SWE-2 Flash: מודל הקידוד הזול יותר של Cognition ל-Devin, עם בדיקת טענות
Cognition שחררה את SWE-2 Flash, מודל קידוד 276B-A12B שבנוי על Inkling-Small של Thinking Machines, בחמישית מהמחיר ופי 3 מהירות של SWE-2. מה ה-benchmarks של הספק באמת מראים, איך הוא אומן, ולמה המשקלים נשארים סגורים.
Cognition, החברה שמאחורי Devin, שחררה את SWE-2 Flash ב-4 בנובמבר 2026: מודל קידוד קטן יותר שהיא מוכרת בחמישית מהמחיר ובמהירות משולשת של הדגל SWE-2. הוא זמין עכשיו בתוך Devin Desktop וב-CLI של Devin, ושום מקום אחר. החלק המעניין הוא לא שורת השיווק על "אינטליגנציה בעלות נמוכה". זה מתכון האימון (שלב mid-training לפני למידת חיזוקים, ש-Cognition אומרת שלא עשתה קודם) וטבלת ה-benchmarks שנראית כנה, שמראה מודל שמנצח בחלק מההערכות הסוכניות ומפסיד בבירור באחרות. אם אתם מריצים סוכני קידוד בפרודקשן, שווה להבין את זה כי עבודת סוכנים שגרתית (סקירת קוד, עדכוני תיעוד, פיצ'רים קטנים) היא בדיוק עומס העבודה ש-Cognition מורידה לו מחיר.
מה Cognition באמת שיגרה
SWE-2 Flash הוא מודל mixture-of-experts עם 276B פרמטרים סהכ ו-12B פרמטרים פעילים, שבנוי על גבי Inkling-Small, מודל בסיס של Thinking Machines. Cognition מכנה אותו "מודל קידוד אמריקאי לחלוטין", וזה מיצוב ספק, לא תכונה טכנית.
טענות הכותרת, כולן מפוסט ההכרזה של Cognition:
- חמישית מהמחיר ופי 3 מהירות של SWE-2, האח הגדול בהרבה (מופיע בטבלה עם 2.8T פרמטרים סהכ, 104B פעילים).
- השוואת replay בפוסט מדמה SWE-2 Flash ב-200 טוקנים לשנייה מול SWE-2 ב-60 טוקנים לשנייה. להתייחס לזה כאיור של פער המהירות, לא כערובה מדודה לעומס שלכם.
- עומסי יעד: המשימות השגרתיות שסוכני קידוד מטפלים בהן כל הזמן, כולל סקירת קוד, אוטומציית workflows, פיתוח פיצ'רים, ועדכוני תיעוד.
- זמינות: Devin Desktop וה-CLI של Devin, החל מ-4 בנובמבר 2026. דף Devin Desktop מאשר שמשטח המוצר קיים, עם הורדה ל-macOS וניהול סוכנים מקומי וענן.
המשקלים לא פומביים. עוד על כך למטה, כי זו השורה המשמעותית ביותר בפוסט.
טבלת ה-benchmarks, בקריאה זהירה
Cognition פרסמה טבלת השוואה מול מודל הבסיס שלה (Inkling-Small), הדגל שלה (SWE-2), ושורה של מודלים חיצוניים כולל GLM 5.3 Flash, DeepSeek V4.1 Flash, GPT-6 Luna, ו-Claude Haiku 5.5. אני לא יכול לאמת את המספרים של המודלים החיצוניים; Cognition הריצה את ההערכות האלה בעצמה. מה שהטבלה מראה, לפי Cognition:
- FrontierCode 2.0: SWE-2 Flash משיג 24.0, מעט מעל SWE-2 עם 23.8 ו-GPT-6 Luna עם 21.9, מאחורי Claude Haiku 5.5 עם 27.7. שלב ה-mid-training לבדו העלה את מודל הבסיס מ-3.2 ל-24.0 בהערכה הזו.
- Terminal-Bench 4.0: SWE-2 Flash משיג 20.0, מאחורי SWE-2 עם 27.3 והרחק מאחורי Claude Haiku 5.5 עם 39.2, GLM 5.3 Flash עם 41.8, ו-DeepSeek V4.1 Flash עם 42.3. מודל הבסיס השיג 0.9, אז ה-mid-training עשה כאן עבודה כבדה, אבל המודל עדיין מאחורי השדה.
