一句话结论
Cognition 发布 SWE-2 编码 Agent…：核心优势或适用场景是什么？
Cognition 发布 SWE-2 编码 Agent 模型，基座为 Kimi K3（2.8T 参数），通过强化学习后训练得到。
本页摘要与评语由 AI 辅助整理，事实以原文为准 · 可溯源
本页为中文简报 + 结构化字段，便于迅速掌握（尤其外文原文）。核实数字与全文请点原文。
- 新品首发可规模采购厂商报告OSCHINA
Cognition 发布 SWE-2 编码 Agent 模型，基于 Kimi K3 后训练
Cognition 发布 SWE-2：用 Kimi K3 做基座，RL 后训练追平 Fable 5.1
中文简报
Cognition 发布 SWE-2 编码 Agent 模型，基座为 Kimi K3（2.8T 参数），通过强化学习后训练得到。在 Cognition 自研的 FrontierCode 1.1 Main 基准上，SWE-2 得分 50.0%，与 Fable 5.1 的 50.9% 仅差不到一个百分点，比 GPT-5.6 Sol 的 47.5% 高 2.5 分。价格方面，SWE-2 比 Fable 5.1 便宜 64%。FrontierCode 是 Cognition 维护的 SWE-bench 升级版。该模型面向编码 Agent 场景，原文未披露相较竞品在工程化部署、上下文长度或工具调用方面的具体差异。
场景：产品上市：编码 Agent 模型 · 软件研发团队、AI 工程化团队、技术选型负责人
要点：Cognition 正式发布 SWE-2 编码 Agent 模型，基座为 Kimi K3 2.8T 参数模型，采用强化学习后训练，在 FrontierCode 1.1 Main 上得分 50.0%，定价比 Fable 5.1 便宜 64%。
竞争评语：SWE-2 以不到一个百分点的差距追平 Fable 5.1，且价格低 64%，适合对编码 Agent 成本敏感、需要接近头部性能的团队采购评估；但相较竞品的具体工程化优势原文未披露，待核。
不适合谁：不适用于需要非编码类通用大模型能力或纯办公自动化场景的团队。