SWE-2 值不值得用？Cognition 新編程模型的效能與成本拆解

結論先講：SWE-2 在成熟的基準測試上逼近前沿，在最新的難題測試上還差一半。省下的 64% 成本是真的，但省得值不值得，看你的任務有多難。

Cognition（AI 工程師產品 Devin 的開發商）在 2026 年 9 月 10 日發布 SWE-2，官方說法是「推進效能與成本的柏拉圖前緣」（Pareto frontier，指在多個互相衝突的目標之間，找不到能同時更好的那條邊界線）。本文發稿於 9 月 11 日，Hacker News 上的討論串已累積 407 分、172 則留言，質疑聲量不小。

這篇把官方數字、社群質疑、以及台灣中小企業該怎麼判斷，一次拆給你看。

Cognition 的 SWE-2 到底是什麼？

SWE-2 是 Cognition 自家訓練的編程模型，2026 年 9 月 10 日發布，目前只在 Devin Desktop 與 CLI 上線，官方說正在推向 Devin Web 與 Fusion。

關鍵細節在底座。根據官方部落格，SWE-2 是從 Kimi K3 這顆 2.8 兆參數（parameter，模型內部可調整的權重數量，通常愈多代表容量愈大）的模型做後訓練（post-training，在別人練好的基礎模型上再加工）而來。Kimi K3 本身已經做過大量的 agentic coding 強化學習（RL，讓模型在可驗證的任務上反覆嘗試、按結果給分來改進），Cognition 在上面再做一輪 RL，多拿了 5 到 6 分。

技術上最值得記的一點：Cognition 說他們首次把 RL 擴展到「數兆參數」規模，而且用單一次訓練同時涵蓋所有 reasoning effort 等級（推理力度，medium／high／max 這種讓你在速度與品質之間換檔的設定）。過去要一個等級練一次，現在一次搞定，整條成本—效能曲線一起往上推。

行為面的改變也很具體。同樣在 FrontierCode 1.1 Main 這組測試上，SWE-2 medium 的平均步數是 53 步，SWE-1.7 是 127 步：分數更高、步數少 58%、平均成本低 81%。官方未在本文引用段落公布「第幾步開始動手改程式碼」的具體步數。

白話講：上一代太謹慎，看完整個專案才敢動手；這一代判斷力變好，知道哪些檔案根本不用看。

SWE-2 跟 Fable 5.1、GPT-6 Astra 比，數字怎麼看？

官方公布四組基準測試，SWE-2 在兩組贏、兩組明顯落後。以下是官方表格的完整數字：

基準測試	SWE-2	Kimi K3	Grok 4.6	Fable 5.1	GPT-5.6 Sol	GPT-6 Astra	SWE-1.7
FrontierCode 1.1 Main	50.0%	44.2%	48.0%	50.9%	47.5%	53.3%	42.0%
DeepSWE 1.1	73.0%	68.5%	67.5%	67.4%	72.7%	74.1%	37.7%
Terminal-Bench 2.1	92.8%	88.3%	88.4%	91.4%	88.8%	89.9%	81.5%
Terminal-Bench 4	27.3%	21.5%	20.3%	55.8%	37.3%	57.9%	7.6%

（數據來源：Cognition 官方部落格，2026 年 9 月 10 日。Terminal-Bench 是測模型在終端機環境實際完成任務的基準測試。）

讀這張表要分兩層看。

第一層，官方主打的那條線。 FrontierCode 1.1 Main 上 SWE-2 拿 50.0%，Fable 5.1 是 50.9%，只差 0.9 個百分點，而 Cognition 說成本低 64%。對上 GPT-6 Astra 的 53.3%，差 3.3 分，成本是四分之一。Terminal-Bench 2.1 更漂亮，92.8% 是全表最高，贏過 Fable 5.1 的 91.4% 和 Astra 的 89.9%。

第二層，官方沒有主打的那條線。 Terminal-Bench 4 上，SWE-2 只有 27.3%，Fable 5.1 是 55.8%，GPT-6 Astra 是 57.9%。差距超過一倍，不只是幾分之差。連 GPT-5.6 Sol 的 37.3% 都比它高出 10 個百分點。

同一顆模型，在一組測試上全場第一，在另一組上只有前段班的一半。這個落差本身就是這次發布最重要的資訊。

為什麼 Terminal-Bench 4 的 27.3% 比 92.8% 更值得看？

因為 92.8% 那組測試已經飽和，27.3% 那組還沒有。分數集中在 88% 到 92% 之間的測試，區分不出模型好壞；分數散布在 20% 到 58% 之間的測試才有鑑別度。

Hacker News 上這正是爭論焦點。有留言者（帳號 postalcoder）直接說，Terminal-Bench 2.1 與 Terminal-Bench 4 之間的巨大落差，可以解讀成「這顆模型對沒見過的新問題泛化得多好」，更白話的版本是「這顆模型被 benchmark 餵了多少」（benchmaxxing，為了衝榜單分數而針對性優化，實際能力沒有等比提升）。該留言者指出 Terminal-Bench 4 發布於該討論串前幾週。