- DeepSWE 1.1: SWE-2 Flash משיג 60.1 מול 73.0 של SWE-2 ו-77.0 של DeepSeek V4.1 Flash.
- Terminal-Bench 2.1: 89.2, קרוב ל-92.8 של SWE-2.
- SWE-Bench Pro v2 Hard: 89.9, כמעט שווים ל-SWE-2 עם 90.6.
- ExploitBench, הערכת סייבר: 34.8, מעלה מ-11.3 של מודל הבסיס. Cognition אומרת שהיא כיוונה בכוונה ליכולת סייבר באימון כדי לעזור למגנים.
בקריאה נדיבה, SWE-2 Flash משווה בערך את האח הגדול בהרבה שלו ב-SWE-Bench Pro v2 Hard וב-Terminal-Bench 2.1 תוך ריצה בשבריר מהעלות. בקריאה ספקנית, הוא מפסיד ל-SWE-2 ב-DeepSWE 1.1 וב-Terminal-Bench 4.0 בפערים גדולים, והוא לא קרוב למודלי החזית ש-Cognition עצמה מפרטת בכמה הערכות. שתי הקריאות מגיעות מאותה טבלת ספק. הטענה שהוא "עולה על כל מודלי הקוד הפתוח האמריקאים, אפילו מודלים גדולים פי 3" היא המסגור של Cognition לריצות שלה עצמה.
המסקנה המעשית: למשימות השגרתיות בנפח גבוה שבהן עלות לכל קריאה שולטת, מודל שכמעט שווה לדגל ב-SWE-Bench Pro v2 Hard בחמישית מהמחיר הוא אופציה אמיתית. למשימות כבדות-טרמינל קשות, המספרים של הספק עצמו אומרים לשמור את המודל הגדול.
איך הם אימנו אותו
זה החלק ששווה לגנוב לחשיבת ההערכות שלכם. Cognition הוסיפה שלב mid-training בין מודל הבסיס ללמידת החיזוקים, שהיא אומרת שחדש במתכון שלה.
התהליך, לפי הפוסט:
1. הם אצרו מערך נתוני קידוד מופרד שנועד לשקף תרחישי הנדסת תוכנה אמיתיים, ששימש לשפוט איכות נתונים.
2. הם השוו תערובות נתונים מועמדות עם גרפי יעילות טוקנים: לכל תערובת, כמה טוקנים לוקח להגיע לאותו validation loss כמו תערובת בסיס. תערובות שצריכות פחות טוקנים מנצחות.
3. מערך הנתונים שהתכנס היה כמה טריליוני טוקנים של מאמרים מדעיים, בלוגים, קוד ומקורות אחרים, שאומנו בשלושה שלבים כך שהנתונים הנדירים והאיכותיים ביותר באו אחרונים. ה-validation loss השתפר בקצב log-linear יציב דרך כל שלב.
4. ואז RL בקנה מידה גדול, כשמרבית הרווחים מיוחסים לאיכות ולמגוון גבוהים יותר של משימות RL מאשר לשינויי מתכון: הוראות מבוקרות, הקמת סביבה, ומאמתים, ועוד סוגי משימות חדשים.
שני דברים בולטים. ראשית, mid-training על MoE של 12B-פעילים העלה את Terminal-Bench 4.0 מ-0.9 ל-20.0, מה שמרמז שמודל הבסיס היה מאומן-חסר קשות לעבודת טרמינל סוכנית ולא חסר יכולת לה. שנית, מתודולוגיית יעילות-הטוקנים היא דרך זולה וניתנת לשחזור לוויכוח על תערובות נתונים עם ראיות במקום טעם.
שאלת המשקלים
Cognition אומרת שהיא רוצה לתת לשותפים תעשייתיים ולחוקרים גישה שקופה למשקלים לפריסות רגישות ומקומיות, ושהיא העלתה את ציון ExploitBench של המודל מ-11.3 ל-34.8 ספציפית כדי לעזור למגני סייבר. היא גם אומרת שאותן יכולות יכולות לעזור לתוקפים, תוך ציון גל לאחרון במתקפות סייבר, אז היא לא משחררת משקלים לציבור. במקום זה, היא בונה תוכנית לשתף משקלים בצורה מאובטחת עם שותפים ומעבדות מהימנים, עם פרטים נוספים שהובטחו לשבועות הקרובים.
עד שהתוכנית הזו קיימת, SWE-2 Flash הוא מודל מנוהל-בלבד בתוך Devin. אם האילוץ שלכם הוא אירוח עצמי, השחרור הזה לא משנה לכם כלום היום.
