SWE-2, öncü kodlama modellerine üçte bir maliyetle yetişiyor, ardından bir testte çöküyor

Yeni bir kodlama modeli çok daha az parayla zirveye yaklaşıyor ve bariz bir açığı var

10 Eylül 2026'da, Devin kodlama ajanının arkasındaki şirket olan Cognition, SWE-2 adlı yeni bir model yayınladı. Tek satırlık özet şu: FrontierCode 1.1 Main'de Anthropic'in Fable 5.1 modelinin %50,9'una karşı %50,0 aldı; aradaki fark tek bir puandan az. Cognition ise aynı puana ulaşmak için onu çalıştırmanın %64 daha ucuz olduğunu söylüyor. Ama hikâye burada bitmiyor. Terminal-Bench 4'te SWE-2 yalnızca %27,3 aldı; Fable 5.1 %55,8, GPT-6 Astra ise %57,9 aldı. Bu, tek bir sütunda yaklaşık otuz puanlık bir fark demek.

İşletmeler için asıl ders tek başına ucuz rakam değil, bu çelişki. Model karşılaştırmasının artık "hangisi daha akıllı" sorusunda durmadığı, daha keskin bir soruyla başladığı bir döneme giriyoruz: hangi tür işte daha akıllı, hangi maliyetle ve nerede çöküyor.

Yayınlanan rakamlar, olduğu gibi

Cognition, SWE-2, kendi temel modeli ve iki öncü seviye model arasında doğrudan bir karşılaştırma tablosu yayınladı. İşte tam okuma:

• FrontierCode 1.1 Main: SWE-2 %50,0, temel model Kimi K3 %44,2, GPT-6 Astra %53,3, Fable 5.1 %50,9.
• DeepSWE 1.1: SWE-2 %73,0 ile %67,4 alan Fable 5.1'in üzerinde ve %74,1 alan Astra'ya yakın.
• Terminal-Bench 2.1: SWE-2 %92,8 ile tablonun en yüksek puanı; Fable 5.1'in %91,4 ve Astra'nın %89,9 puanının önünde.
• Terminal-Bench 4: SWE-2 yalnızca %27,3, rakiplerinin %55,8 ve %57,9 puanına karşı. Açıkça kaybettiği sütun bu.

Dört sütunun üçünde SWE-2 daha pahalı modellerle başa baş ya da onların önünde; bir sütunda ise uçurumdan düşüyor. Ayrıca kendi temeli olan Kimi K3'ü her sütunda geçtiğine dikkat edin; bu gelişme tam olarak Cognition'ın eğitiminin kattığı şey.

Nasıl inşa edildi: büyük bir açık model, üzerine uzmanlaşmış eğitim

SWE-2 sıfırdan inşa edilmedi. Temeli, Moonshot AI'ın 2,8 trilyon parametreli açık ağırlıklı modeli Kimi K3. Cognition'ın yaptığı, tek bir işi hedefleyen pekiştirmeli öğrenmeyle eğitim sonrası çalışma: gerçek kod depoları içinde gerçek yazılım mühendisliği.

İlginç mühendislik ayrıntısı şu: model seçilebilir üç efor seviyesiyle geliyor — orta, yüksek ve maksimum. Bunlar üç ayrı eğitim çalışmasında ya da üç uzman model olarak eğitilmedi; ödül fonksiyonuna yerleştirilmiş bir maliyet cezası kullanılarak tek bir eğitim çalışmasında eğitildi: başarı eksi denemenin maliyeti, efor seviyesine göre değişen bir katsayıyla çarpılarak. Sonuç, sizi üç modeli yönetmeye zorlamak yerine ne zaman tutumlu olacağını ve ne zaman daha derine ineceğini bilen tek bir model.

Pratik fark somut: ekip, orta efor seviyesinde modelin aynı kıyaslamada önceki SWE-1.7 sürümüne kıyasla adım sayısını %58, maliyeti ise ortalama %81 azalttığını söylüyor. Proje diliyle bu, bir çözüme ulaşmadan önce sorunun etrafında daha az dolanmak demek.

