‏Cognition مدل کدنویسی SWE-2 رو معرفی کرد

Cognition امروز از SWE-2 رونمایی کرد، جدیدترین و پیشرفته‌ترین مدل کدنویسیش. این مدل تو بنچمارک FrontierCode 1.1 Main به امتیاز ۵۰ درصد رسیده؛ یعنی فقط یک امتیاز از Fable 5.1 کمتره، ولی ۶۴ درصد ارزون‌تر از اونه. نسبت به SWE-1.7 (مدل قبلی خودشون) و Grok 4.6 هم از نظر امتیاز و هم هزینه بهتره، و به GPT-6 Astra هم با یه‌چهارم هزینه نزدیک شده. SWE-2 روی مدل Kimi K3 (یه مدل ۲.۸ تریلیون پارامتری که قبلا هم آموزش تقویتی زیادی دیده بود) ادامه‌ی آموزش گرفته.

نکته‌ی کلیدی SWE-2، یه الگوریتم آموزش تقویتی (RL؛ یعنی مدل با آزمون‌وخطا و گرفتن جایزه یا جزا، رفتارش رو بهینه می‌کنه) تازه‌ست که همه‌ی سطح‌های «تلاش» (effort levels؛ یعنی چقدر مدل قبل از جواب دادن فکر کنه) رو تو یه اجرای واحد آموزش می‌ده. برای هر سطح، یه جزای هزینه تعریف کرده که دقیقا با شیب نمودار هزینه-کیفیت مدل هم‌خط می‌شه، تا مدل واقعا کیفیتش به‌ازای هر هزینه بهتر بشه، نه اینکه فقط جواب‌ها رو کوتاه‌تر کنه.

یه خط مرجع تازه هم برای محاسبه‌ی جایزه معرفی کرده: به‌جای میانگین ساده‌ی جایزه‌ها، این خط مرجع بر اساس طول هر پاسخ وزن‌دهی می‌شه، که باعث می‌شه آموزش پایدارتر بشه و واریانس کمتری داشته باشه.

از نظر رفتار، نسخه‌ی medium این مدل با ۵۸ درصد نوبت کمتر و ۸۱ درصد هزینه‌ی کمتر، از SWE-1.7 امتیاز بالاتری می‌گیره. دلیلش اینه که زودتر می‌فهمه کدوم بخش از کدبیس واقعا به کارش میاد؛ به‌طور میانگین بعد از ۱۸ قدم اولین ادیت واقعی رو می‌زنه، در حالی که SWE-1.7 به ۴۸ قدم نیاز داشت.

تو تست‌های داخلی، این مدل تست‌نویسی بهتری داره (پوشش end-to-end بیشتر)، وقتی یه راه مسدوده دنبال راه دیگه می‌گرده (مثلا یه‌بار که اتصال MCP در دسترس نبود، داده‌ها رو از تاریخچه‌ی Slack بازسازی کرد)، و وقتی کاربر باهاش بحث می‌کنه، به‌جای تکرار حرف قبلی، دوباره بررسی می‌کنه و با اجرای واقعی کد شواهد جمع می‌کنه.

برای آموزش، Cognition تعداد محیط‌های RL رو سه‌برابر کرده. تو ارزیابی‌های اعتمادپذیری، SWE-2 تو تست تعصب و سانسور سیاسی (با سوال‌هایی به انگلیسی و چینی) ۹۸ درصد پاس شده، و تو تست آسیب‌پذیری وابسته به هویت کاربر، هیچ تفاوت معنی‌داری بین فریم‌های مختلف دیده نشده. SWE-2 از همین الان تو Devin Desktop و CLI در دسترسه و قراره رو Devin Web و Fusion هم رول‌اوت بشه.

نکات کلیدی:

• FrontierCode 1.1 Main: ۵۰ درصد امتیاز، ۶۴٪ ارزون‌تر از Fable 5.1
• مدل پایه: Kimi K3 با ۲.۸ تریلیون پارامتر
• نسخه‌ی medium: ۵۸٪ نوبت کمتر و ۸۱٪ هزینه‌ی کمتر نسبت به SWE-1.7
• اولین ادیت واقعی بعد از میانگین ۱۸ قدم (قبلا ۴۸ قدم)
• در دسترس: Devin Desktop و CLI از امروز؛ Web و Fusion به‌زودی