CognitionのSWE-2、Terminal-Bench 2.1で92.8を達成
Cognition's SWE-2 achieves 92.8 on Terminal-Bench 2.1
Cognitionは、Kimi K3ベースに独自のポストトレーニングを施したSWE-2を発表しました。SWE-2は2.8兆パラメータを持ち、トークンあたり1040億アクティブなMoEモデルです。NVFP4とFP8カーネル、量子化対応トレーニングを用いたMoE推論サービングスタックを採用し、MLA層のK, Q, V, スコア計算にFP8を使用しています。SpecForgeで再学習したモデルは受容長が15%長く、プリフィルディレイヤーはGPUあたりのTPMとリクエストあたりのトークン/秒を10-20%向上させます。SWE-2は、SWE-1.7と比較して、より少ないターン数と低い平均コストで高いFrontierCodeスコアを達成し、最初の編集をより少ないステップで完了します。ベンチマークスコアは、FrontierCode 1.1 Mainで50.0、DeepSWE 1.1で73.0、Terminal-Bench 2.1で92.8、Terminal-Bench 4.0で27.3です。FrontierCode 1.1 MainのスコアはClaude Fable 5.1やGPT-6 Astraにわずかに及びませんが、コストは大幅に低いです。Terminal-Bench 4.0では他モデルに大きく劣ります。SWE-2の重みは公開されておらず、ローカル実行はできません。Devin DesktopおよびCLIで利用可能で、Devin WebとFusionでも展開予定です。CognitionはSWE-2のトークンあたりのAPIを提供しておらず、タスクあたりのコスト比較が価格設定の表面となります。全ての数値はCognitionによる自己申告であり、独立した検証が必要です。
- CognitionがKimi K3ベースに独自ポストトレーニングを施したSWE-2を発表。2.8兆パラメータ、トークンあたり1040億アクティブのMoEモデル。
- ベンチマークはFrontierCode 1.1 Main 50.0、DeepSWE 1.1 73.0、Terminal-Bench 2.1 92.8、Terminal-Bench 4.0 27.3(いずれも自己申告)。
- NVFP4/FP8カーネルと量子化対応トレーニングを用いたMoE推論スタックを採用し、MLA層のK,Q,V,スコア計算にFP8を使用。
- SpecForgeで再学習したモデルは受容長が15%長く、プリフィルディレイヤーがGPUあたりTPMとリクエストあたりトークン/秒を10-20%向上。
- SWE-1.7比でより少ないターン数・低い平均コストで高いFrontierCodeスコアを達成し、最初の編集をより少ないステップで完了。
- FrontierCode 1.1 MainのスコアはClaude Fable 5.1やGPT-6 Astraにわずかに及ばないがコストは大幅に低く、Terminal-Bench 4.0では他モデルに大きく劣る。
- SWE-2の重みは非公開でローカル実行不可。Devin DesktopおよびCLIで提供、Devin WebとFusionでも展開予定。APIはトークン課金ではなくタスクあたりコストが価格の表面。
CognitionがKimi K3ベースに独自ポストトレーニングを施したSWE-2を発表し、Terminal-Bench 2.1で92.8などの高スコアを自己申告しています。注目点は性能そのものよりも、量子化(MoE推論スタック、FP8カーネル)とSpecForge再学習による推論効率の改善で、GPUあたりTPMやトークン/秒を10-20%引き上げていることです。つまりコスト低下が差別化要因で、FrontierCode 1.1 MainでClaude Fable 5.1やGPT-6 Astraにわずかに及ばないもののコストは大幅に低いという構図は、コーディングエージェント市場での価格競争と収益性の鍵になります。一方、重みは非公開でローカル実行不可、APIはトークン課金でなくタスク課金、数値は全て自己申告かつ独立検証が必要という点は、Dev in Desktop/CLI経由のロックイン戦略の成否と併せて慎重に見るべきリスクです。