Cognition hat am 10. September 2026 SWE-2 vorgestellt, nach eigenen Angaben das bislang fortschrittlichste Coding-Modell des Unternehmens. Es erreicht 50,0% auf FrontierCode 1.1 Main, einen Punkt hinter Fable 5.1 bei 64% niedrigeren Kosten. Post-trainiert wurde es auf Kimi K3, einem offenen Modell mit 2,8 Billionen Parametern. Damit skaliert Cognition sein RL erstmals in den Multi-Billionen-Parameter-Bereich.

Die zentrale Trainingsneuerung ist ein kostenbestrafter RL-Ansatz der Form R = S - lambda_e * C. S steht für den binären Erfolg, C für die Rollout-Kosten in Dollar und Zeit, und lambda_e wird pro Effort-Level an die lokale Steigung der Pareto-Front des Basismodells angepasst. So lassen sich alle Reasoning-Effort-Level in einem einzigen RL-Lauf trainieren. In einem Anhang beweist das Team, dass nur eine lineare Kostenstrafe den Reward ausschließlich von durchschnittlichen Kosten und Lösungsrate abhängig macht.

In den Benchmarks erreicht SWE-2 73,0% auf DeepSWE 1.1, 92,8% auf Terminal-Bench 2.1 und 27,3% auf Terminal-Bench 4. Es schlägt SWE-1.7 und Grok 4.6 bei Score und Kosten, erreicht GPT-5.6 Sol und Fable 5.1 zu einem Bruchteil deren Preises und liegt wenige Punkte hinter GPT-6 Astra bei etwa einem Viertel der Kosten. Gegenüber der Kimi-K3-Basis brachte das RL 5 bis 6 Punkte auf vielen Benchmarks.

Die Effizienzgewinne sind erheblich. SWE-2 medium übertrifft SWE-1.7 auf FrontierCode 1.1 Main bei 58% weniger Runden und 81% geringeren Kosten. Die erste echte Codeänderung erfolgt im Median nach 18 Schritten statt 48 bei SWE-1.7, was Cognition auf fokussiertere Codebase-Exploration zurückführt. Verhaltensseitig meldet das Team bessere End-to-End-Tests, mehr Einfallsreichtum bei blockierten Wegen und diszipliniertere Verifikation.

Infrastrukturell beschreibt Cognition eine längengewichtete Reward-Baseline, die die Gradientenvarianz senkt und die Inferenz-Training-KL niedrig hält, einen Prefill-Delayer mit 10 bis 20% mehr Durchsatz sowie ein online nachtrainiertes DSpark-Draft-Modell für spekulative Dekodierung mit 15% längeren akzeptierten Sequenzen. NVFP4- und FP8-Kernel mit quantisierungsbewusstem Training halten den Speicherverbrauch trotz der fast dreifach größeren Basis im Rahmen.

Bei den Daten wurde die Zahl der RL-Umgebungen verdreifacht, Instruction-Following-Overlays ergänzt und die Verifizierer mithilfe früherer SWE-2-Checkpoints iterativ gegen Reward Hacking gehärtet. Eine Bewertung der Vertrauenswürdigkeit zu Propaganda, Zensur und kontextabhängiger Verwundbarkeit ergab eine Gesamterfolgsquote von 98,0% bei politisch sensiblen China-Fragen und keine statistisch signifikanten Framing-Effekte bei der Anfälligkeit für verwundbaren Code.

SWE-2 ist ab sofort in Devin Desktop und der Devin CLI verfügbar. Der Rollout auf Devin Web und Fusion läuft.