SWE-2

Fiche modèle · Cognition · swe-2

SWE-2 is Cognition's most advanced coding model, post-trained from Moonshot AI's 2.8-trillion-parameter Kimi K3 with reinforcement learning scaled to the multi-trillion-parameter regime for the first time. A single RL run trains all reasoning-effort levels (medium, high, max) together with per-effort cost penalties tuned to the base model's Pareto frontier, advancing the whole cost-performance curve rather than a single operating point. On FrontierCode 1.1 Main it scores 50.0%, within one point of Claude Fable 5.1 (50.9%) while Cognition states it is 64% cheaper; on DeepSWE 1.1 it scores 73.0%; on Terminal-Bench 2.1 it scores 92.8%; on Terminal-Bench 4.0 it scores 27.3%. SWE-2 is available starting 2026-09-10 in Devin Desktop and Devin CLI, with Devin Web and Fusion rollout in progress; Cognition has not published a standalone public API, model card, or context-window specification independent of the Devin product.

Fiches modèles

Identité

Organisation	Cognition
Pays	—
Famille	—
Type	llm
Date de sortie	2026-09-10
Licence	proprietary
Licence commerciale	non
Licence open source	non
Poids ouverts	non
Auto-hébergement (DGX Spark)	non — poids fermés
Modalités	—
Fenêtre de contexte	—
KV cache / token (Q8)	—
Paramètres totaux	—
Paramètres actifs (session)	—
Source des paramètres actifs	—
Curation des paramètres actifs	—
Prix par session	—
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	—
Tokens d'entraînement	—
Coupure de connaissance	—
Créé le	2026-10-29T18:18:29.070565Z
Mis à jour le	2026-11-04T06:05:14.996263Z
Source	LLM Stats
URL	https://llm-stats.com/models/swe-2

Tokens/tâche

Prix par fournisseur

Prix

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Aucune donnée.

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
reasoning	0.60
general	0.60
agents	0.60
code	0.60
tool_calling	0.60

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
deepswe-1.1	code	0.73	1.00	0.73	non	oui	2026-11-04T06:05:15.002952Z
frontiercode-1.1	reasoning	0.50	1.00	0.50	non	oui	2026-11-04T06:05:14.999566Z
terminal-bench-2.1	reasoning	0.93	1.00	0.93	non	oui	2026-11-04T06:05:15.006439Z
terminal-bench-4.0	reasoning	0.27	1.00	0.27	non	oui	2026-11-04T06:05:15.009742Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
agents	27	0.60	35.65	4	trueskill	2026-11-04T08:08:47.839150Z	rankings
code	26	0.60	38.66	4	trueskill	2026-11-04T08:08:39.742311Z	rankings
reasoning	37	0.60	45.50	3	trueskill	2026-11-04T08:08:41.093494Z	rankings

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04