Devin 也有了便宜型号：SWE-2 Flash 快 3 倍、便宜 5 倍，但权重这次不公开

先说判断：这不是一次“更强”的发布，而是一次“够用又便宜”的发布

2026 年 11 月 4 日，Cognition 发布了 SWE-2 Flash，一个给 Devin 用的编码模型。官方博客的标题很直白：一个“完全美国产”的编码模型，在低成本和高速度上立了新标杆。它跑起来比大哥 SWE-2 快 3 倍，价格只要五分之一，11 月 30 日之前免费试用。听起来像一次常规的“小杯”发布，但细读下去，真正值得讨论的不是速度和价格，而是两件事：第一，它的训练方法里多了一个以前没有的“中期训练”阶段；第二，它的权重这次不公开了。

我的判断先摆出来：SWE-2 Flash 的意义不在榜单，而在分工。它承认了一个正在发生的现实——Agent 每天干的大部分活不是攻克难题，而是写常规功能、审代码、改文档、跑自动化。这些活不需要最强的模型，需要的是“够强、够快、够便宜”的模型。Cognition 这次就是把“日常活”从旗舰模型手里接过来，单独交给一个便宜型号。理解了这个分工，再看它的榜单数字和权重决定，才不会看走眼。

公告到底说了什么

先把事实部分讲清楚，不掺解读。Cognition 在官方博客里说，SWE-2 Flash 建立在 Thinking Machines 的 Inkling-Small 之上，这是一个 2760 亿总参数、每次激活 120 亿参数的混合专家模型。训练方法上，Cognition 第一次在强化学习之前加了一个大规模“中期训练”（mid-training）阶段：先用几万亿 token 的高质量科学文章、博客和代码做三阶段训练，越稀缺、质量越高的数据越往后放，验证损失全程保持稳定的对数线性下降；然后再做大规模强化学习，这次的提升主要来自任务的质量和多样性，而不是强化学习方法本身的改动。

效果方面，官方给出的数字是：Terminal-Bench 4.0 从底座模型的 0.9% 提升到 20.0%，FrontierCode 2.0 从 3.2% 提升到 24.0%。和自家大哥 SWE-2 对比，Flash 在 FrontierCode 2.0 上以 24.0% 对 23.8% 微弱领先，在 Terminal-Bench 4.0 上以 20.0% 对 27.3% 落后，在 SWE-Bench Pro v2 Hard 上以 89.9% 对 90.6% 几乎打平，在 DeepSWE 1.1 上以 60.1% 对 73.0% 明显落后。Cognition 还宣称，在它报告的主流评测上，Flash 超过了所有美国开源权重模型，包括比它大三倍的模型。

价格和速度方面，官方说法是：比 SWE-2 快 3 倍，价格只要五分之一，即日起在 Devin Desktop 和 Devin CLI 里可用，免费试用到 11 月 30 日。需要提醒一句：官方博客里那张“生成速度”对比图，是把两个模型各自跑同一道 Terminal-Bench 4.0 任务的记录，按每秒 200 token 对 60 token 的模拟速度重放出来的，而且记录还被截短到等长。这是一张示意图，不是实测录像，3 倍这个数字要按“官方说法”来理解，不能当成你自己电脑上的实测结果。

安全方面，Cognition 说它针对网络安全工作做了专门训练，把 ExploitBench 的分数从 11.3% 提升到 34.8%，目的是帮助防守方。但同一段话也承认，这些能力同样可能被攻击者利用，而且近期网络攻击确实在激增。所以，SWE-2 Flash 的权重暂时不公开，Cognition 正在搭建一个面向可信行业伙伴与研究机构的安全共享计划，几周后公布更多细节。

“中期训练”到底新在哪里

这次发布里最值得技术读者多看两眼的，是“中期训练”这个环节。常规的流程是预训练加后训练，强化学习直接接在底座模型后面。Cognition 的做法是在中间插了一段大规模的中期训练：先拿高质量数据把底座模型“教”到更接近真实软件工程场景的样子，再做强化学习。

为什么要多此一举？官方博客里讲了一个关键细节：他们为了决定数据配比，专门准备了一个高质量的留出编码数据集，用“达到同样验证损失需要多少 token”来比较不同数据来源的效率，再按这个效率调配比。这说明中期训练的核心不是“喂更多数据”，而是“喂更对的数据”。几万亿 token 听起来吓人，但真正起作用的是配比和三阶段的顺序：一般数据在前，稀缺的高质量数据在后。

对 vibe 开发者来说，这个细节的意义不在技术本身，而在它解释了 Flash 的成绩单为什么是这个形状：Terminal-Bench 4.0 从 0.9% 涨到 20.0%，涨幅巨大，但绝对值仍然只有大哥的四分之三左右。换句话说，中期训练把一个底座模型从“几乎不会写代码”拉到了“能干日常活”，但没有把它变成旗舰。这正是“小杯”模型的定位：它不是用来破纪录的，是用来把日常活的成本打下来的。

