Cognition、新モデル「SWE-2」を発表
原題: Cognition launches new SWE-2 model, Rivaling Fable 5.1 and GPT-Astra
なぜ重要か
兆パラメータ規模でのRL適用と大幅なコスト削減の両立は、エンタープライズ向けコーディングエージェント市場の競争激化を示す重要な技術的前進である。
Cognitionは2025年10月26日、最新コーディングモデル「SWE-2」を発表した。ベンチマーク「FrontierCode 1.1 Main」で50.0%を達成し、Fable 5.1に1ポイント差まで迫りながら64%低コストを実現。パラメータ数2.8兆規模のモデルに強化学習（RL）を初めて適用した。本日よりDevin DesktopおよびCLIで利用可能となった。
Cognitionが発表した「SWE-2」は、同社のコーディングエージェント「Devin」向けに開発された最新モデルであり、コスト対性能のPareto前線を大幅に前進させた点が特徴だ。
ベンチマーク結果では、FrontierCode 1.1 Mainで50.0%を記録し、Fable 5.1の50.9%に1ポイント差まで迫った。また、DeepSWE 1.1では73.0%、Terminal-Bench 2.1では92.8%を達成している。GPT-6 Astraの53.3%には数ポイント及ばないものの、コストは約4分の1に抑えられている。
SWE-2は、月桂社（Moonshot AI）が開発した2.8兆パラメータモデル「Kimi K3」をベースモデルとして採用し、Cognitionが独自のポストトレーニングを実施した。今回の主要な技術革新として、複数の推論コストレベルを単一のRLランで同時学習する「コストペナルティ付きRL」アルゴリズムを新たに導入。これにより、モデル全体のPareto前線を維持しつつ底上げすることに成功したとしている。
SWE-2はベースのKimi K3に対してFrontierCodeやDeepSWEなど複数ベンチマークで5〜6ポイントの改善を実現した。
効率面でも顕著な改善が見られ、FrontierCode 1.1 MainにおいてSWE-2 mediumはSWE-1.7と比べてスコアが高い一方、平均ターン数は127から53へ58%減少し、平均コストは81%削減された。
その他のトレーニング改善点として、RLロールアウトサービングにおけるNVFP4/FP8カーネルと量子化対応トレーニングの活用によるメモリ使用量削減、RL環境数の3倍拡充、命令追従オーバーレイの追加なども実施された。
SWE-2は本日よりDevin DesktopおよびCLIで利用可能。Devin WebおよびFusionへも順次展開される予定だ。