Heyecanlanmadan önce önemli kısıt: açık ağırlık yok, API yok

Bunun açıkça söylenmesi gerekiyor. SWE-2 kendi sunucularınıza indirebileceğiniz bir model değil ve uygulamanızdan bağımsız bir API üzerinden çağıramazsınız. Yalnızca Devin platformu içinde çalışıyor: önce masaüstü uygulamasında ve komut satırında, ardından Web ve Fusion'a genişleyerek. Yani Cognition'ın anlattığı maliyet ekonomisi, modeli istediğiniz yerde çalıştırma özgürlüğüne değil, platformuna abone olmaya bağlı.

Bu ayrım seçenekleri karşılaştıran herkes için önemli. Açık ağırlıklı bir model size verileriniz üzerinde egemenlik ve onu Krallık içinde barındırma özgürlüğü verir; bu ise hizmet olarak satın alınan kapalı bir ürün. Daha ucuz bir alternatif aramanızın nedeni kodu kendi ortamınızda tutmaksa, bu duyuru sorununuzu çözmüyor. Nedeniniz geliştirme araçları faturasını küçültmekse, çözebilir.

Bu, işletmeniz için pratikte ne anlama geliyor

Bir geliştirme faturası ödeyen ya da teknik bir ekip için yapay zekâ araçlarını tartan bir işletme sahibine üç çıkarım:

• Uzmanlaşma, rekabetin kestirme yolu hâline geldi: öncü laboratuvarlardan çok daha küçük bir şirket açık bir model aldı, onu tek bir iş için eğitti ve artık o belirli işte rekabet ediyor. Aynı mantık sizin projeniz için de geçerli: verilerinize ve prosedürlerinize göre ayarlanmış orta ölçekli bir model, genellikle bağlamsız çalışan daha büyük bir modeli geride bırakır.
• Bir duyurudaki tek bir rakam asla yeterli değildir: yalnızca FrontierCode'a baksaydınız SWE-2'nin tam bir ikame olduğu sonucuna varırdınız. Terminal-Bench 4 sütunu ise belirli bir görev kategorisi için tam tersini söylüyor. Her zaman sorun: hangi kıyaslamada, neyi ölçüyor ve fark nerede.
• Maliyet, çağrı başına fiyat değildir: gerçek maliyetiniz, doğru bir sonuca ulaşana kadarki deneme sayısıdır. Sonsuza kadar daireler çizen daha ucuz bir model pratikte daha pahalı olabilir; SWE-2'nin eğitimindeki maliyet cezası da tam olarak bunu ele almaya çalışıyor.

Origami'de bu tür duyuruları nasıl ele alıyoruz

Müşteri sistemlerini tek bir modele bağlamıyoruz. Modelin perde arkasında değiştirilebilmesini sağlayan bir ara katman kuruyoruz ve ölçümü yayınlanmış kıyaslamalar yerine müşterinin gerçek görevleri üzerinde yapıyoruz: gerçek sözleşmeler, gerçek faturalar, gerçek müşteri konuşmaları. Böylece SWE-2 gibi bir duyuru, sisteminizi yeniden inşa eden bir karar değil, bir haftada test edebileceğiniz bir fırsat hâline geliyor.

Bir geliştirme ekibiniz varsa pratik adım: deponuzdan üç gerçek görev alın, bunları mevcut aracınızda ve daha ucuz alternatifte çalıştırın ve yalnızca üç sayıyı ölçün: görev başarılı oldu mu, kaç deneme gerektirdi, ne kadara mal oldu. Bundan sonra karar, kimsenin duyuru tablosuna dayanmadan apaçık hâle gelir.

Kaynaklar

• Cognition'ın resmî SWE-2 duyurusu ve kıyaslama tablosu: cognition.com/blog/swe-2
• Moonshot AI — açık ağırlıklı temel model Kimi K3: moonshotai.github.io