别再让AI读半个仓库才动手！Cognition SWE-2实测：三档effort一调，账单砍掉七成

说实话，我对”更强编码模型”这五个字早就免疫了。

从 Claude Code 到 Cursor，每一个都号称要颠覆工作流。结果呢？账单涨了，代码质量没跟上，唯一稳定增长的是我盯着进度条发呆的时间。

所以 9 月 10 号 Cognition 发布 SWE-2 那天，我第一反应是想划走。直到看见一组数字。

改代码之前，SWE-2 中位只用 18 步。上一代 SWE-1.7 要 48 步。

我当场拍了大腿。这两个数字之间差的不是智商，是克制。

第一章先搞清楚：SWE-2 不是”更强”，是”更会省”

Cognition 就是做 Devin 的那家公司，全球首个自主 AI 软件工程师出自他们手。这次的 SWE-2 已经上线 Devin Desktop、CLI、Web 和 Fusion，全线铺开。

先把话说在前面：它并不是分数最高的那个。Cognition 官方 FrontierCode 1.1 主榜上，SWE-2 拿 50.0%，Fable 5.1 是 50.9%，GPT-6 Astra 53.3%。SWE-2 排第三。

这个榜单的评测方式很实在：AI 写的 PR，会不会被人类 maintainer 真的合并。含金量比刷几道算法题高得多，也更接近我们每天在干的活。

真正让我坐直身子的，是官方那句自我检讨。Cognition 直接承认 SWE-1.7 “tended to over-explore and overthink simple tasks”，翻译过来就是：简单任务它也非要全局搜一遍，不搜完不动手。

你以前花的那笔钱，买的根本不是它改代码的时间，是它”思考人生”的时间。

这一代真正的增量在这里：effort level。medium、high、max 三档旋钮，交到你手上，你自己拧。

第二章三档 effort 怎么选：我的一套判断表

先给表，照着抄就能用。

任务长什么样	档位	为什么
改配置、修 typo、补个单测、改字段名	medium	定位明确，模型不需要探索，多走一步都是浪费
单文件重构、已定位的 bug 修复	medium 起步，卡住再升 high	medium 档已经比上代 SWE-1.7 还强
跨模块改动、要跑通整条链路才有反馈	high	需要它自己建上下文，省不掉
跨天的大工程、需求本身就模糊	别硬撑，换模型或换人	见第五章那个 27.3%

我的 if / then 版本，背下来就够：
· 如果你 30 秒内能说清”改哪个文件的哪一段”，那就 medium。
· 如果你得先解释业务背景才能说清要改什么，那就 high。
· 如果你自己都不确定这活要干几天，那就别交给 SWE-2。

这里还有个技术细节，我觉得比分数重要。Cognition 在单次 RL 训练里加了线性成本惩罚，一次训练直接训出三档，而不是分开训三个模型。多走一步就有价码，模型自然学会”够用就停”。

效果有多猛？medium 档比上代 SWE-1.7 分数更高，还少 58% 的 turn，平均成本低 81%。

# Devin CLI 里指定 effort 档位
devin run –effort medium “修复 user.service.ts 里 token 过期未刷新的竞态”

# 跑不通再升档，别一上来就 max
devin run –effort high “重构 auth 模块，把 session 逻辑抽成独立中间件”

# max 留给真难题：定位不明、需要跨模块推理的那种
devin run –effort max “排查结算金额偶发错位的根因，给出修复方案”

图：三档 effort 选择器，medium 档常亮就够用

第三章实战场景：一个真实 bug，medium 档十分钟跑完

讲个我这周真遇到的。登录态偶发掉线，我怀疑是 refresh token 的竞态，但不确定。

旧习惯：开最大档，让它全局搜 auth，我去泡杯咖啡。回来一看，它读了十几个文件，PR 倒是出了，但改了一堆不相干的边界处理，我还得回滚。

新做法：medium 档 + 直接点名文件。

devin run –effort medium “在 src/services/user.service.ts 中定位 refresh token 并发刷新导致的登录态丢失，只改必要代码，附一条复现用的单测”