מה אני הייתי בודק
אלה ההצעות שלא נבדקו שלי, לא ממצאים:
- להריץ 50 עד 100 משימות שגרתיות מייצגות משלכם (סט סקירת קוד, סט עדכון תיעוד, סט פיצ'ר קטן) דרך SWE-2 Flash ודרך מה שאתם משתמשים בו היום, ולהשוות עלות לכל פלט מתקבל, לא לכל טוקן. טענות מהירות של ספקים לעיתים נדירות שורדות מגע עם לולאות ניסיון-חוזר אמיתיות.
- לבדוק איך Devin מחייב Flash מול SWE-2 במסלול שלכם, והאם "חמישית מהמחיר" מתייחס למחירון לטוקן או לעלות נצפית לכל משימה שהושלמה.
- אם אתם בסביבה מוסדרת, לעקוב אחרי הכרזת תוכנית שיתוף המשקלים. זמינות on-prem הייתה משנה את חשבון הציות.
- לצפות האם היתרון ב-FrontierCode 2.0 על SWE-2 (24.0 מול 23.8) שורד שחזור עצמאי. פער של 0.2 נקודות נמצא בתוך הרעש ברוב ערכות ההערכה.
מה לא הייתי מסיק
- ש-SWE-2 Flash מנצח את SWE-2. טבלת הספק מראה אותו מפסיד ב-DeepSWE 1.1 וב-Terminal-Bench 4.0 בפערים גדולים.
- ש-200 טוקנים לשנייה זה מה שתראו. הנתון הזה מגיע מ-replay מדומה בפוסט בלוג.
- שמספרי ה-benchmark למודלים חיצוניים (GPT-6 Luna, Claude Haiku 5.5, שורות הקוד הפתוח) מדויקים. Cognition הריצה אותם בעצמה ולא פרסמה פרטי ערכה בפוסט.
- ש"אמריקאי לחלוטין" אומר משהו על יכולת. זו הצהרת רכש ומדיניות.
שאלות נפוצות
מה זה SWE-2 Flash?
מודל קידוד של Cognition, ששוחרר ב-4 בנובמבר 2026, עם 276B פרמטרים סהכ ו-12B פעילים, שבנוי על בסיס Inkling-Small של Thinking Machines. הוא ממוצב לעבודת סוכני קידוד שגרתית בחמישית מהמחיר ובמהירות משולשת של הדגל SWE-2 של Cognition, לפי הספק.
איך ניגשים ל-SWE-2 Flash?
דרך Devin Desktop וה-CLI של Devin, לפי ההכרזה של Cognition. דף Devin Desktop מציע הורדת macOS ומתאר ניהול סוכנים מקומית ובענן. אין API ציבורי, משקלים פתוחים, או משטח אחר שמוזכר בהכרזה.
האם SWE-2 Flash טוב מ-SWE-2?
בטבלה של Cognition עצמה, זה תלוי בהערכה. הוא עוקף בקושי את SWE-2 ב-FrontierCode 2.0 (24.0 מול 23.8) וכמעט משווה אותו ב-SWE-Bench Pro v2 Hard (89.9 מול 90.6), אבל מפסיד בבירור ב-DeepSWE 1.1 (60.1 מול 73.0) וב-Terminal-Bench 4.0 (20.0 מול 27.3). טיעון הערך הוא עלות ומהירות במשימות שגרתיות, לא עליונות כוללת.
מה זה mid-training ולמה זה משנה כאן?
Mid-training הוא שלב אימון נוסף בין מודל הבסיס ללמידת החיזוקים. Cognition אומרת שזו הפעם הראשונה שהיא הוסיפה אחד, ומזקפת לזכותו את העלייה ב-Terminal-Bench 4.0 מ-0.9 ל-20.0 וב-FrontierCode 2.0 מ-3.2 ל-24.0 מעל מודל הבסיס. תערובת הנתונים נבחרה עם גרפי יעילות טוקנים שמודדים טוקנים הנדרשים להגיע ל-validation loss מטרה.
האם המשקלים של SWE-2 Flash פתוחים?
לא. Cognition אומרת שהיא בונה תוכנית לשתף משקלים בצורה מאובטחת עם שותפים תעשייתיים ומעבדות מחקר מהימנים, תוך ציון סיכון סייבר דואלי, עם פרטים שהובטחו לשבועות הקרובים. עד אז, המודל רץ רק בתוך Devin.
