新しいコーディングモデルがはるかに安い費用でトップに迫る、ただし明らかな穴が一つ

2026年9月10日、コーディングエージェントDevinを手がけるCognitionが、SWE-2という新しいモデルを発表しました。要点を一行で言えば、FrontierCode 1.1 MainでAnthropicのFable 5.1の50.9%に対して50.0%を記録し、その差は一ポイント未満です。さらにCognitionによれば、同じスコアに到達するための実行コストは64%低いとのことです。しかし話はここで終わりません。Terminal-Bench 4では、SWE-2はわずか27.3%で、Fable 5.1の55.8%、GPT-6 Astraの57.9%に及びませんでした。一つの列だけでおよそ三十ポイントの差です。

企業にとっての本当の教訓は、安い数字そのものではなく、この矛盾にあります。モデルの比較が「どちらが賢いか」で終わらず、より鋭い問いから始まる段階に入りつつあります。どの種類の仕事で賢いのか、コストはいくらか、そしてどこで破綻するのか。

公開された数字をそのまま

Cognitionは、SWE-2、自社のベースモデル、そしてフロンティア級の二つのモデルを直接比較した表を公開しました。全体を読み解くと次のとおりです。

  • FrontierCode 1.1 Main：SWE-2が50.0%、ベースモデルのKimi K3が44.2%、GPT-6 Astraが53.3%、Fable 5.1が50.9%。
  • DeepSWE 1.1：SWE-2が73.0%で、67.4%のFable 5.1を上回り、74.1%のAstraに迫ります。
  • Terminal-Bench 2.1：SWE-2が92.8%で表中最高、Fable 5.1の91.4%とAstraの89.9%を上回ります。
  • Terminal-Bench 4：SWE-2はわずか27.3%で、ライバルの55.8%と57.9%に対して大きく劣ります。ここが明らかに負けている列です。

四つの列のうち三つで、SWE-2はより高価なモデルと肩を並べるか、上回っています。しかし一つの列では崖から転げ落ちています。また、すべての列で自らのベースであるKimi K3を上回っている点にも注目してください。その改善こそが、Cognitionのトレーニングが加えたものです。

どう作られたか：大規模なオープンモデルに専門的なトレーニングを重ねる

SWE-2はゼロから作られたわけではありません。ベースは、Moonshot AIが公開している2.8兆パラメータのオープンウェイトモデルKimi K3です。Cognitionが行ったのは、一つの仕事に狙いを定めた強化学習によるポストトレーニングでした。実際のコードリポジトリの中での、現実のソフトウェアエンジニアリングです。

興味深い技術的な点は、モデルに選択可能な三つの努力レベル（中、高、最大）が用意されていることです。これらは三回の別々のトレーニングや三つの専門モデルとして訓練されたのではなく、報酬関数に組み込まれたコストペナルティを使った一回のトレーニングで訓練されました。成功から試行のコストを差し引き、努力レベルに応じて変わる係数を掛けるという仕組みです。その結果、三つのモデルを管理させる代わりに、いつ節約し、いつ深く掘り下げるべきかを心得た一つのモデルが生まれました。

実務上の違いははっきりしています。チームによると、中程度の努力レベルでは、同じベンチマークで前のリリースであるSWE-1.7と比べて、ステップ数を58%、コストを平均81%削減するとのことです。プロジェクトの言葉に置き換えれば、解決に至るまでに問題の周りをぐるぐる回ることが減るということです。

期待する前の重要な制約：オープンウェイトなし、APIなし

これははっきり言っておく必要があります。SWE-2は自社サーバーにダウンロードできるモデルではなく、単独のAPIを通じて自社アプリケーションから呼び出すこともできません。動作するのはDevinプラットフォーム内のみです。まずデスクトップアプリとコマンドラインで、その後WebとFusionへと広がります。つまり、Cognitionが説明するコストの経済性は、モデルを好きな場所で動かす自由ではなく、同社プラットフォームへの加入に結びついているのです。

この違いは、選択肢を比較するすべての人にとって重要です。オープンウェイトモデルなら、データに対する主権と、王国内でホストする自由が得られます。一方こちらは、サービスとして購入するクローズドな製品です。より安い代替を探していた理由がコードを自社環境内にとどめることだったなら、この発表はその問題を解決しません。理由が開発ツールの請求額を減らすことだったなら、解決するかもしれません。

実際にあなたのビジネスにとって何を意味するか

開発費を支払っている、あるいは技術チーム向けのAIツールを検討しているオーナーへの三つのポイントです。

  • 専門化は競争への近道になった：フロンティアのラボよりはるかに小さな企業が、オープンモデルを取り入れて一つの仕事に特化して訓練し、今やその特定の仕事で競い合っています。同じ論理はあなたのプロジェクトにも当てはまります。自社のデータと手順に合わせて調整した中規模モデルは、通常、文脈なしで動く大規模モデルに勝ります。
  • 発表の中の一つの数字だけでは決して足りない：FrontierCodeだけを見れば、SWE-2は完全な代替だと結論づけるでしょう。しかしTerminal-Bench 4の列は、特定のカテゴリーのタスクについて逆のことを示しています。常に問いかけてください。どのベンチマークで、何を測っているのか、差はどこにあるのか。
  • コストは呼び出し一回あたりの価格ではない：本当のコストは、正しい結果に至るまでの試行回数です。延々と堂々巡りする安いモデルは、実際にはかえって高くつくことがあります。SWE-2のトレーニングにおけるコストペナルティが取り組もうとしているのは、まさにこの点です。

Origamiではこうした発表をどう扱っているか

私たちは顧客のシステムを単一のモデルに縛りつけません。裏側でモデルを入れ替えられる中間レイヤーを構築し、公開ベンチマークではなく顧客の実際のタスクで測定します。実際の契約書、実際の請求書、実際の顧客との会話です。そうすることで、SWE-2のような発表は、システムを作り直す決断ではなく、一週間で試せる機会になります。

開発チームがある場合の実践的なステップは次のとおりです。自社リポジトリから実際のタスクを三つ選び、現在のツールとより安い代替の両方で実行し、三つの数字だけを測定してください。タスクは成功したか、何回の試行が必要だったか、いくらかかったか。そうすれば、誰の発表資料の表にも頼ることなく、判断は明白になります。

出典