‏مدل کدنویسی SWE-2 از Cognition، رقیب تازه DeepSeek

SWE-2 مدل کدنویسی تازه‌ایه که Cognition، همون شرکتی که Devin رو ساخته، منتشر کرده. این مدل روی پایه Kimi K3 و با یه دور آموزش تکمیلی از نوع یادگیری تقویتی (reinforcement learning یعنی روشی که مدل از نتیجه کاراش یاد می‌گیره) ساخته شده و Cognition موقع این آموزش هم به دقت کدنویسی توجه کرده هم به هزینه انجام کار. چند سطح مختلف از قدرت استدلال مدل با هم آموزش دیدن، نه جدا از هم.

تو بنچمارک KingBench 3، SWE-2 نمره 83.75 گرفته؛ DeepSeek V4.1 Flash با 81.25 پشت سرشه و مدل پایه‌ش یعنی Kimi K3 با 77.5 حتی عقب‌تره. تو یه تست عملی هشت‌تایی هم SWE-2 با نتیجه 67 از 80 در برابر 65 از 80 DeepSeek برنده شده: سه تا کار رو برده، دو تا رو باخته و سه تا مساوی شده. تو رتبه‌بندی کلی KingBench 3، SWE-2 پنجمه، بالاتر از Fable 5 و Kimi K3 و Opus 5، ولی پایین‌تر از چندتا مدل دیگه مثل GPT-6 Astra.

خود Cognition هم بنچمارک‌های دیگه‌ای منتشر کرده که نتیجه‌ش یکدست نیست. مثلاً تو Frontier Code 1.1 از 44.2 به 50 رسیده و تو Terminal Bench 2.1 از 88.3 به 92.8، ولی تو Terminal Bench 4 فقط 27.3 گرفته، در حالی که GPT-6 Astra تو همین تست 57.9 آورده. یعنی بهتر شدن رو یه بنچمارک لزوماً معنیش این نیست که رو همه‌ی بنچمارک‌ها هم بهتر می‌شه.

جایی که SWE-2 واقعاً می‌درخشه، کارای طولانی و چندمرحله‌ایه؛ مثلاً تو یه تست که باید یه دیتاست بسازه، یه مدل Gemma 2B رو فاین‌تیون کنه و نتیجه رو با یه رابط وب محلی نشون بده، نمره کامل 10 از 10 گرفته. ولی بزرگ‌ترین ایرادی که ازش گرفتن اینه که قبل از شروع کار زیادی سؤال می‌پرسه؛ یکی دو تا سؤال اوله، ولی بیشتر از اون حس یه دستیار خودکار رو از بین می‌بره. یه راه‌حل ممکن اینه که تو دستورالعمل‌های سیستم تعداد سؤالا رو محدود کنن، ولی هنوز به‌صورت رسمی تست نشده که واقعاً جواب می‌ده یا نه.

نکات کلیدی:

• SWE-2 از Cognition روی Kimi K3 با یادگیری تقویتی ساخته شده
• تو KingBench 3 نمره 83.75 گرفته، بالاتر از DeepSeek V4.1 Flash (81.25)
• همراه با اشتراک Devin Pro (20 دلار در ماه) و رایگان تا 10 اکتبر 2026
• تو Terminal Bench 4 فقط 27.3 گرفته، ضعیف‌تر از GPT-6 Astra با 57.9
• ایراد اصلیش پرسیدن سؤالای زیاد قبل از شروع کاره