Новая модель для программирования приближается к вершине за гораздо меньшие деньги — и имеет одну очевидную брешь

10 сентября 2026 года Cognition — компания, стоящая за агентом для программирования Devin, — выпустила новую модель под названием SWE-2. Главное в одной строке: она набрала 50,0% в FrontierCode 1.1 Main против 50,9% у Fable 5.1 от Anthropic, то есть разница меньше одного пункта, и, по словам Cognition, её запуск обходится на 64% дешевле при достижении того же результата. Но на этом история не заканчивается. В Terminal-Bench 4 SWE-2 набрала лишь 27,3% против 55,8% у Fable 5.1 и 57,9% у GPT-6 Astra — разница примерно в тридцать пунктов в одной колонке.

Именно это противоречие — настоящий урок для бизнеса, а не дешёвая цифра сама по себе. Мы вступаем в этап, когда сравнение моделей больше не останавливается на вопросе «какая умнее», а начинается с более точного: умнее в каком виде работы, какой ценой и где она ломается.

Опубликованные цифры как они есть

Cognition опубликовала таблицу прямого сравнения SWE-2, собственной базовой модели и двух моделей передового уровня. Вот полная картина:

  • FrontierCode 1.1 Main: SWE-2 — 50,0%, базовая модель Kimi K3 — 44,2%, GPT-6 Astra — 53,3%, Fable 5.1 — 50,9%.
  • DeepSWE 1.1: SWE-2 — 73,0%, выше Fable 5.1 с результатом 67,4% и близко к Astra с результатом 74,1%.
  • Terminal-Bench 2.1: SWE-2 — 92,8%, лучший результат в таблице, впереди 91,4% у Fable 5.1 и 89,9% у Astra.
  • Terminal-Bench 4: SWE-2 — лишь 27,3% против 55,8% и 57,9%. Эту колонку она явно проигрывает.

В трёх колонках из четырёх SWE-2 стоит наравне с более дорогими моделями или впереди них; в одной колонке она срывается в пропасть. Обратите также внимание, что она обошла собственную основу, Kimi K3, во всех колонках — именно это улучшение и добавило обучение от Cognition.

Как она построена: большая открытая модель, а поверх — специализированное обучение

SWE-2 не создавалась с нуля. Её основа — Kimi K3, модель с открытыми весами от Moonshot AI на 2,8 триллиона параметров. Cognition провела дообучение с подкреплением, нацеленное на одну задачу: реальную разработку программного обеспечения внутри настоящих репозиториев кода.

Интересная инженерная деталь в том, что модель поставляется с тремя выбираемыми уровнями усилий — средним, высоким и максимальным. Их обучали не в трёх отдельных запусках и не как три специализированные модели, а в одном запуске обучения со штрафом за стоимость, встроенным в функцию вознаграждения: успех минус стоимость попытки, умноженная на коэффициент, который меняется в зависимости от уровня усилий. В результате получилась одна модель, которая знает, когда экономить, а когда копать глубже, вместо того чтобы заставлять вас управлять тремя моделями.

Практическая разница ощутима: по словам команды, на среднем уровне усилий модель сокращает число шагов на 58% и стоимость в среднем на 81% по сравнению с предыдущей версией SWE-1.7 на том же бенчмарке. На языке проектов это означает меньше хождения вокруг проблемы, прежде чем прийти к решению.

Важное ограничение, прежде чем радоваться: ни открытых весов, ни API

Это нужно сказать прямо. SWE-2 — не модель, которую можно скачать на собственные серверы, и вызвать её из своего приложения через отдельный API тоже нельзя. Она работает только внутри платформы Devin: сначала в настольном приложении и командной строке, затем с расширением на Web и Fusion. Это значит, что экономика затрат, которую описывает Cognition, привязана к подписке на её платформу, а не к свободе запускать модель где угодно.

Это различие важно для всех, кто сравнивает варианты. Модель с открытыми весами даёт вам суверенитет над данными и свободу размещения внутри Королевства; здесь же закрытый продукт, который покупается как услуга. Если вы искали более дешёвую альтернативу, чтобы держать код в собственной среде, этот анонс вашу проблему не решает. Если вы хотели сократить счёт за инструменты разработки — возможно, решает.

Что это означает для вашего бизнеса на практике

Три вывода для владельца, который оплачивает разработку или выбирает инструменты ИИ для технической команды:

  • Специализация стала коротким путём к конкуренции: компания, намного меньше передовых лабораторий, взяла открытую модель, обучила её одной задаче и теперь конкурирует именно в этой задаче. Та же логика применима к вашему проекту: модель среднего размера, настроенная на ваши данные и процедуры, обычно превосходит более крупную модель, работающую без контекста.
  • Одной цифры в анонсе всегда мало: если смотреть только на FrontierCode, можно решить, что SWE-2 — полноценная замена. Колонка Terminal-Bench 4 говорит обратное для определённой категории задач. Всегда спрашивайте: на каком бенчмарке, что он измеряет и где разрыв.
  • Стоимость — это не цена за вызов: ваша реальная стоимость — это число попыток до правильного результата. Более дешёвая модель, которая бесконечно ходит по кругу, на практике может оказаться дороже — именно эту проблему и пытается решить штраф за стоимость в обучении SWE-2.

Как мы работаем с такими анонсами в Origami

Мы не привязываем системы клиентов к одной модели. Мы строим промежуточный слой, который позволяет незаметно заменить модель, и проводим измерения на реальных задачах клиента, а не на опубликованных бенчмарках: реальные договоры, реальные счета, реальные переписки с клиентами. Так анонс вроде SWE-2 становится возможностью, которую можно проверить за неделю, а не решением, требующим перестройки системы.

Практический шаг, если у вас есть команда разработки: возьмите три реальные задачи из своего репозитория, выполните их в текущем инструменте и в более дешёвой альтернативе и измерьте всего три показателя — удалась ли задача, сколько попыток потребовалось, сколько это стоило. После этого решение становится очевидным, без опоры на чьи-либо таблицы из анонсов.

Источники

  • Официальный анонс SWE-2 от Cognition и таблица бенчмарков: cognition.com/blog/swe-2
  • Moonshot AI — базовая модель с открытыми весами Kimi K3: moonshotai.github.io