Um novo modelo de programação chega perto do topo por muito menos dinheiro, e tem uma lacuna óbvia

Em 10 de setembro de 2026, a Cognition — a empresa por trás do agente de programação Devin — lançou um novo modelo chamado SWE-2. A manchete em uma linha: ele marcou 50.0% no FrontierCode 1.1 Main contra 50.9% do Fable 5.1 da Anthropic, uma diferença de menos de um único ponto, e a Cognition diz que rodá-lo custa 64% menos para chegar a essa mesma pontuação. Mas a história não termina aí. No Terminal-Bench 4, o SWE-2 marcou apenas 27.3%, contra 55.8% do Fable 5.1 e 57.9% do GPT-6 Astra — uma diferença de cerca de trinta pontos em uma única coluna.

Essa contradição é a verdadeira lição para as empresas, não o número barato isoladamente. Estamos entrando em uma fase em que comparar modelos deixa de parar em "qual é mais inteligente" e passa a começar por uma pergunta mais precisa: mais inteligente em que tipo de trabalho, a que custo e onde ele falha.

Os números publicados, como estão

A Cognition publicou uma tabela de comparação direta entre o SWE-2, seu próprio modelo base e dois modelos de nível de ponta. Esta é a leitura completa:

  • FrontierCode 1.1 Main: SWE-2 com 50.0%, o modelo base Kimi K3 com 44.2%, GPT-6 Astra com 53.3% e Fable 5.1 com 50.9%.
  • DeepSWE 1.1: SWE-2 com 73.0%, acima do Fable 5.1 com 67.4% e perto do Astra com 74.1%.
  • Terminal-Bench 2.1: SWE-2 com 92.8%, o mais alto da tabela, à frente de 91.4% do Fable 5.1 e 89.9% do Astra.
  • Terminal-Bench 4: SWE-2 com apenas 27.3%, contra 55.8% e 57.9%. Esta é a coluna que ele claramente perde.

Em três de quatro colunas o SWE-2 fica no mesmo nível de modelos mais caros ou à frente deles; em uma coluna ele despenca. Note também que ele superou sua própria base, o Kimi K3, em todas as colunas — essa melhoria é exatamente o que o treinamento da Cognition acrescentou.

Como foi construído: um grande modelo aberto e, por cima, treinamento especializado

O SWE-2 não foi construído do zero. Sua base é o Kimi K3, o modelo de pesos abertos da Moonshot AI com 2.8 trilhões de parâmetros. O que a Cognition fez foi um pós-treinamento com aprendizado por reforço voltado para um único trabalho: engenharia de software real dentro de repositórios de código reais.

O detalhe de engenharia interessante é que o modelo vem com três níveis de esforço selecionáveis — médio, alto e máximo. Eles não foram treinados em três execuções separadas nem como três modelos especialistas, mas em uma única execução de treinamento usando uma penalidade de custo embutida na função de recompensa: o sucesso menos o custo da tentativa, multiplicado por um coeficiente que muda conforme o nível de esforço. O resultado é um único modelo que sabe quando economizar e quando se aprofundar, em vez de obrigar você a gerenciar três modelos.

A diferença prática é concreta: no nível de esforço médio, a equipe diz que o modelo reduz o número de etapas em 58% e o custo em 81%, em média, em comparação com a versão anterior SWE-1.7 no mesmo benchmark. Na linguagem de projetos, isso significa menos voltas em torno de um problema antes de chegar a uma solução.

A restrição importante antes de se empolgar: sem pesos abertos, sem API

Isso precisa ser dito com clareza. O SWE-2 não é um modelo que você pode baixar nos seus próprios servidores, e você não pode chamá-lo a partir do seu aplicativo por meio de uma API independente. Ele roda apenas dentro da plataforma Devin: primeiro no aplicativo de desktop e na linha de comando, depois expandindo para Web e Fusion. Ou seja, a economia de custos que a Cognition descreve está atrelada à assinatura da plataforma dela, não à liberdade de rodar o modelo onde você quiser.

Essa distinção importa para quem está comparando opções. Um modelo de pesos abertos dá a você soberania sobre seus dados e a liberdade de hospedá-lo dentro do Reino; este é um produto fechado, comprado como serviço. Se o seu motivo para procurar uma alternativa mais barata era manter o código dentro do seu próprio ambiente, este anúncio não resolve o seu problema. Se o seu motivo era reduzir a conta de ferramentas de desenvolvimento, talvez resolva.

O que isso significa para a sua empresa na prática

Três conclusões para um dono de empresa que paga uma conta de desenvolvimento ou está avaliando ferramentas de IA para uma equipe técnica:

  • A especialização virou um atalho para competir: uma empresa muito menor que os laboratórios de ponta pegou um modelo aberto, treinou-o para um único trabalho e agora compete nesse trabalho específico. A mesma lógica vale para o seu projeto: um modelo de porte médio ajustado com seus dados e seus procedimentos geralmente supera um modelo maior que opera sem contexto.
  • Um único número em um anúncio nunca é suficiente: se você olhasse apenas para o FrontierCode, concluiria que o SWE-2 é um substituto completo. A coluna do Terminal-Bench 4 diz o contrário para uma categoria específica de tarefas. Pergunte sempre: em qual benchmark, o que ele mede e onde está a diferença.
  • Custo não é o preço por chamada: o seu custo real é o número de tentativas até um resultado correto. Um modelo mais barato que fica dando voltas sem fim pode sair mais caro na prática — e é exatamente isso que a penalidade de custo no treinamento do SWE-2 tenta resolver.

Como lidamos com anúncios como este na Origami

Não amarramos os sistemas dos clientes a um único modelo. Construímos uma camada intermediária que permite trocar o modelo nos bastidores, e medimos nas tarefas reais do cliente em vez de em benchmarks publicados: contratos reais, notas fiscais reais, conversas reais com clientes. Assim, um anúncio como o SWE-2 vira uma oportunidade que você pode testar em uma semana, não uma decisão que reconstrói o seu sistema.

O passo prático se você tem uma equipe de desenvolvimento: pegue três tarefas reais do seu repositório, rode-as na sua ferramenta atual e na alternativa mais barata e meça apenas três números — a tarefa teve sucesso, quantas tentativas foram necessárias, quanto custou. Depois disso a decisão fica óbvia, sem depender da tabela de anúncio de ninguém.

Fontes