Cognition, 새 코딩 모델 SWE-2 공개
원제: Cognition launches new SWE-2 model, Rivaling Fable 5.1 and GPT-Astra
왜 중요한가
다중 조 파라미터 규모 RL 적용으로 코딩 AI의 성능-비용 프런티어를 동시에 개선한 사례로, 기업용 AI 코딩 도구 시장의 경쟁 구도에 영향을 미칠 수 있다.
Cognition은 2025년 10월 26일, 최신 코딩 모델 'SWE-2'를 발표했다. FrontierCode 1.1 Main 벤치마크에서 50.0%를 기록하며 Fable 5.1(50.9%)에 1포인트 차이로 근접하는 한편, 비용은 64% 저렴하다. SWE-2는 당일부터 Devin Desktop, CLI, Web, Fusion에서 제공된다.
Cognition은 자사 코딩 에이전트 Devin에 탑재할 새로운 모델 'SWE-2'를 공개했다. SWE-2는 2.8조 파라미터 규모의 Kimi K3를 베이스 모델로 사후 훈련(post-training)한 것으로, 다중 조 단위 파라미터 영역에서 강화학습(RL)을 적용한 첫 사례라고 밝혔다.
주요 벤치마크 결과는 다음과 같다. FrontierCode 1.1 Main에서 50.0%(Fable 5.1은 50.9%, GPT-6 Astra는 53.3%), DeepSWE 1.1에서 73.0%(GPT-6 Astra 74.1%), Terminal-Bench 2.1에서 92.8%를 기록했다. 전작 SWE-1.7(42.0%) 대비 동 벤치마크에서 8포인트 향상됐으며, Kimi K3 베이스(44.2%) 대비에서도 5~6포인트 개선됐다.
비용 효율성도 두드러진다. FrontierCode 1.1 Main 기준 SWE-2 medium은 SWE-1.7보다 높은 점수를 내면서도 평균 처리 단계(턴)를 58% 줄이고 비용을 81% 절감했다. SWE-1.7의 평균 단계 수는 127회인 반면 SWE-2 medium은 53회다.
훈련 기법으로는 ▲단일 RL 실행에서 모든 추론 노력 수준을 동시에 학습하는 비용 패널티 알고리즘 ▲길이 가중 보상 기준선(length-weighted reward baseline) ▲NVFP4/FP8 커널과 양자화 인식 훈련을 통한 메모리 사용 절감 ▲RL 환경 3배 확대 및 검증기 강화 플라이휠 구축 등이 적용됐다. SWE-2는 현재 Devin Desktop, CLI, Web, Fusion을 통해 제공된다.