Un nuevo modelo de programación se acerca a la cima por mucho menos dinero, y tiene un hueco evidente

El 10 de septiembre de 2026, Cognition —la empresa detrás del agente de programación Devin— lanzó un nuevo modelo llamado SWE-2. El titular en una línea: obtuvo un 50.0% en FrontierCode 1.1 Main frente al 50.9% de Fable 5.1 de Anthropic, una diferencia de menos de un solo punto, y Cognition afirma que ejecutarlo cuesta un 64% menos para alcanzar esa misma puntuación. Pero la historia no termina ahí. En Terminal-Bench 4, SWE-2 obtuvo solo un 27.3%, frente al 55.8% de Fable 5.1 y el 57.9% de GPT-6 Astra: una diferencia de unos treinta puntos en una sola columna.

Esa contradicción es la verdadera lección para las empresas, no la cifra barata por sí sola. Entramos en una fase en la que comparar modelos deja de quedarse en «cuál es más inteligente» y empieza por una pregunta más precisa: más inteligente en qué tipo de trabajo, a qué coste y dónde se viene abajo.

Las cifras publicadas, tal cual

Cognition publicó una tabla de comparación directa entre SWE-2, su propio modelo base y dos modelos de nivel frontera. Esta es la lectura completa:

  • FrontierCode 1.1 Main: SWE-2 con un 50.0%, el modelo base Kimi K3 con un 44.2%, GPT-6 Astra con un 53.3% y Fable 5.1 con un 50.9%.
  • DeepSWE 1.1: SWE-2 con un 73.0%, por encima de Fable 5.1 con un 67.4% y cerca de Astra con un 74.1%.
  • Terminal-Bench 2.1: SWE-2 con un 92.8%, el más alto de la tabla, por delante del 91.4% de Fable 5.1 y el 89.9% de Astra.
  • Terminal-Bench 4: SWE-2 con solo un 27.3%, frente al 55.8% y el 57.9%. Esta es la columna que pierde claramente.

En tres de cuatro columnas SWE-2 está a la par de modelos más caros o por delante de ellos; en una columna se desploma. Observa también que superó a su propia base, Kimi K3, en todas las columnas: esa mejora es precisamente lo que añadió el entrenamiento de Cognition.

Cómo se construyó: un gran modelo abierto y, encima, entrenamiento especializado

SWE-2 no se construyó desde cero. Su base es Kimi K3, el modelo de pesos abiertos de Moonshot AI con 2.8 billones de parámetros. Lo que hizo Cognition fue un post-entrenamiento con aprendizaje por refuerzo orientado a un solo trabajo: ingeniería de software real dentro de repositorios de código reales.

El detalle de ingeniería interesante es que el modelo incluye tres niveles de esfuerzo seleccionables: medio, alto y máximo. No se entrenaron en tres ejecuciones separadas ni como tres modelos especialistas, sino en una única ejecución de entrenamiento usando una penalización de coste integrada en la función de recompensa: el éxito menos el coste del intento, multiplicado por un coeficiente que cambia con el nivel de esfuerzo. El resultado es un único modelo que sabe cuándo ser austero y cuándo profundizar más, en lugar de obligarte a gestionar tres modelos.

La diferencia práctica es tangible: en el nivel de esfuerzo medio, el equipo afirma que el modelo reduce el número de pasos en un 58% y el coste en un 81% de media en comparación con la versión anterior SWE-1.7 en el mismo benchmark. En lenguaje de proyecto, eso significa dar menos vueltas alrededor de un problema antes de llegar a una solución.

La limitación importante antes de entusiasmarse: sin pesos abiertos, sin API

Hay que decirlo con claridad. SWE-2 no es un modelo que puedas descargar en tus propios servidores, y no puedes llamarlo desde tu aplicación mediante una API independiente. Funciona solo dentro de la plataforma Devin: primero en la aplicación de escritorio y la línea de comandos, y después se amplía a Web y Fusion. Lo que significa que la economía de costes que describe Cognition está ligada a suscribirse a su plataforma, no a la libertad de ejecutar el modelo donde quieras.

Esa distinción importa a cualquiera que compare opciones. Un modelo de pesos abiertos te da soberanía sobre tus datos y la libertad de alojarlo dentro del Reino; este es un producto cerrado que se compra como servicio. Si tu motivo para buscar una alternativa más barata era mantener el código dentro de tu propio entorno, este anuncio no resuelve tu problema. Si tu motivo era reducir la factura de herramientas de desarrollo, quizá sí.

Qué significa esto para tu empresa en la práctica

Tres conclusiones para un propietario que paga una factura de desarrollo o que está valorando herramientas de IA para un equipo técnico:

  • La especialización se ha convertido en un atajo para competir: una empresa mucho más pequeña que los laboratorios de frontera tomó un modelo abierto, lo entrenó para un solo trabajo y ahora compite en ese trabajo concreto. La misma lógica se aplica a tu proyecto: un modelo de tamaño medio ajustado con tus datos y tus procedimientos suele superar a un modelo más grande que opera sin contexto.
  • Una sola cifra en un anuncio nunca basta: si solo miraras FrontierCode, concluirías que SWE-2 es un sustituto completo. La columna de Terminal-Bench 4 dice lo contrario para una categoría concreta de tareas. Pregunta siempre: ¿en qué benchmark, qué mide y dónde está la diferencia?
  • El coste no es el precio por llamada: tu coste real es el número de intentos hasta obtener un resultado correcto. Un modelo más barato que da vueltas sin fin puede salir más caro en la práctica, que es exactamente lo que intenta abordar la penalización de coste en el entrenamiento de SWE-2.

Cómo gestionamos anuncios como este en Origami

No atamos los sistemas de nuestros clientes a un único modelo. Construimos una capa intermedia que permite cambiar el modelo entre bastidores, y medimos sobre las tareas reales del cliente en lugar de sobre benchmarks publicados: contratos reales, facturas reales, conversaciones reales con clientes. Así, un anuncio como SWE-2 se convierte en una oportunidad que puedes probar en una semana, no en una decisión que reconstruye tu sistema.

El paso práctico si tienes un equipo de desarrollo: toma tres tareas reales de tu repositorio, ejecútalas con tu herramienta actual y con la alternativa más barata, y mide solo tres datos: ¿tuvo éxito la tarea, cuántos intentos necesitó, cuánto costó? Después, la decisión resulta evidente, sin depender de la tabla del anuncio de nadie.

Fuentes