötig, was hat es gekostet. Danach liegt die Entscheidung auf der Hand, ohne sich auf irgendjemandes Ankündigungstabelle zu verlassen.

Quellen