Cognition이 목요일 코딩 모델 SWE-2를 공개했다. 자사 벤치마크 FrontierCode에서 Fable 5.1에 1점 차로 따라붙으면서 운영 비용은 64% 낮다는 것이 회사의 설명이다. 더 눈길을 끄는 대목은 출신이다. SWE-2는 Moonshot AI의 2조 8천억 파라미터 오픈 웨이트 모델 Kimi K3를 후속 학습해 만들었다. 프런티어에 근접한 제품을 중국산 베이스 모델 위에 올린 셈이다. 공개 포스트는 243점을 얻으며 Hacker News 첫 화면에 올랐다.
핵심 요약
- SWE-2는 FrontierCode 1.1 Main에서 50.0%를 기록해 Fable 5.1의 50.9%에 근접했고, 앞선 프런티어 모델들의 약 3분의 1 가격으로 돌아간다.
- Cognition은 Moonshot AI의 오픈 웨이트 모델 Kimi K3를 후속 학습했고, 자사 강화학습으로 여러 벤치마크에서 5~6점을 끌어올렸다고 밝혔다.
- SWE-2 medium은 이전 모델 SWE-1.7을 앞서면서도 턴 수는 58% 적고 과제당 비용은 81% 낮다.
프런티어와의 거리
FrontierCode 1.1 Main에서 Cognition이 제시한 SWE-2의 점수는 50.0%다. Kimi K3(44.2%), Grok 4.6(48.0%), GPT-5.6 Sol(47.5%)을 앞섰고, Fable 5.1(50.9%)과 GPT-6 Astra(53.3%)에만 뒤졌다. DeepSWE 1.1에서는 73.0%로 Astra와 약 1점 차다. 확실한 우위는 Terminal-Bench 2.1에서 나왔다. 92.8%로 표 맨 위에 올랐다.
난도가 높은 Terminal-Bench 4에서는 그림이 달라진다. SWE-2는 27.3%에 그쳐 Astra의 57.9%, Fable 5.1의 55.8%와 큰 격차를 보였다. 이 간극이 값싼 모델이 아직 내주고 있는 몫을 정직하게 드러낸다. 호흡이 긴 최고난도 에이전트 과제에서는 프런티어가 여전히 한참 앞서 있다.
모든 추론 강도를 한 번의 학습으로
가격을 뒷받침하는 기술적 주장은 강화학습 방식을 바꿨다는 데 있다. Cognition은 저·중·고 추론 모드를 따로 학습하는 대신, 비용 페널티를 적용한 보상을 써서 한 번의 RL 실행 안에서 모든 강도를 함께 학습한다. 보상은 성공률에서 강도별 계수와 롤아웃 비용의 곱을 뺀 값이며, 이 계수는 베이스 모델 비용·성능 곡선의 국소 기울기에 맞춰 조정한다.
회사는 페널티가 비용에 선형이어야 한다고 설명한다. 선형 항만이 평균을 내기 전에 적용하든 후에 적용하든 같은 답을 주기 때문이다. 계수를 훑어볼 하이퍼파라미터로 두지 않고 곡선의 접선에 맞추는 것이, 옵티마이저가 고강도 모드를 슬그머니 저렴한 중강도 모드로 주저앉히지 않게 막는 장치다.
나머지는 서빙 최적화가 메웠다. 인접한 프리필 요청을 묶어 처리량을 10~20% 끌어올렸고, 15% 더 긴 시퀀스를 수용하는 투기적 디코딩용 드래프트 모델을 새로 학습했으며, 양자화 인식 학습과 함께 NVFP4·FP8 커널로 옮겼다. 베이스 모델 파라미터가 이전 세대의 약 3배인데도 학습-추론 간 괴리는 SWE-1.7보다 낮다는 것이 회사의 보고다.
덜 헤매고, 더 일찍 손대다
SWE-1.7은 단순한 작업에도 코드베이스를 과도하게 뒤진다는 불만을 샀다. 작은 수정 하나에 필요한 것보다 훨씬 많은 코드를 읽었기 때문이다. SWE-2는 FrontierCode 1.1 Main에서 중앙값 18단계 만에 첫 실질 수정에 들어간다. SWE-1.7은 48단계였다. Cognition은 이를 게으름이 아니라 집중된 탐색이라고 규정한다. 저장소의 어느 부분이 중요한지 판단하는 능력이 좋아졌다는 것이다.
회사는 SWE-2가 반론에 부딪혔을 때 곧바로 물러서지 않고 결론을 다시 따져보며, 산문을 믿는 대신 산출물을 직접 실행해 근거를 모은다고 설명했다. SWE-2는 Devin Desktop과 CLI에서 이미 쓸 수 있고, Devin Web과 Fusion으로 확대 적용이 진행 중이다.
코딩 에이전트 가격에 남기는 것
Cognition의 판단은 기업가치 480억 달러에 20억 달러를 조달하며 내세운 논리와 맞닿아 있다. 대부분의 엔지니어링 업무에는 시장에서 가장 비싼 모델이 필요하지 않다는 것이다. 성능 좋은 오픈 웨이트 베이스를 가져와 과제 특화 RL에 연산을 쓰는 방식은 이제 프런티어와 1~2점 차까지 좁히는 현실적 경로가 됐다. 수조 파라미터 모델을 처음부터 사전학습할 필요가 없는 경로다.
Cognition은 신뢰성 평가 결과도 함께 공개했다. 정치적으로 민감한 프롬프트의 98.0%에서 SWE-2가 중국 당국의 공식 입장을 따르지 않고 답했으며, 간체 중국어로 물었을 때도 95.2%가 그랬다는 내용이다. 베이스 모델이 Moonshot AI의 것이기에 이 평가는 의미가 크다. 앞으로 중국 오픈 모델의 파생 제품을 내놓는 쪽이라면 구매자가 으레 요구할 수치이기도 하다.
FAQ
SWE-2는 오픈소스인가
아니다. SWE-2는 Cognition의 Devin 제품군을 통해 제공되는 독점 모델이다. 베이스인 Moonshot AI의 Kimi K3는 오픈 웨이트지만, Cognition은 후속 학습한 가중치를 공개하지 않았다.
비슷한 모델들보다 얼마나 저렴한가
Cognition에 따르면 SWE-2는 FrontierCode 1.1 Main에서 Fable 5.1에 1점 차로 따라붙으면서 비용은 64% 낮고, GPT-6 Astra와 비교하면 약 4분의 1 수준이다. 자사 SWE-1.7과 비교하면 같은 벤치마크에서 SWE-2 medium의 과제당 비용이 81% 낮다.
지금 어디서 쓸 수 있나
SWE-2는 Devin Desktop과 Devin CLI에서 즉시 쓸 수 있다. Cognition은 Devin Web과 Fusion에도 순차 적용 중이라고 밝혔다.