האם לסמוך על טבלת ה-benchmarks של Cognition?
להתייחס אליה כמדווחת-ספק. Cognition הריצה את ההערכות בעצמה, מספרי המודלים החיצוניים לא מאומתים עצמאית בפוסט, והשוואת 200 מול 60 טוקנים לשנייה היא replay מדומה. הטבלה אינפורמטיבית בצורה חריגה לפוסט השקה כי היא מראה הפסדים ולא רק ניצחונות, אבל היא עדיין לוח התוצאות של המוכר.
למה SWE-2 Flash טוב, מעשית?
לפי Cognition, עומס העבודה השגרתי ששולט בנפח סוכני הקידוד: סקירת קוד, אוטומציית workflows, פיתוח פיצ'רים, ועדכוני תיעוד. המספרים של הספק עצמו מרמזים לשמור מודל גדול יותר למשימות כבדות-טרמינל קשות.
מקורות
- Introducing SWE-2 Flash | Cognition - נקרא ב-5 בנובמבר 2026. כל מספרי ה-benchmarks, פרטי האימון, טענות המחיר והמהירות, ותוכנית שיתוף המשקלים מגיעים מהפוסט הזה.
- Devin Desktop - נקרא ב-5 בנובמבר 2026. מאשר את משטח המוצר Devin Desktop.
- ניוזלטר The Code, גיליון 5 בנובמבר 2026 - שם ראיתי את השחרור לראשונה. הסיכום שלו תואם את הפוסט של Cognition.
לא נקרא: עמודי התמחור של Devin, תיעוד ה-CLI של Devin, וכל שחזור benchmark עצמאי. טענות למעלה על יחסי מחיר, מהירות, וציוני הערכה הן של Cognition, לא שלי.
קריאה נוספת
- Qwen4-Max: דגם הדגל של Alibaba עם 2.4T פרמטרים מבטיח ירידה של 62% בעלות למשימה מול הדור הקודם
צוות Qwen של Alibaba שחרר את Qwen4-Max, הדגם הראשון במשפחת Qwen4: מודל MoE דליל עם 2.4 טריליון פרמטרים, 71B פעילים לטוקן, חלון קונטקסט של מיליון טוקנים, מצבי חשיבה עם רמות מאמץ מתכווננות, וגישה דרך endpoints תואמי OpenAI ו-Anthropic. לפי מספרי היצרן, עד 49% פחות טוקנים במשימות קידוד סוכנתי וירידה של 62% בעלות הממוצעת למשימה מול Qwen3.8-Max. מחיר הקלט מתחיל ב-1.5 דולר למיליון טוקנים.
- LongCat-2.5: Meituan משחררת מודל סוכנים של 1.6T פרמטרים ברישיון MIT, מאומן ומוגש בלי Nvidia
צוות LongCat של Meituan שחרר את המשקלים של LongCat-2.5: מודל mixture-of-experts עם 1.6 טריליון פרמטרים, כ-48B פעילים לטוקן, הבנת תמונה מלידה, קונטקסט של 512K טוקנים ורישיון MIT. האימון והפריסה הרפרנסית רצים כולם על מאיצים סיניים מקומיים, עם quantization של W4A4 INT4 שלטענת הצוות משמר דיוק קרוב למלוא הדיוק. בבנצ'מרקים של היצרן הוא קרוב ל-Claude Opus 5 בקידוד סוכנתי, ומתחתיו במשימות terminal. אירוח עצמי דורש אשכול רציני.
- Meta Muse Ember: מודל היגיון ב-$0.10 למיליון טוקנים שבנוי לשכבת תת-המשימות של סוכנים
מטא שחררה את Muse Ember ב-9 בנובמבר: מודל היגיון קטן לקריאות כלים, תת-משימות קידוד וניתוח מסמכים, במחיר $0.10 למיליון טוקנים קלט עם חלון קונטקסט של מיליון טוקנים. מטא טוענת לרמת אינטליגנציה של Haiku 5.5 בשליש מהעלות. המספרים, הסייגים, ומתי מודל סאב-סוכן זול הגיוני.
יומן הבנייה
לעקוב אחרי העבודה.
מאמרים ואבטיפוסים חדשים, ישר לקורא ה-RSS שלכם. מנויי המייל בהשהיה זמנית, עד שאחבר שירות משלוח עובד. לא נאסף כאן אימייל.
עקבו ב-RSS