还有一个值得留意的对比：上一代 SWE-2 是在月之暗面 Kimi K3 的基础上后训练出来的，而 Flash 的底座换成了美国 Thinking Machines 的 Inkling-Small。Cognition 在标题里强调“完全美国产”，这个措辞本身就是信号：供应链的来源正在成为模型发布时的卖点之一。对使用者来说，底座换了谁并不直接决定好不好用，但它决定了这条产品线的故事往哪个方向讲，以及未来合规和采购时会遇到什么样的问题。

榜单要怎么读：先看分工，再看数字

SWE-2 Flash 的榜单很容易读错，因为它同时给了两种信号：和底座比是巨大的进步，和大哥比是有输有赢。正确的读法是先看分工，再看数字。

先看它赢在哪里。FrontierCode 2.0 上 24.0% 对 23.8%，赢了，但只赢了 0.2 个百分点，这在评测误差面前基本等于打平。SWE-Bench Pro v2 Hard 上 89.9% 对 90.6%，输了 0.7 个百分点，同样约等于打平。真正拉开差距的是长程任务：Terminal-Bench 4.0 落后 7.3 个百分点，DeepSWE 1.1 落后 12.9 个百分点。这两项测的都是多步骤、长链条的自主任务，恰恰是旗舰模型和便宜模型之间最难抹平的差距。

所以结论很清楚：Flash 适合的活，是边界清晰、步骤不长的日常工作——自动化脚本、代码审查、功能开发、文档更新，官方博客点名的正是这四类。需要长时间自主推进、多轮试错、跨文件大改的活，还是交给 SWE-2 或者更强的模型。选模型和选工具是一个道理：不是选最强的，而是选“刚好够用还便宜”的那一个。把长程攻坚任务交给便宜模型，省下的钱会在返工里加倍还回去。

还有一句必须说在前面的话：以上全部是 Cognition 自己报告的数字，没有独立第三方验证。Cognition 自己也在博客里留了口子，强调这些是“它报告的主流评测”。等独立评测出来之后再回头对照，是读所有厂商榜单的基本纪律。

权重不公开：这次真正值得讨论的决定

如果说速度和价格是明面上的卖点，权重不公开就是这次发布里真正的新闻。SWE-2 Flash 的底座 Inkling-Small 本身是可下载的、Apache 协议开源的模型，但 Cognition 训练出来的 Flash 并不公开权重，理由是网络安全方面的双重用途风险：同一个模型既能帮防守方找漏洞、写补丁，也能帮攻击方找漏洞、写利用代码。Cognition 举出的证据是它把 ExploitBench 从 11.3% 提升到 34.8%，以及近期网络攻击的激增。

这个决定值得认真讨论，因为它处在一个很微妙的位置上。一方面，Cognition 的理由是成立的：一个在网络安全上被专门强化过的模型，公开权重确实会降低攻击者的门槛，而且“帮助防守方”这个目标本身就需要模型足够强，强到足以被滥用。另一方面，这个决定也意味着“开放权重”这条路正在收窄：底座开源不等于成品开源，训练方法、数据配比、强化学习任务这些真正决定模型能力的资产，仍然掌握在发布方手里。

对 vibe 开发者来说，这个决定的实际影响有三层。第一层是使用方式：Flash 只能通过 Devin Desktop 和 CLI 用，没有独立的 API，也没有本地部署的选项，你的 workflow 必须进 Devin 的产品里。第二层是成本结构：免费到 11 月 30 日，之后按 SWE-2 五分之一的价格计费，长期用下来是不是真的便宜，要看你的用量结构，不能只看单价。第三层是可迁移性：权重不公开意味着你不能把这个模型微调成自己的版本，也不能把它搬到自己的基础设施上。今天它在 Devin 里便宜好用，不等于明天它在你自己的架构里也一样。

我的看法是：把“权重共享计划”当成一个待验证的承诺，而不是既成事实。Cognition 说几周后公布更多细节，到时候要看三件事：哪些机构能进这个计划、共享的条件是什么、研究者能不能真正拿到可微调的权重。如果计划迟迟不落地，或者门槛高到只有大机构能进，那“平衡透明与安全”这个说法就要打折扣。

放在 11 月的模型发布潮里看：便宜型号正在变成标配

SWE-2 Flash 不是 11 月唯一一个“便宜型号”。同一周里，月之暗面开放了 Kimi K3.1 Pro 的权重，谷歌的 Gemini 4 Carbon 刚发布不久，OpenAI 也在推 Images 2.6 的分档模型。把这几件事放在一起看，趋势很清楚：前沿实验室一边继续推旗舰，一边都在补一条“便宜、够快、够用”的产品线。旗舰负责破纪录，便宜型号负责把日常活的成本打下来。

