2026年11月4日,Cognition——AI軟件工程師Devin背後嘅公司——推出SWE-2 Flash,呢個編程模型嘅運行速度係自家旗艦版SWE-2嘅三倍,價錢只係五分之一,而且喺公司追蹤嘅評測上超越所有美國開源權重模型。呢個模型喺Devin Desktop同Devin CLI內免費提供,直到11月30日。
一個細模型做緊大模型嘅工作
SWE-2 Flash並唔係一般意義上SWE-2嘅縮小版——佢係建基於一個完全唔同、細好多嘅基礎模型。SWE-2運行於一個2.8萬億參數、每次激活1040億參數嘅模型,而Flash就係建基於Thinking Machines(由前OpenAI技術總監Mira Murati共同創立嘅AI實驗室)推出嘅Inkling-Small,總參數2760億,激活參數只有120億。喺Cognition自己嘅示範中,重播同一個Terminal-Bench 4.0任務,SWE-2 Flash嘅生成速度大約每秒200個token,相比SWE-2嘅每秒60個。
Cognition自己嘅講法係:「細模型越嚟越有能力處理軟件代理人好大部分嘅工作」——自動化、代碼審查、日常功能開發、文檔更新——呢啲都係工作量大、風險相對低嘅部分,唔需要用到前沿級嘅模型先做得到。經濟效益喺呢裡同能力一樣重要:一個價錢只有五分之一嘅模型,令好多以前成本太高嘅代理人工作流程(例如喺背景持續運行一個代理人、重新檢查每一個pull request)變成一個團隊真正負擔得起、可以一直開住嘅選擇。
訓練方法上究竟有咩新意
Cognition話,呢次嘅進步唔只係嚟自強化學習——即係模型因成功修復錯誤或通過測試而獲得獎勵嘅訓練階段。喺嗰個階段之前,Flash經歷咗公司稱之為「中期訓練」嘅新階段:用幾萬億個token嘅科學文章、網誌、代碼同其他資料,分三輪餵入模型,最稀缺、質素最高嘅資料留到最後。之後嘅強化學習階段大致沿用SWE-2原有嘅方法,進步主要歸功於質素更高、更多元化嘅訓練任務——經過審核,確保指令正確、環境真實、驗證可靠,而唔單純係數量增加。
從原始嘅Inkling-Small基礎模型,到最終完成嘅SWE-2 Flash,呢個進步幅度就係方法奏效嘅最清晰證據:喺Terminal-Bench 4.0,基礎模型得分0.9%;Flash得分20.0%。喺SWE-Bench Pro v2 Hard(一個模擬真實PR規模編程任務嘅評測),基礎模型得56.5分;Flash得89.9分。喺FrontierCode 2.0,Flash嘅24.0分甚至些微超越SWE-2自己嘅23.8分——呢個係一個罕見嘅例子:更便宜、更快嘅模型喺某個評測上險勝自己嘅大哥,不過SWE-2喺Terminal-Bench 4.0(27.3分)同DeepSWE 1.1(73.0分,對比Flash嘅60.1分)仍然明顯領先。
刻意唔公開嘅部分:模型權重
Cognition明確表示唔會公開SWE-2 Flash嘅模型權重,並坦白講明原因:網絡攻擊風險。呢個擔憂對呢個模型嚟講並非空想——訓練佢提升編程能力嘅同時,亦明顯提升咗佢嘅漏洞開發能力,ExploitBench得分由基礎模型嘅11.3%升到訓練後嘅34.8%。公司並冇選擇開源,而係話會建立一個計劃,「安全地同值得信賴嘅業界夥伴同研究機構」分享權重,讓企業同政府獲得本地部署控制同審核能見度,詳情承諾「幾個星期內」公布。目前未有確定日期。
免費試用期過後,仲有咩值得留意
11月30日前嘅免費期只係試用,並非正式嘅商業模式——Cognition尚未公布獨立API定價,亦未定下Devin以外嘅公開發布日期。但呢個舉動符合今年業界一直在形成嘅模式:各大實驗室將產品線分成兩類,一類係昂貴、能力最強嘅旗艦版,另一類係便宜、快速,專門用嚟處理代理人工作中大量重複、低風險嘅部分——同OpenAI同Anthropic自己嘅「mini」同「flash」級別背後嘅邏輯一樣,只係呢次套用喺一個專攻編程嘅代理人身上,而唔係一般聊天機械人。如果Cognition嘅評測數據喺免費期結束、真實使用數據出現之後仍然站得住腳,SWE-2 Flash將會係其中一個最實在嘅證據,證明一個訓練得宜、規模明顯細好多嘅模型,而家已經可以用一小部分成本完成軟件代理人大部分嘅日常工作——完全唔需要背後運行嗰個龐大嘅模型。
圖片來源:Lukas Blazek,Pexels。
