SWE-2 se queda a un punto de Fable 5.1 y cuesta un 64% menos, según Cognition

Qué anunció Cognition

El 10 de septiembre de 2026 Cognition presentó SWE-2, el modelo de programación más capaz de su catálogo hasta la fecha.

El titular que eligió la empresa es de coste, no de récord: SWE-2 firma un 50,0% en FrontierCode 1.1 Main, se queda a menos de un punto de Fable 5.1 y, según Cognition, cuesta un 64% menos. El modelo está disponible desde ese mismo día en Devin Desktop y en la CLI (command line interface, la versión que se maneja escribiendo órdenes en la terminal), y se está desplegando en Devin Web y Fusion.

La base no es propia: SWE-2 parte de Kimi K3, un modelo de 2,8 billones de parámetros que ya había pasado por un entrenamiento intensivo para programación agéntica. Sobre él, Cognition dice añadir entre cinco y seis puntos en muchas pruebas.

La tabla, con sus números exactos

Estos son los resultados que publica Cognition. Conviene leerlos como lo que son: medidas hechas y comunicadas por la empresa que vende el modelo.

La lectura no es uniforme. En Terminal-Bench 2.1 SWE-2 encabeza la tabla, y en DeepSWE 1.1 se acerca mucho a GPT-6 Astra. En Terminal-Bench 4, en cambio, la distancia es enorme: 27,3% frente al 55,8% de Fable 5.1 y el 57,9% de Astra. Cognition sostiene que en FrontierCode 1.1 Main y DeepSWE 1.1 su modelo supera a SWE-1.7 y a Grok 4.6 en puntuación y precio, iguala a GPT-5.6 Sol y a la familia Fable 5/5.1 por una fracción de su coste, y queda a pocos puntos de GPT-6 Astra por la cuarta parte del gasto.

Cómo dicen haberlo entrenado

La novedad metodológica que reivindica Cognition es entrenar todos los niveles de esfuerzo en una sola tanda de aprendizaje por refuerzo, en lugar de afinar cada configuración por separado. Para ello usan una función de recompensa con penalización lineal de coste: R = S − λe · C, donde S indica si la ejecución acabó bien, C mezcla el coste de inferencia en dólares con el tiempo empleado, y λe se ajusta a la pendiente local de la frontera del modelo base en cada nivel de esfuerzo.

El razonamiento que ofrecen es geométrico. Si λ se fija demasiado alto, el modelo se conforma con abaratar a costa de acertar menos: el nivel alto empieza a comportarse como el medio y la recompensa sube sin que la frontera mejore. Cuando λ coincide con la pendiente de la frontera en ese punto, moverse a lo largo de la curva ya no aporta recompensa y el único modo de subir es desplazar la frontera hacia arriba.

El resto del trabajo es de infraestructura: un retardador de prefill que agrupa peticiones en el planificador de la GPU (mejora del 10-20% en rendimiento por tarjeta y por petición a cambio de más latencia hasta el primer token), decodificación especulativa DSpark con un modelo borrador reentrenado con SpecForge que alarga un 15% las secuencias aceptadas, y núcleos NVFP4 y FP8 con entrenamiento consciente de la cuantización. También triplicaron el número de entornos de refuerzo y endurecieron los verificadores para evitar que el modelo hiciera trampas con la recompensa.

Menos vueltas antes de tocar el código

El cambio de comportamiento que más presume Cognition es la exploración enfocada. SWE-1.7 tenía fama, por comentarios de sus propios usuarios, de dar demasiadas vueltas al repositorio antes de editar nada, incluso en tareas sencillas.

Los números que aporta la empresa sobre FrontierCode 1.1 Main: SWE-1.7 promedia 127 pasos por ejecución; SWE-2 medium, 53; SWE-2 high, 80; SWE-2 max, 98. La variante medium puntúa por encima de SWE-1.7 con un 58% menos de turnos y un 81% menos de coste medio. Y da su primera edición real tras una mediana de 18 pasos, frente a los 48 de la generación anterior.

El resto de observaciones proceden de pruebas internas y no llevan cifras asociadas: mejores tests de extremo a extremo, más recursos cuando la vía obvia está bloqueada —en un caso reconstruyó datos a partir del histórico de un canal de Slack porque la integración MCP que necesitaba no estaba disponible— y la costumbre de rehacer el razonamiento cuando el usuario le lleva la contraria, en lugar de darle la razón.

En el apartado de fiabilidad, Cognition reeditó su evaluación sobre propaganda y censura con las 145 preguntas de temas políticamente sensibles en China recopiladas por Pan y Xu (2026), preguntadas en inglés, chino simplificado y chino tradicional, y con un único juez que decide si la respuesta es sustantiva sin asumir la posición oficial china. SWE-2 pasa el 98,0% de los intentos: 99,8% en inglés, 95,2% en chino simplificado y 99,1% en chino tradicional. En la prueba de vulnerabilidad según el perfil del cliente, ningún encuadre produjo un aumento o descenso estadísticamente significativo en ninguno de los seis modelos evaluados.

El cliente que usa el modelo del rival

Un día después, el 11 de septiembre, OpenAI publicó un caso de cliente sobre Cognition. La compañía que acaba de sacar su propio modelo de programación aplica GPT-6 Astra en toda la gama de Devin: el agente en la nube y los productos de CLI y escritorio.

El argumento que destaca OpenAI no es escribir código, sino comprobarlo. Walden Yan, cofundador de Cognition, lo resume así: "One of the big pieces that Astra improves on is its ability to test and prove that its work actually functions the way you expect" (una de las grandes mejoras de Astra es su capacidad de probar y demostrar que su trabajo funciona como esperas). El ejemplo que ponen: Devin prueba Otter Run, un juego de iPhone, y devuelve una grabación de la partida corriendo en un simulador junto a un informe que detalla qué comprobaciones pasaron y qué áreas quedaron sin probar. En soporte, cuando un cliente envía la captura de un fallo, el equipo se la pasa a Devin con Astra, que lo arregla y devuelve otra captura del resultado.

Aquí toca la advertencia: ese texto es material promocional de OpenAI y no contiene una sola métrica. No sirve para respaldar afirmaciones de rendimiento, ni de Astra ni de Devin. La única proyección que ofrece es una expectativa de Yan: "We expect over time that we have to manually look at less code and end up shipping more at the end of the day" (esperamos que con el tiempo tengamos que mirar código a mano cada vez menos y acabemos entregando más).