反方（帳號 mediaman）的反駁也成立：Terminal-Bench 2.1 已經飽和，Terminal-Bench 4 沒有，GPT-5.6 Sol 同樣是 2.1 高分、4 低分，不能只挑 SWE-2 來罵。這個反駁有官方數據撐腰——Sol 在 2.1 是 88.8%、在 4 是 37.3%，確實也掉。

兩邊都有道理，但結論該落在哪裡？我的判斷：飽和測試的名次沒有決策價值，未飽和測試的落差才有。

SWE-2 的 Terminal-Bench 4 分數是 27.3%，Fable 5.1 是 55.8%。就算承認所有模型在新測試上都會掉，掉到別人的一半仍然是一個需要解釋的事實，而官方部落格沒有解釋。它把這個數字放進表格（誠實），但整篇文章的敘事線是 FrontierCode 與 DeepSWE（選擇性）。

對你的實務意義很直接：例行任務（改 bug、加測試、重構既有模組）用 SWE-2 大概夠用，這類任務接近已飽和測試的難度分布；沒人做過的難題（陌生架構、模糊需求、跨系統整合），資料顯示它還沒到前沿模型的水準。

SWE-2 便宜 64%，真的比較划算嗎？

要看你怎麼定義划算。成本優勢是真的，但這裡有三個條件會反轉答案。

先講清楚一件事：官方未公布每 token 的絕對定價。 所有成本數字都是 Cognition 自己給的相對比較——比 Fable 5.1 低 64%、是 GPT-6 Astra 的四分之一、比自家 SWE-1.7 低 81%。這些是廠商自報數字，發布當天沒有第三方複現。

判斷維度	SWE-2	前沿模型（Fable 5.1／GPT-6 Astra）
成熟任務效能	逼近，FrontierCode 差 0.9–3.3 分	略高
新難題效能（TB4）	27.3%，約一半	55.8%／57.9%
成本（廠商自報）	低 64%，或四分之一	基準
取得方式	目前只在 Devin 產品線	多家平台、API 可直連
換模型的自由度	由 Cognition 決定	你自己決定

第三列那個「取得方式」，是多數人會漏看的關鍵。

你買不到 SWE-2，你買的是 Devin。 官方只說 SWE-2 在 Devin Desktop 與 CLI 上線，並推向 Devin Web 與 Fusion。所以「便宜 64%」是綁在一個產品訂閱裡的內部成本結構改善，你拿不去跟別家模型比單價。這筆錢省下來多少會回到你口袋、多少留在 Cognition，來源沒講。

換算成一句可執行的判斷：如果你的團隊已經在用 Devin，SWE-2 上線是純加分，例行任務會更快更省，直接用。如果你還在挑工具，「便宜 64%」不該是你的選擇理由——你選的是整個 Devin 產品與它背後那條你看不到的模型供應鏈。

Cognition 自己練模型，代表什麼趨勢？

代表「AI 工具商」與「AI 模型商」的界線正在消失，而且消失的方向對客戶不利。

Cognition 原本的定位是產品公司：拿別人的模型，包成一個會自己寫程式的 agent。現在他們自己做後訓練，練出一顆逼近前沿的模型。這件事的意義在控制權轉移，而非技術炫技——當產品公司自己握有模型，它就能隨時決定你的工具底下跑的是哪顆腦。

但這條鏈還有第二段，而且更值得注意：Cognition 自己也不是從零開始練的。 SWE-2 的底座是 Kimi K3，一顆別人家的 2.8 兆參數模型。所以一個 Devin 使用者，距離真正的模型權重隔著兩層——Cognition 一層，Kimi K3 的開發方一層。

這不是在說 Cognition 做錯什麼。用強大的開源或第三方底座做垂直後訓練，是目前小團隊追上前沿最務實的路徑，官方部落格也大方寫出來了。問題在於使用者端的認知：你以為你買了一個工具，實際上你買進了一條你完全看不見的供應鏈，而鏈上任何一環換掉，你的工作流品質就會在某個週二早上無預警改變。

這對台灣中小企業意味著什麼？

意味著你評估 AI coding 工具時，要多問一個以前不會問的問題：底下那顆模型是誰的，換掉的時候會通知我嗎？

台灣中小企業導入 AI coding agent，常見的決策方式是看 demo、看價格、看有沒有中文支援。這套在工具與模型分離的時代堪用，現在不夠了。SWE-2 這件事告訴你：工具商可以在不改變產品名稱、不改變訂閱價格的情況下，把底層模型整顆換掉。你的程式碼品質、成本結構、甚至輸出風格，都會跟著變，而你沒有投票權。