十分钟出 PR。我 review 完直接合了。

官方管这个指标叫”首次真正改代码”的中位步数：SWE-2 是 18 步，SWE-1.7 是 48 步。落到体感上，就是从”泡杯咖啡”变成”盯着看十分钟就完事”。

提效点在哪？不是模型突然开窍了，是你终于不用为它的好奇心买单。

第四章 18 步 vs 48 步：为什么”少读代码”反而更强

这一章是我最想说的，因为它反直觉。

我们默认以为，模型读的上下文越多，判断越准。其实不是。1M 上下文是它的能力上限，不是每次的默认用量。

读得越多，噪声越多。无关文件里的相似命名、废弃的兼容分支、三年前的注释，全都会被当成线索。模型在这些线索里绕圈，绕着绕着就把简单任务做成了复杂任务。

SWE-2 的解法很朴素：给每一步标价。RL 里加了线性成本惩罚之后，”再读一个文件确认一下”这件事有了成本，模型学会了在信息够用的时候停手。

结果直接写在短任务榜单上。Terminal-Bench 2.1，SWE-2 拿 92.8%，反超 Fable 5.1 的 91.4% 和 Astra 的 89.9%。

短任务这块，它现在是王。92.8% 意味着：给它一个边界清晰的小活，它基本不会掉链子。

图：与其扫全库，不如精准定位那三个文件

第五章数据摊开看：它赢在哪，输在哪

我把官方给的数全摊在这儿，你自己判断。

模型	FrontierCode 1.1 Main	Terminal-Bench 2.1	Terminal-Bench 4
SWE-2	50.0%	92.8%	27.3%
Fable 5.1	50.9%	91.4%	55.8%
GPT-6 Astra	53.3%	89.9%	57.9%
Grok 4.6	48.0%	未公布	未公布
GPT-5.6 Sol	47.5%	未公布	未公布
Kimi K3（基座）	44.2%	未公布	未公布
SWE-1.7（上代）	42.0%	未公布	未公布

另外 DeepSWE 1.1 上，SWE-2 是 73.0%。

赢的地方很清楚：Terminal-Bench 2.1 第一。短、边界清、反馈快的任务，它是目前最稳的选择。

输的地方必须讲明白。主榜 50.0%，排在 Fable 5.1 和 GPT-6 Astra 后面。更要命的是 Terminal-Bench 4，那个测长周期艰难任务的榜：SWE-2 只有 27.3%，Fable 5.1 是 55.8%，Astra 是 57.9%。

不到人家的一半。这个数字我没法替它洗。

所以判断框架特别简单：任务周期越短，SWE-2 越香；任务周期越长，它越不行。92.8% 和 27.3% 放一起看，边界比任何宣传语都清楚。

对了，它的底座是 Moonshot AI 的 Kimi K3，2.8 万亿参数的开源模型，Cognition 做后训练，RL 那部分加了 5 到 6 分。这没什么丢人的，站得住。

第六章它不完美：我也踩过坑

坑 1：长周期任务会崩。
现象：让它做跨三天的大重构，前两小时像模像样，之后开始自我推翻，把上午写的判定成错的，重来一遍。
根因：Terminal-Bench 4 的 27.3% 就是这件事的量化结果，长程规划能力确实没跟上。
解法：拆。一个 session 只干一件事，干完开新 session。跨天的活直接交给 Fable 5.1 或者你自己写。

坑 2：没有独立 API。
现象：我想把它接进自己的 harness，接不进去。
根因：SWE-2 只活在 Devin Desktop、CLI、Web、Fusion 这套产品里，没开源权重，也没有独立 API。
解法：要么接受 Devin 的工作流，要么继续用别的模型。社区那句抱怨我举双手赞成：I don’t want to use your CLI. I already have my own harnesses.

坑 3：档位选错反而更贵。
现象：我图省事一律开 max，月底账单比上个月还高。
根因：max 在简单任务上多走的每一步都在烧钱，而 medium 档的水平已经压过上代了。
解法：默认 medium，跑不通再升。把 max 留给那种你自己也得想半天的难题。