这个分工对 vibe 开发者是好消息，因为日常活恰恰是我们的大头。一个产品里每天跑的 Agent 任务，十之八九是常规操作：改个文案、补个测试、修个样式、更新文档。这些任务不需要最强的模型，需要的是“一次通过率高、速度快、价格低”的模型。便宜型号的意义就在于此：它让“把 Agent 用在日常活上”这件事从奢侈品变成了日用品。

但便宜型号也有一个共同的代价：控制权。Flash 只能通过 Devin 用，权重不公开，微调和本地部署都不在选项里。这不是 Cognition 一家的问题，而是整个“便宜型号”潮流的共性：价格降下来，换来的是使用方式被锁在发布方的产品里。今天便宜好用，不等于明天在你的架构里也一样。选便宜型号之前，先问自己一句：如果明天它涨价、改条款、或者停掉免费额度，我的 workflow 能不能在一天之内换到备选方案？如果答案是否定的，那就要先把备选方案准备好，再享受便宜的价格。

还有一个值得留意的信号：底座的来源正在成为卖点。上一代 SWE-2 基于月之暗面的 Kimi K3，这一代 Flash 基于美国 Thinking Machines 的 Inkling-Small，Cognition 在标题里直接写了“完全美国产”。模型发布时的措辞变化，往往比技术参数更能说明行业的风向：供应链、地缘、合规，这些以前只在采购会上讨论的话题，现在已经写进了发布博客的标题。对使用者来说，这意味着选模型的时候除了看榜单，还要看一眼底座的来源和授权——不是为了站队，而是为了避免将来在合规和采购上被动。

还有一个细节值得单独拎出来：Cognition 在博客里花了不少篇幅讲“数据配比”这件事，讲他们怎么用留出数据集比较不同数据来源的效率，再决定往中期训练里放什么、放多少。这个细节之所以重要，是因为它说明了便宜模型的成本结构：训练一个便宜模型的关键不在算力规模，而在数据选择的眼光。算力可以租，数据配比的经验却租不来。这也是为什么同样是“小杯”模型，有的能做到日常活一次通过，有的却要反复纠正——差距不在参数量，在训练数据的质量上。选便宜模型的时候，除了看价格和速度，还要看它在你的真实任务上的一次通过率，这个数字比榜单上的任何分数都更接近真相。

给 vibe 开发者的四条建议

第一，11 月 30 日之前免费试用，但别只试“它会不会写代码”。真正要试的是你的日常活：让它审一段你刚写的代码，让它给一个小功能写实现和测试，让它把一份过期的文档更新一遍。记录下它在哪些任务上一次通过，在哪些任务上需要你反复纠正。免费期的价值不在“省了多少钱”，而在“摸清了它的边界”。

第二，按任务分流，而不是按模型站队。日常活走 Flash，长程攻坚走 SWE-2 或更强的模型，这个分工本身就是 Cognition 设计这款产品的初衷。判断一个任务该走哪边，看两个信号：步骤超过十步、需要跨文件推理的，走强模型；边界清晰、一次能说完的，走 Flash。分流的依据写进你的工作流里，而不是凭每次的感觉。

第三，别把厂商榜单当成选型结论。Terminal-Bench 4.0 的 20.0% 和 FrontierCode 2.0 的 24.0% 都是 Cognition 自己报告的，独立评测还没出来。选模型之前，先拿你自己的仓库、你自己的任务跑一小批对照：同一个任务分别交给 Flash 和你现在用的模型，对比一次通过率、返工次数和总耗时。自己的数据比任何榜单都可靠。

第四，对“便宜”保持完整的算账习惯。五分之一的价格是相对 SWE-2 而言的，不是绝对便宜。算总账时要把三样东西加进去：免费期结束后的实际单价、返工和纠正所花的时间、以及只能通过 Devin 使用带来的迁移成本。一个模型便不便宜，要看它在你手里完成一个任务的总成本，而不是看它标价牌上的数字。

一句话总结

SWE-2 Flash 不是来破纪录的，是来把日常活的成本打下来的。它的训练方法值得技术读者留意，它的权重决定值得所有人留意。免费试用到 11 月 30 日，时间足够你摸清它的边界——前提是你试的是自己的真实任务，而不是演示用的标准题目。等免费期结束、第一张账单到手的时候，再回头算一次总账：省下来的钱有没有被返工吃掉，分流的规则有没有真的跑起来，备选方案有没有准备好。这三个问题的答案，比发布当天任何一篇评测都更能告诉你，这个便宜型号到底值不值得留在你的工作流里。

更重要的是，免费期是你唯一一次可以零成本试错的窗口：用它跑最脏、最杂、最真实的任务，把边界摸清楚，把分流规则写下来，把备选方案准备好。窗口关上之后再做这些事，每一步都要花真金白银。便宜型号的真正考验从来不在发布当天，而在免费期结束后的第一个月。