Cognition 在 Kimi K3 上做后训练，做出一个和 Fable 5.1 差不到一分、便宜 64% 的编码模型

AI资讯编辑部今天

Cognition 于 9 月 10 日发布编码模型 SWE-2，从 Moonshot 的 2.8 万亿参数开放权重模型 Kimi K3 后训练而来。官方数字：FrontierCode 1.1 Main 得 50.0%，与 Fable 5.1 相差不到一分，但成本低 64%；DeepSWE 1.1 为 73.0%，Terminal-Bench 2.1 为 92.8%，相对 Kimi K3 原始成绩分别提升 5.8、4.5 和 4.5 个百分点。方法上最值得记的是 effort-level 训练：这是 Cognition 第一个带推理 effort 档位的模型，全部档位在同一次 RL 运行里训练，每档加一个线性成本惩罚，惩罚幅度按基座模型帕累托前沿的局部斜率调。效率侧的改善很具体——SWE-2 medium 在 FrontierCode 1.1 Main 上比上一代 SWE-1.7 分更高，同时少用 58% 的轮次、平均便宜 81%，第一次真正动手改代码的中位步数从 48 步降到 18 步。短板也在自家材料里：Terminal-Bench 4 只有 27.3%，而 GPT-6 Astra 是 57.9%。目前在 Devin Desktop 与 CLI 上可用，Pro / Max / Teams 订阅者免费一个月（至 10 月 10 日）。

值得记的是这个组合方式，不是那个分数

SWE-2 自己不训基座。它拿的是 Moonshot 7 月放出的 Kimi K3——2.8 万亿参数的稀疏 MoE、100 万 token 上下文、当时最大的开放权重模型，而且已经为 agentic 编码做过大量 RL——然后在上面接着做自己的强化学习。本站写过 Kimi K3 的开放权重发布，这是那条线上第一个引人注意的下游商业产物。 Cognition 给的增量是「自己的 RL 在多个基准上还能加 5–6 分」。这个幅度本身不惊人，但它回答的问题很重要：开放权重的强基座放出来之后，后训练还剩多少空间？答案是有，而且够撑起一个产品。对没有能力也没必要训基座的团队，这条路线的可复制性比跑分更值得研究——前提是你有 RL 的工程能力和能用的评测环境，这两样都不便宜。

effort 档位和成本惩罚一起训，这个做法有意思

更技术的一处亮点是 effort-level 训练。常见做法是模型训好之后，在外面加一层路由去决定「这题要不要多想」。Cognition 的做法是把所有 effort 档位放进同一次 RL 运行里训，每档配一个线性成本惩罚，而惩罚幅度按基座模型帕累托前沿在那一点的局部斜率来定。换句话说，「要不要多花算力」变成了模型内生的、已经按成本定过价的决策，而不是外部调度器的猜测。配套的效果也很具体：SWE-2 medium 比上一代分更高，却少 58% 的轮次、平均便宜 81%；第一次真正改代码的中位步数从 48 降到 18。Cognition 把这归因于「聚焦式探索」——上一代的问题恰恰是过度探索，用户反馈说它把简单任务想得太久。

选型之前要看清的三件事

第一，Terminal-Bench 4 上 27.3% 对 GPT-6 Astra 的 57.9%。这个差距在自家材料里，说明在更长、更接近真实终端操作的任务上它还不在同一档。第二，「便宜 64%」指的是什么。Cognition 没有公布每 token 的 API 单价，也没有公布上下文窗口，没有 model card。所以这个 64% 是 Devin 里的用量口径，不是一个你能拿去和别家 per-token 价目表直接相除的数字。第三，所有对比数字都是 Cognition 自测，目前没有独立复现。这不意味着数字不可信，而是说在第三方跑过之前，它属于厂商口径。可用性上倒是没门槛：Devin Desktop 和 CLI 都有，Pro / Max / Teams 订阅者免费用一个月到 10 月 10 日，Devin Pro 标价每月 20 美元。想验证的人有一个月窗口去跑自己的真实任务——这比看哪张表都管用。

via: Cognition《Introducing SWE-2》、Kimi K3 技术博客、MindStudio 基准与定价整理、CellCog 对 64% 成本口径的核查