SWE-2 Flash 2026 评测：价格优势与能力边界
Cognition 于 2026 年 11 月 4 日发布 SWE-2 Flash，发布数据读起来像一次全面升级：Terminal-Bench 4.0 从 0.9% 提升到 20.0%，FrontierCode 2.0 从 3.2% 提升到 24.0%，价格是 SWE-2 的五分之一，速度是三倍。这个对比本身没错，但基线选错了。0.9% 属于 Inkling-Small，也就是 Flash 版本后训练所基于的开放底座模型，而不是 SWE-2。按 Cognition 自己公布的表来算，SWE-2 Flash 在 Terminal-Bench 4.0 上拿 20.0 分，而 SWE-2 是 27.3 分；FrontierCode 2.0 上是 24.0 对 23.8。赢一项，输四项。
第二个问题对定价类站点更尴尬。SWE-2 Flash 在 Devin 文档里完全找不到。不在模型列表里，不在 API 参考里，350 万字符的文档全文里也搜不到。v3 会话 API 暴露的 devin_mode 枚举包含 swe-2-medium、swe-2-high 和 swe-2-max，却没有 swe-2-flash。没有可比的每 token 单价，没有可独立调用的端点，也无法像本站其他模型那样计费。
所以更准确、也更有用的角度，比发布稿窄一些：SWE-2 Flash 是一次产品端发布，不是 API 发布。它是 Devin Desktop 和 Devin CLI 里一个快速、便宜的选择，面向已经在付费订阅 Devin、希望机械性编码任务再便宜一点的开发者。而对于按 token 预算挑编码模型的人来说，那张让发布显得亮眼的基准表，恰恰指向了 GLM 5.3 Flash 或 DeepSeek V4.1 Flash，下面成本部分的账也算得毫不接近。
SWE-2 Flash 到底是什么
它是 Inkling-Small 的后训练版本。Inkling-Small 来自 Thinking Machines，总参数 276B、激活 12B 的 MoE 架构。架构没有变化：SWE-2 Flash 同样是 276B-A12B，在 Cognition 的表里尺寸比也是 1x。这里面没有任何更大的网络带来的收益，全部提升都来自后训练，具体来说来自一个 Cognition 说他们此前从未跑过的阶段。
在强化学习之前，Cognition 先做了一轮大规模的中训练（mid-training）。数据集被描述为数千亿 token 的科学文章、博客与代码，分三个阶段训练，让最稀缺、质量最高的数据在最后阶段出现。团队不是靠猜数据配比，而是用 token 效率曲线来度量：对每个候选配比，测它需要多少 token 才能达到与基线相同的验证损失，从而得到一条可辩护的曲线来选定最终配比。之后才是 RL，并且对指令、环境搭建和验证器做了逐条审计，还新增了若干任务类型，以覆盖真实 Devin 工作所需的通用推理与问题解决能力。
真正有意思的工程细节是顺序。先中训练再 RL 并不常见，Cognition 认为这笔投入值得：RL 配方本身相对 SWE-2 几乎没改，提升主要来自任务质量与多样性。对一家过去一年都在用同一套架构推出不同尺寸模型的公司来说，这是第一次改变的是配方本身，而不是参数量。
逐行读一遍基准表
Cognition 公布了一张表，把 SWE-2 Flash 与另外九个模型放在一起逐行对比。以下为完整原表，因为换一列读，结论就完全不同：
| 基准 | SWE-2 Flash | Inkling-Small | Beam 1.0 | Muse Spark Open | GLM 5.3 Flash | DeepSeek V4.1 Flash | GPT-6 Luna | Claude Haiku 5.5 | SWE-2 |
|---|---|---|---|---|---|---|---|---|---|
| FrontierCode 2.0 | 24.0 | 3.2 | 2.9 | 6.2 | 14.2 | 19.3 | 21.9 | 27.7 | 23.8 |
| FrontierCode 1.1 Main | 45.5 | 21.5 | 22.8 | 24.5 | 31.8 | 43.9 | 42.4 | 46.4 | 50.0 |
| DeepSWE 1.1 | 60.1 | 17.4 | 43.3 | 60.0 | 63.4 | 77.0 | 66.6 | 59.3 | 73.0 |
| Terminal-Bench 4.0 | 20.0 | 0.9 | 4.0 | 8.0 | 41.8 | 42.3 | 16.4 | 39.2 | 27.3 |
