Cognition yeni kodlama modeli SWE-2'yi tanıttı
Öne çıkanlar
- SWE-2, toplam 2,8 trilyon parametre ve belirteç başına 104 milyar aktif parametre içeren MoE mimarisiyle çalışıyor.
- Orta efor seviyesinde SWE-1.7'ye kıyasla yüzde 58 daha az tur ve yüzde 81 daha düşük maliyetle sonuç üretti.
- Terminal-Bench 2.1'de 92,8 puana ulaştı ancak uzun ufuklu Terminal-Bench 4.0 testinde 27,3 puanda kaldı.
- Ağırlıkları kapalı tutulan model Devin Desktop ve CLI üzerinden kullanıma açıldı.
Cognition, Kimi K3 tabanı üzerine inşa ettiği ve pekiştirmeli öğrenmeyle geliştirdiği yeni kodlama modeli SWE-2'yi duyurdu. Toplam 2,8 trilyon parametreye ve belirteç başına 104 milyar aktif parametreye sahip olan MoE mimarili model, şirketin çok trilyon parametreli ölçekte pekiştirmeli öğrenme uyguladığı ilk sistem oldu. Cognition tarafından yayımlanan test sonuçlarına göre model, Terminal-Bench 2.1 testinde 92,8 puan elde etti.
Modelin çıkarım altyapısında NVFP4 ve FP8 çekirdekleri ile nicemleme farkındalıklı eğitim teknikleri kullanıldı. SWE-2 orta efor seviyesinde ortalama 53 adımda sonuca ulaşarak SWE-1.7'ye kıyasla yüzde 58 daha az turda ve yüzde 81 daha düşük maliyetle çalıştı. Model ilk gerçek kod düzenlemesini medyan 18. adımda gerçekleştirirken SWE-1.7'de bu değer 48. adım seviyesinde seyretti.
SWE-2, FrontierCode 1.1 testinde aldığı 50,0 puanla Claude Fable 5.1 ve GPT-6 Astra'nın hemen ardında yer aldı. Ancak uzun vadeli görevleri ölçen Terminal-Bench 4.0 testinde 27,3 puanda kalarak rakip modellerin gerisine düştü. Ağırlıkları açık kaynak olarak yayımlanmayan model, Devin Desktop ve CLI üzerinden kullanıma sunuldu.
Bu özet yapay zekâ ile hazırlanmıştır; ayrıntılar ve doğrulama için orijinal kaynağa başvurun.