你是否遇到过这种情况：让 AI 编程助手修一个 Bug，它先”通读”了半个代码库，跑了一百多步才动手改第一行代码，月底一看账单，比请个实习生还贵。Cognition（Devin 母公司）9 月 10 日发布的编程模型 SWE-2 就是冲着这个毛病来的——它把”花的每一分钱”直接写进了训练奖励函数，让模型在动手之前先算经济账。
SWE-2 是什么：业界首个三档推理档位一把训练的编程模型
SWE-2 是 Cognition 目前最强的编程模型，基座是月之暗面的 2.8 万亿参数开源模型 Kimi K3，Cognition 在其上做了强化学习后训练，首次把 RL 扩展到多万亿参数规模。它最大的特点是一次 RL 训练同时训练出 medium、high、max 三档推理努力：奖励函数为”任务成功率减去与推理成本挂钩的惩罚项”，每档惩罚系数按基模型成本-性能曲线的局部斜率调校。简单说，medium 档学会了在简单任务上不浪费钱，max 档则保留深挖能力。
三档的实际行为差异很直观：medium 平均每任务 53 步，适合单文件修复、补测试这类边界清晰的任务；high 80 步，适合跨模块重构；max 98 步，用于架构级变更。使用方式是订阅 Devin（devin.ai），在 Desktop 或 CLI 中选择 SWE-2 模型，再按任务复杂度设置 effort 档位即可，没有独立 API，也不提供开源权重。
跑分与成本：差 0.9 分追平旗舰，单任务成本约三分之一
Cognition 官方公布的四项基准里，SWE-2 在 FrontierCode 1.1 Main 拿到 50.0%，距离 Anthropic 的 Fable 5.1（50.9%）只差 0.9 分，且成本据称低 64%；对比 GPT-6 Astra（53.3%）只差 3 分左右，成本约为其四分之一。具体数据如下（成本为各模型在 FrontierCode 上对应档位的平均花费，Cognition 自报）：
| 模型/档位 | FrontierCode 1.1 | DeepSWE 1.1 | Terminal-Bench 2.1 | Terminal-Bench 4 | 单任务成本 |
|---|---|---|---|---|---|
| SWE-2 max | 50.0% | 73.0% | 92.8% | 27.3% | $1.18 |
| SWE-2 medium | 43.1% | — | — | — | $0.37 |
| Fable 5.1 medium | 50.9% | 67.4% | 91.4% | 55.8% | $3.28 |
| GPT-6 Astra max | 53.3% | 74.1% | 89.9% | 57.9% | $4.49 |
比绝对分数更值得关注的是效率：对比自家上一代 SWE-1.7，SWE-2 medium 用少 58% 的轮次、低 81% 的成本拿到了更高的分数，首次真实代码编辑从中位数第 48 步提前到第 18 步。社区的热评很形象：”上一代读完半个代码库才动手，这一代 18 步就开始改代码——还因为在训练里浪费钱被扣过分。”
优缺点都很明显：省钱 specialist，不是全能选手
优点：短周期仓库任务表现是全场最强，Terminal-Bench 2.1 的 92.8% 领跑对比表，DeepSWE 1.1 的 73.0% 甚至反超 Fable 5.1；被质疑结论时会重新推导验证而不是一味迎合；三档档位让你能自由控制算力预算。
缺点：在考察长链路复杂终端任务的 Terminal-Bench 4 上只有 27.3%，被 Fable 5.1（55.8%）和 GPT-6 Astra（57.9%）拉开近 30 分，这是官方也没法回避的硬伤；所有跑分均为厂商自报，尚无独立复现；无 API、无权重，只能锁在 Devin 生态里用；另外基座 Kimi K3 当天还卷入了 Anthropic 的来源指控风波，选型时建议留意后续进展。
适合谁用：按量付费、任务边界清晰的团队优先
如果你的日常工作是 PR 审查、Bug 修复、补测试这类范围明确的任务，SWE-2 几乎是为成本敏感型团队量身定做的：Devin Pro 每月 20 美元，Pro/Max/Teams 订阅用户在 10 月 10 日前可免费用 SWE-2，之后按 token 计费（输入 3 美元、输出 15 美元每百万 token）。反过来，如果你的任务需要长时间自主跑复杂终端工作流，或者需要独立 API、自托管部署，那 SWE-2 目前给不了你想要的东西。
这类”用后训练把旗舰性能打到白菜价”的路线，最近不止 Cognition 一家在走——此前我们评测过的 DeepSeek V4.1-Flash 也是同一条性价比曲线上的产品；而如果你更习惯 IDE 内的智能体工作流，可以参考这篇 Cursor Projects 实测对比着看。
一句话总结：如果你每月的 AI 编程账单已经让你肉疼，SWE-2 值得在 10 月的免费窗口里认真跑一批真实工单试试——省下的钱可能比订阅费还多。