| Terminal-Bench 2.1 | 89.2 | 64.7 | 80.1 | 76.4 | 84.3 | 91.0 | 82.0 | 94.4 | 92.8 |
| SWE-Atlas QA | 50.0 | 27.4 | 33.9 | 54.0 | 56.5 | 71.0 | 45.2 | 56.5 | 56.3 |
| SWE-Bench Pro v2 Hard | 89.9 | 56.5 | 76.5 | 82.4 | 88.2 | 86.3 | 80.4 | 90.2 | 90.6 |
| ExploitBench | 34.8 | 11.3 | 19.5 | — | 36.0 | 31.1 | 44.7 | 38.0 | 36.1 |
三种读法，指向不同结论。
对比底座模型，提升极大。Terminal-Bench 4.0 从 0.9 到 20.0，FrontierCode 2.0 从 3.2 到 24.0，DeepSWE 1.1 从 17.4 到 60.1。这正是发布稿主打的对比，也确实是了不起的结果：一个 276B-A12B 的通用模型靠中训练配比能推到可用。但 Inkling-Small 并不是有人在生产里跑的编码模型，所以这个对比说明的是后训练做到了什么，而不是你该买什么。
对比自己的兄长，强弱参半。FrontierCode 2.0 上 SWE-2 Flash 的 24.0 略高于 SWE-2 的 23.8，SWE-Bench Pro v2 Hard 上 89.9 对 90.6 基本打平。其余位置 2.8T-A104B 的旗舰全面领先：Terminal-Bench 4.0 为 27.3 对 20.0，DeepSWE 1.1 为 73.0 对 60.1，SWE-Atlas QA 为 56.3 对 50.0，Terminal-Bench 2.1 为 92.8 对 89.2。Flash 是机械性任务的廉价替代，不是整体更强的模型。Cognition 自己的表述比标题更谨慎：它称 Flash 超过了所有美国开放权重模型，甚至是大它数倍的模型。Muse Spark Open 尺寸是它的 3 倍，Terminal-Bench 4.0 拿 8.0 分，FrontierCode 2.0 拿 6.2 分；SWE-2 尺寸是它的 10.1 倍，Terminal-Bench 4.0 拿 27.3 分。这话没错，但与「打败前沿模型」不是同一个主张。
对比你真正能按 token 调用的模型，它输得很惨。Terminal-Bench 4.0 这一行决定了 API 这个问题。GLM 5.3 Flash 拿 41.8，DeepSeek V4.1 Flash 拿 42.3，Claude Haiku 5.5 拿 39.2，SWE-2 Flash 是 20.0。唯一比它低的只有 GPT-6 Luna 的 16.4。DeepSWE 1.1 重现同一格局：Flash 的 60.1 对 GLM 5.3 Flash 的 63.4 和 DeepSeek V4.1 Flash 的 77.0。只有在 FrontierCode 2.0 和 SWE-Atlas QA 上，Flash 才和便宜的开放路由落在同一区间。如果你的工作量是按 Terminal-Bench 计分的终端任务，两个便宜的开放 API 模型分数大约是它的两倍，而且它们有公开的、可以据此做预算的每 token 价格。
价格主张拆解
Cognition 称 SWE-2 Flash 是 SWE-2 价格的五分之一。SWE-2 的公开标价为输入每百万 token 3.00 美元、输出每百万 token 15.00 美元、缓存输入每百万 token 0.30 美元。五分之一大约是输入 0.60 美元、输出 3.00 美元，这个数字相对市场大多数模型都相当有竞争力。但这只是算术，不是公布的价格。Cognition 没有公布 SWE-2 Flash 的价格行，而 Devin 自己的模型页面才是这个平台的权威价目表，那上面没有这个模型。
两个促销活动也让标题数字更容易失真。SWE-2 本身对自助套餐在 Devin Desktop 和 Devin CLI 中免费到 2026 年 11 月 30 日，之后到 12 月 31 日前是标价的 75% 折扣，之后恢复标价。SWE-2 Flash 在发布文章上则挂着 11 月 30 日前免费的标签。也就是说在促销期内，两个模型在 Devin 内部价格相同，都接近零，五分之一的差距要等免费期结束、且 Flash 真实单价存在之后才成为实际的经济差异。
