50.0%。这是 Cognition 在 9 月 10 日发布的编程模型 SWE-2，在 FrontierCode 1.1 Main 上的得分，距离 Anthropic 的 Claude Fable 5.1（50.9%）只差 0.9 个百分点；按 Cognition 自己的算法，成本低 64%。
比分数更值得追问的是它的出身：SWE-2 不是从零训练的，底座是中国的开源模型 Kimi K3。而发布它的公司，9 月 8 日刚以 480 亿美元估值拿到超过 20 亿美元融资。
SWE-2 是什么：一次 RL 跑出三档
Cognition 是 Devin 的开发商，也是目前全球估值最高的 AI 编程公司。它给 SWE-2 的定位是”推帕累托前沿”——分数要追，成本也要压。先看官方评测表（数字全部来自 Cognition 官方博客，单位均为百分比）：
| 模型 | FrontierCode 1.1 Main | DeepSWE 1.1 | Terminal-Bench 2.1 | Terminal-Bench 4 |
|---|---|---|---|---|
| SWE-2 | 50.0% | 73.0% | 92.8% | 27.3% |
| Kimi K3（底座） | 44.2% | 68.5% | 88.3% | 21.5% |
| Claude Fable 5.1 | 50.9% | 67.4% | 91.4% | 55.8% |
| GPT-6 Astra | 53.3% | 74.1% | 89.9% | 57.9% |
| GPT-5.6 Sol | 47.5% | 72.7% | 88.8% | 37.3% |
| SWE-1.7（上一代） | 42.0% | 37.7% | 81.5% | 7.6% |
几件事一眼能读出来。第一，SWE-2 在 DeepSWE 1.1 上以 73.0% 反超 GPT-5.6 Sol 的 72.7%，在 FrontierCode 上只落后 Fable 5.1 与 Astra，并小幅领先 Grok 4.6（48.0%）。第二，它把自家上一代甩开了一大截：DeepSWE 从 37.7% 跳到 73.0%。第三，也是这张表里最该看的一列——Terminal-Bench 4 上它只有 27.3%，而 Fable 5.1 是 55.8%、Astra 是 57.9%，这是它最明显的短板，说明它的强项集中在仓库级改代码，一旦进入终端长链条操作就差了一倍。
训练上 Cognition 讲了一个方法论变化：这是它第一次把强化学习做到”多万亿参数”规模，关键改动是一次 RL 同时跑完所有推理档位。SWE-2 有 medium / high / max 三档，往常要多轮训练，这次给每一档加一条线性成本惩罚，系数按底座模型帕累托前沿的局部斜率标定，一次把整条成本—性能曲线抬起来。
效果落在行为上：官方称 SWE-2 medium 比 SWE-1.7 得分更高，同时轮次少 58%、单任务平均成本低 81%；第一次真正动代码的中位步数从 48 步降到 18 步——换成人话是”少翻代码、早动手”。
分发方式也在讲同一个故事：SWE-2 不开权重、也不给独立 API，只能通过 Devin 使用。Devin Pro 20 美元一个月，Pro、Max、Teams 订阅者可以免费用一个月，到 10 月 10 日。
底座是 Kimi K3，而且不是第一次
如果只看到”又一个编程模型发布”，就会错过真正的信号：SWE-2 的底座是月之暗面的 Kimi K3——一个 2.8 万亿参数、100 万 token 上下文、7 月 27 日放出全部权重的开源模型。
这也不是 Cognition 第一次这么干，它的上一代 SWE-1.7 就是从 Kimi K2.7 Code 后训练出来的。同一条路上的案例还有：8 月 20 日，OpenAI 投资的法律 AI 公司 Harvey 发布 Tenet，它的第一个后训练模型同样基于 Kimi K3，官方称在 LAB 基准上的全通过率比底座提升 82%。
中国开源权重正在变成美国 AI 产品的上游底座。这条链路跑得通，一半靠性能——Kimi K3 放开权重时是当时最大的开源模型；另一半靠许可——K3 的许可证以 MIT 为底，使用、修改、再分发都允许，只有当转售方的 MaaS 业务年收入超过 2000 万美元才需要另签协议。对 Cognition 这种”自己用 + 卖订阅”的形态来说，门槛根本不在许可上。
