Cognition 给编码 Agent 换了个「小基座」：价格砍到 SWE-2 的五分之一，速度翻三倍

2026年11月5日1 次阅读

3分钟看懂

2026 年 11 月 4 日，Cognition（Devin 背后的公司）发布了 SWE-2 Flash：一个专门用来干「日常编码活」的模型，今天起在 Devin Desktop 和 Devin CLI 里可以直接选。

一句话结论：它不是更强的模型，而是更便宜的那个。 官方给的两个数字是——价格是大哥 SWE-2 的 五分之一，速度是 3 倍（每秒 200 个 token，SWE-2 是 60）。而且 11 月 30 日之前免费。

这个模型有多大？276B 总参数、12B 激活参数。对比一下它家真正的旗舰 SWE-2，是 2.8 万亿总参数。也就是说，Cognition 拿一个只有旗舰 1/10 规模的模型，去接那些原本要旗舰来干的活。

为什么这件事值得看

过去两年，AI 编程工具的成本逻辑很单一：想要 Agent 靠谱，就得上最大的模型；上了最大的模型，每个任务就都贵。于是很多人把 Agent 当「重武器」用，只在关键任务上开一次。

Cognition 这次换了个思路，官方的说法很直白：小模型已经能吃掉编码 Agent 干的很大一部分活——自动化、代码审查、功能开发、更新文档。这些活不需要模型「想得多」，只需要它「稳、快、便宜」。

技术上它没有重新造一个基座，而是拿了 Thinking Machines 的 Inkling-Small（276B 总参 / 12B 激活），然后在强化学习之前加了一整段中间训练（mid-training）。官方说这是他们第一次在配方里加这一环：喂了几万亿 token 的高质量科学文章、博客、代码，分三个阶段训练，把最稀缺、质量最高的数据放在后面喂。结果是把一个原本在编码基准上几乎不及格的基座，拉到了能上桌的水平。

具体涨了多少（要看跟谁比）

这是全文最需要小心的地方，因为「提升」这个词在这里有两个完全不同的方向。

相对基座，涨幅是惊人的：

Terminal-Bench 4.0：0.9% → 20.0%
FrontierCode 2.0：3.2% → 24.0%
DeepSWE 1.1：17.4% → 60.1%
SWE-Bench Pro v2 Hard：56.5% → 89.9%

相对自家的 SWE-2，它还是明显弱一档：

Terminal-Bench 4.0：20.0 对 27.3
DeepSWE 1.1：60.1 对 73.0
FrontierCode 2.0：24.0 对 23.8（这项基本打平）

官方的说法是「在主要评测上超过了所有美国的开放权重模型，包括比它大 3 倍的」。这句是真的，但也要看清：比的是「开放权重」这一档，不是「所有模型」。

怎么用

打开 Devin Desktop 或 Devin CLI，在模型选择里挑 SWE-2 Flash。官方博客底部有直接的入口。
付费门槛：Devin 的 Pro（20 美元/月） 和以上套餐都写着「免费使用 SWE-2」；免费版只有受限的模型可用。
11 月 30 日之前，官方给了免费试用窗口——这段时间最适合做 A/B 对比，因为不花钱。
团队用法建议从「分流」开始：把跑测试、修 CI、写文档、批量代码审查这类重复活先切给 Flash，复杂的跨仓库重构继续留给 SWE-2 或别家旗舰。

适用场景

批量小任务：一次开十几个会话跑 lint 修复、依赖升级、单测补齐，成本敏感但单任务难度低。
CI 失败后的自动修复：这类任务边界清楚、有测试做裁判，小模型足够。
代码审查的第一遍：先让便宜的模型过滤明显问题，人只看它标出来的部分。
文档与注释的批量更新：量大、容错高。
成本敏感的团队：如果原来因为「太贵」而限制 Agent 使用频率，这个价位可以放开一些。

不适用场景

跨仓库大重构：官方自己的数据里，DeepSWE 1.1 上它比 SWE-2 低 13 个点，这类活差距会放大。
需要长链推理的疑难 bug：Terminal-Bench 4.0 差 7 个点，说明多步骤终端任务上它还是会掉。
对正确率零容忍的场景：便宜模型的隐性成本是「重试」，账要算总成本不是单价。
想自己部署的人：权重不公开。官方明确说这次只向「可信的行业伙伴与研究机构」限量发放，具体方案「几周后」才公布。所以它现在是闭源商业服务，不是开源模型。

成本怎么算

官方口径是「SWE-2 的五分之一价格、三倍速度」。把这两个乘起来，单位时间能产出的工作量大约是十几倍的差距——但这是理论值。

真正要算的是这个：单价 × 重试次数 × 人工复核时间。如果 Flash 在某个任务上要重试三次才成功，而 SWE-2 一次过，那 1/5 的单价优势会被吃掉大半。所以第一步不是全量切换，是拿你自己的任务集跑一遍，看两个数字：首次通过率、平均重试次数。

另外 Devin 的定价结构里，Pro 套餐写的是「免费使用 SWE-2」，超出配额的部分按 API 价格购买额外用量。团队版是 80 美元/月 + 每席位 40 美元/月。真要规模化用，得按席位数和配额一起算。

注意事项

基准全是官方自测。Cognition 自己跑的评测，对比对象里也有自家模型。等第三方复现再下最终结论更稳。
「美国开放权重模型」这个限定词很重要。它没说超过 DeepSeek、Qwen 这些非美国模型，也没说超过闭源旗舰。
它变强的方向包含攻防。官方提到为了防御者，训练时专门强化了网络安全能力，ExploitBench 从 11.3% 提到 34.8%——这也是他们不敢公开权重的理由。如果你的场景涉及安全敏感代码，这个能力是加分项；反过来，这也是行业里「能力越强越不敢开放」的一个缩影。
别把「中训练」当成魔法。它的本质是数据配比工程：官方花了大篇幅讲怎么用 token 效率曲线挑数据混合比例。这套方法可复制，意味着其他家很快会有同类产品。
免费窗口有截止日：11 月 30 日。之后按正常价格计费，别把试用期的体验当成长期成本预期。

第一步可以做什么

今天：挑一条最没风险的小流水线（比如自动修 lint、补单测注释），在 Devin CLI 里用 Flash 跑一遍，记录成功率和耗时。
本周：同一批任务用 SWE-2 再跑一遍，对比「首次通过率 × 重试次数」，算出真实单位成本，而不是只看单价。
之后：按任务难度做分层路由——简单的给 Flash，复杂的给旗舰。这套分层逻辑，比换哪个模型更能决定你的账单。

参考来源

Cognition 官方博客《Introducing SWE-2 Flash》（2026.11.04）：https://cognition.com/blog/swe-2-flash
Devin 官方定价页：https://devin.ai/pricing
媒体转述（基于多家媒体转述整理，仅作旁证）：RuntimeWire、Unite.AI、Startup Fortune、LLMs Blog 于同日对同一发布做了报道，核心事实（1/5 价格、3 倍速度、11/30 前免费、权重不公开）与官方博客一致。