还有一个计量口径的差异需要先搞清楚再做任何测算。Devin 不是按原始 token 卖 SWE-2 Flash。自助套餐包含一段按 agent 实际工作量计的用量额度，超出部分从按需积分中扣除；企业合同则以 Agent Compute Units（ACU）计量。文档明确写了，ACU 会按所选模型的每 token 费率把消耗的 token 换算进去，所以底层仍然是每 token 价格，但你买的是会话，不是 token。
速度：200 tok/s 对 60 tok/s
Cognition 的第二个标题是 SWE-2 Flash 比 SWE-2 快三倍，配图显示 200 tokens/s 对 60。演示是在同一个 Terminal-Bench 4.0 任务（gsea-proteomics 环境）上回放两个模型的运行，按两种模拟速率播放，转录文本截取到等长以便比较。
对 agent 式编码工作来说，生成速度的重要性和对聊天不同。agent 循环大部分时间都在等 token：规划、编辑、跑测试、读失败输出、再编辑。三倍的每秒 token 数能明显压缩这个墙钟循环，这类延迟直接决定工作流是「交互感」还是「提交任务后回来取」。Cognition 在这条轴上一直很激进，把 SWE-1.7 Lightning 跑在 Cerebras 硬件上也是同一个原因。
需要注意的是，这是 Cognition 自选任务上的回放、且是模拟速率，不是你仓库上的实测。你自己的墙钟时间会主要由工具调用、测试套件和上下文组装决定。这里的速度意味着模型更不容易成为循环里的瓶颈，而不是循环本身变快了。
到底怎么用到它
目前通过 Devin Desktop 和 Devin CLI。发布文章称两个入口都可用，Devin CLI 文档也确认了这些产品入口和模型选择机制。短族名会解析到该系列的最新版本，所以 swe 指向最新的 SWE 发布版本，你可以从命令行、斜杠命令或配置文件里覆盖它。
# 从终端用 SWE 系列跑一个会话
devin --model swe -- "add regression tests for the retry path"
# 会话中切换模型
/model
# 在 CLI 配置里固定默认模型
cat ~/.config/devin/config.json
# {"agent": {"model": "swe-1-6-fast"}}编程入口是会话 API，缺口也出现在这里。通过 v3 API 创建会话需要带 UseDevinSessions 权限的服务用户密钥加一个组织 ID，devin_mode 字段用来选择 agent 模式：
curl -X POST "https://api.devin.ai/v3/organizations/$DEVIN_ORG_ID/sessions" \
-H "Authorization: Bearer $DEVIN_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt":"Fix the login bug in issue #42","devin_mode":"swe-2-medium"}'文档列出的 devin_mode 取值是 normal、fast、fusion、lite、ultra、swe-2-medium、swe-2-high 和 swe-2-max，没有 swe-2-flash。在 Devin 补上之前，Flash 会话无法通过 API 触达，返回你账户实际价格的 List Models API 也不会返回 Flash 这一行。模型页面列出 SWE-2、SWE-1.7、SWE-1.7 Lightning、SWE-1.6、SWE-1.6 Fast、SWE-1-mini、swe-grep 和 swe-check，免费套餐用户则只能用 SWE-1.6。
不论 Flash 如何，有一点值得直接借鉴：Fusion。Cognition 把前沿主模型和一个便宜的分身配对，默认组合是 Claude Opus 5.5 Medium 做主模型、SWE-2 Medium 做分身。这和 SWE-2 Flash 是同一个架构思路，只是用在你已经能调到的模型上，而且 Devin 按配对中每个模型各自的费率计费。Fusion 需要付费套餐，免费和试用层级不可用。
和真正能调用的模型算成本
下面这张表才是应该用来做决策的对比，价格取自 2026 年 11 月 5 日核对的 OpenRouter 路由价格，加上 Devin 模型页面上的 SWE-2 标价。最后一行是按五分之一推算的 SWE-2 Flash 价格，不是公布价。
| 模型 | 输入 /1M | 输出 /1M | 缓存输入 /1M | 1万输入+4万输出成本 |
|---|---|---|---|---|