对国内团队来说，同一件事还有一层价格含义。Fable 5.1 和 GPT-6 Astra 的 API 报价都是每百万 token 输入 10 美元、输出 50 美元；而 Kimi K3 官方价格是每百万 token 输入 20 元、输出 100 元（缓存未命中，约合 3 美元 / 15 美元）。也就是说，被拿去当底座的那个模型，本身就能以不到三分之一的价格买到——你当然拿不到 Cognition 那层后训练，但”用便宜的开源底座 + 自己的数据和 RL”这条路，它已经把配方公开写在博客里了。
一个反差：一边控诉「蒸馏」，一边公开用开源
这就要说到 9 月 10 日 Anthropic 发布的那份威胁情报报告。它指控 7 家中国实验室用数千个假账号做”非法蒸馏”，其中阿里在 5 月到 7 月间与 Claude 的交互超过 1.51 亿次，月之暗面被指把部分 Kimi 用户请求转发给 Claude 代答。Anthropic 自己的口径是：蒸馏技术本身合法，违规的是用假账号绕过防护。
两件事放在同一周看，味道就出来了：一边是中国实验室被指偷偷拿美国模型的输出去训自己的模型，另一边是美国公司在公开、合法地拿中国的开放权重做后训练，还写进博客当卖点。
这不只是双标的问题，它说明能力流动的方向已经不只单向。开源权重是一门”以许可换生态”的生意：Moonshot 放弃了对模型使用的垄断权，换来的是它出现在别人的产品说明里、出现在评测榜单里、出现在 Devin 的更新日志里。彭博社 9 月 11 日的报道里，月之暗面的年化收入从 6 月的约 3 亿美元涨到 8 月的 10 亿美元以上，靠的也是这个逻辑的另一面。
第三方验证：便宜是真的，主场优势也是真的
Cognition 的 50.0% 和 64% 都出自它自己运营的 FrontierCode——那是自家基准，没有第三方完整复现过，1.1 版还改过规则，与 1.0 的分数不可比。所以更有价值的是外部数据。
9 月 12 日，Artificial Analysis 公布了对 Devin Fusion 的独立评测：SWE-2（medium）在其 Coding Agent Index v1.5 上得 61.7 分，与完整版 Claude Code 的 62.2 分基本持平，单任务成本 7.90 美元对 12.40 美元，便宜 36%。这个指数由 DeepSWE 1.1、Terminal-Bench 4.0、SWE-Atlas-QnA 三个基准等权合成，每个任务跑三次取平均。
这是本轮最重要的外部数字：便宜是真的，而且是在第三方基准上便宜。但同一份评测也再次印证了短板——指数里就包含 Terminal-Bench 4.0，而那正是 SWE-2 最弱的一项。所以更准确的说法是：它在某些任务分布上追平了前沿，在另一些上还差一倍。
480 亿美元的赌注，与编程 Agent 的阵营化
SWE-2 发布的两天前，Cognition 宣布完成 E 轮融资：融资额超过 20 亿美元，投后估值 480 亿美元，由 a16z 和 Accel 领投，Founders Fund、General Catalyst、Avenir 跟投。四个月前，它才刚以 260 亿美元估值融过一轮 10 亿美元；同期它自己的口径是，年化营收从 5 月的 4.92 亿美元涨到接近 9 亿美元。
也就是说：四个月前估值 260 亿美元的公司，现在 480 亿；营收四个月涨了约 1.8 倍；它的旗舰模型底座来自中国；而它的一位老对手（Cursor）刚被 SpaceX 以 600 亿美元整体收购。
这条赛道正在分岔：一边是独立的编程 Agent 公司靠融资把估值推高，一边是头部玩家被巨头吞掉——Cursor 被 SpaceX 收购完成后，OpenAI 在 8 月底宣布终止向 Cursor 提供模型。编程 Agent 正在从”工具市场”变成”大厂生态战”的一部分。
顺带一提这条曲线起点有多低：Devin 2024 年 3 月发布时定价 500 美元一个月，随后被曝在真实任务里 20 个只成功 3 个，一度是”AI 演示很美、落地很惨”的典型案例。两年半之后，同一家公司的新模型能贴着一线前沿跑，估值 480 亿美元——中间拉开差距的，恰好就是”后训练”这件事。
写在最后
回到最初的数字：一家估值 480 亿美元的美国 AI 公司，用中国的开源模型做底座，把后训练出来的成品追到离美国最强闭源模型 0.9 个百分点、成本低 64%；但它不发权重、不给 API，只卖 20 美元一个月的订阅。
这条链路上每一环都值得记住：开源权重是谁家的、后训练是谁做的、基准是谁定的、独立评测又说了什么。因为接下来一年，同类模型会越来越多，而”这到底是谁的模型”这个问题会越来越难回答。
关注 AI商业快讯，每天一篇 AI 热点深度解读。
相关阅读：