具體要做的三件事：

一、簽約前問清楚三個問題。 底層用哪家模型？更換時會不會事前通知？有沒有讓我留在舊模型的選項？願意白紙黑字寫的廠商，跟支支吾吾的廠商，風險等級差很多。這三題問出口不花你一毛錢。

二、輸出可攜性優先於功能豐富度。 選工具時，優先確認它產出的東西（程式碼、設定檔、文件）是標準格式、能直接帶走。綁定愈深，未來換工具的成本愈高，而模型換代的速度只會更快。帳很難看：訂閱費省下的那一點，只要被迫重做一次整套流程，人力成本就吃回去了。

三、不要用單一工具跑所有任務難度。 從這次的數據學一個判斷框架：例行任務用便宜的、難題用貴的。SWE-2 在成熟測試上逼近前沿、在新難題上只有一半，這個形狀是所有「性價比路線」模型的共同特徵，不只 SWE-2 這樣。把任務分級，比把工具統一，省得多。

還有一個更根本的心態調整。當你把 AI coding agent 當黑盒子買單，你實際上是在外包一項核心能力，卻沒有對應的治理機制。中小企業資源有限，不可能自己練模型，但至少要知道自己站在供應鏈的哪一格。

如果你想把這套「先問清楚、再簽約」的判斷流程，套用到自家的 AI 工具採購上，AIRUN 的 AEO 服務在做的就是這件事：把模糊的技術決策，拆成老闆看得懂、問得出口的具體問題。

那這次發布該怎麼定調？

SWE-2 是一次紮實的工程成果，也是一次有選擇性的行銷發布。兩件事同時成立。

紮實的部分：從 2.8 兆參數的第三方底座做 RL 後訓練，多拿 5 到 6 分，步數砍 58%、成本砍 81%，還把所有 reasoning effort 等級壓進單次訓練。這些是真功夫，官方技術細節寫得比多數廠商透明。

選擇性的部分：主打飽和測試的第一名，把未飽和測試的一半分數放進表格但不展開。這是產業慣例，算不上造假，但你要自己把眼睛移到第四列。

我的定調：SWE-2 值得例行任務用，不值得為它換掉整套工具鏈。 它證明的是：小公司能用第三方底座，在特定任務上做到夠好，而且便宜很多。這對使用者是好消息——選擇變多、價格往下。但同時也提高了你該做的功課：問清楚底層是誰、確認輸出帶得走、把任務分級配工具。

這三件事今天就能做，不用等下一顆模型發布。

常見問題

Q：SWE-2 跟 Claude、GPT-6 Astra 比起來哪個比較划算？

A：看任務難度。例行任務 SWE-2 划算——FrontierCode 只輸 Fable 5.1 零點九分、成本低 64%（廠商自報）。但新難題的 Terminal-Bench 4 上只有 27.3%，Fable 5.1 與 Astra 都超過 55%，差距逾一倍。官方未公布每 token 定價。

Q：SWE-2 要怎麼用？有開放 API 嗎？

A：官方公告只提到 SWE-2 於 2026 年 9 月 10 日在 Devin Desktop 與 CLI 上線，並正在推向 Devin Web 與 Fusion。來源沒有提到獨立 API 或對外授權，等於目前要用 SWE-2 就得買 Devin 這個產品，不能單獨取得模型。

Q：SWE-2 是 Cognition 從零開始訓練的嗎？

A：不是。官方寫明 SWE-2 是從 Kimi K3 做後訓練而來，那是一顆 2.8 兆參數、已經做過大量 agentic coding 強化學習的第三方模型。Cognition 的貢獻是在上面再做一輪 RL，多拿 5 到 6 分並大幅改善成本曲線。

Q：Terminal-Bench 2.1 拿 92.8% 全場最高，為什麼還被質疑？

A：因為該測試已飽和，多數前沿模型都落在 88% 到 92%，鑑別度低。Hacker News 上的質疑集中在 Terminal-Bench 4 只有 27.3%，兩者落差被解讀為泛化能力不足。反方認為 GPT-5.6 Sol 同樣從 88.8% 掉到 37.3%，不是 SWE-2 獨有的現象。

Q：中小企業現在該換用 Devin 嗎？

A：已經在用 Devin 的，SWE-2 上線是純加分，例行任務更快更省，直接用。還在挑工具的，不該把「便宜 64%」當選擇理由——你買的是整個產品與它背後的模型供應鏈。先問廠商換模型會不會通知、輸出能不能帶走，再決定。

Q：這件事對選 AI coding 工具的方法有什麼改變？

A：多一個必問題目：底層模型是誰的、換掉會不會通知、能不能留在舊版。工具商自己練模型後，可以在不改產品名與價格的前提下整顆換腦，你的程式碼品質與成本會跟著變。另外把任務分級——例行用便宜的、難題用貴的，比統一工具省得多。