| DeepSeek V4.1 Flash | $0.045 | $0.50 | $0.018 | $0.021 |
| GPT-6 Luna | $0.10 | $0.50 | $0.01 | $0.021 |
| Claude Haiku 5.5 | $0.10 | $0.50 | $0.01 | $0.021 |
| GLM 5.3 Flash | $0.15 | $0.50 | $0.03 | $0.022 |
| SWE-2（标价） | $3.00 | $15.00 | $0.30 | $0.63 |
| SWE-2 Flash（推算 1/5） | ~$0.60 | ~$3.00 | ~$0.06 | ~$0.126 |
把最后两行和前四行放在一起看。一次 1 万输入、4 万输出的请求，推算的 SWE-2 Flash 价格约为 DeepSeek V4.1 Flash 的六倍，也约为 Claude Haiku 5.5 或 GPT-6 Luna 的六倍，而它在 Terminal-Bench 4.0 上的分数不到 DeepSeek V4.1 Flash 的一半。这个组合在按 token 预算的场景里很难辩护。
如果你想用自己的 prompt 而不是基准来验证替代方案，FreeModel 在多家 provider 前面提供 OpenAI 兼容端点，一套集成指向不同模型 ID，就能测出各家在同一任务上的表现。这是判断 Flash 式路由对你是否值得的最快办法，先比再决定要不要买套餐，成本为零。
权重这件事
SWE-2 Flash 不是开放模型。Cognition 有意把模型在漏洞挖掘方向上训练，把 ExploitBench 分数从 11.3% 提到 34.8%，并明确表示由于同样的能力可能被攻击者利用，权重暂不公开分享。公司正在建立一个计划，把权重安全地共享给可信的行业伙伴和研究实验室，并称发布后数周内会给出更多细节。
这个立场是站得住的，而不是营销上的方便。一个具备刻意漏洞挖掘能力的 276B-A12B 模型，不适合在发布当天就推到公开仓库，而伙伴计划正是这类问题通常的解法。但这意味着部署选项比开放权重模型更窄，也给价格折扣的持续时间设了上限：一个最终会把更多推理供应商拉进市场的权重共享计划，迟早会与 Cognition 自己的托管费率竞争。如果你正围绕五分之一这个价格做规划，应当预期它会压缩而不是长期存在。
谁该用，谁不该用
该用 SWE-2 Flash：你已经在为 Devin 付费，希望在 Desktop 或 CLI 里以更低成本完成编码任务里的机械性部分。三倍速度提升对压缩循环延迟是实打实的，模型在 11 月 30 日前免费，而且能从容处理自动化、代码审查、特性开发和文档更新——这正是 Cognition 认为小模型档位该覆盖的场景。
该跳过：你在为 API 预算挑模型。两个便宜的开放路由在 Terminal-Bench 4.0 和 DeepSWE 1.1 上分数大约是它的两倍，成本却只有推算 Flash 价格的六分之一左右；没有公布的 Flash 价格可供规划；也没有 API 模式可以调用它。如果你需要能自己托管和审计的权重，今天也拿不到。
该观望：你在 Devin 上搭 agent 基础设施，希望把 Flash 接进流水线。Cognition 对这个模型显然是有承诺的，Devin CLI 也确实是模型最先落地的地方，但 API 这一层才是程序化使用真正依赖的部分，目前还没跟上。盯住两个信号：Devin 模型页面上出现 Flash 条目，以及 devin_mode 枚举里出现 swe-2-flash。等两个都到位，价格问题才能用真实数字而不是一个比例来回答。
结论是：SWE-2 Flash 是一个不错的产品决策和一个糟糕的 API 决策。Cognition 做成了真正困难的事——一个中训练阶段把一个小模型推进到可用的编码区间，并且把它交付到自己能掌控体验的产品入口里。至于它是不是你技术栈的合适模型，这是一个预算问题，而按今天公开的数字，多数以 API 驱动的团队答案是否。
资料来源：Cognition, "Introducing SWE-2 Flash"（2026-11-04）；Cognition, "Introducing SWE-2: Pushing the Pareto Frontier"（2026-09-10）；Devin Docs — AI Models、Models in Devin CLI、Self-serve plans、Usage、Fusion、Create Session、List Models API（均于 2026-11-05 核对）；devin.ai/pricing（2026-11-05 核对）；OpenRouter 模型目录（2026-11-05 核对）。