AI-modellen en platforms
Cognition lanceert SWE-2 Flash: snellere, goedkopere codeeragents
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Cognition kondigde SWE-2 Flash aan op 4 november 2026 en meldt dat het codeermodel drie keer zo snel werkt en een vijfde kost van zijn grotere broer, SWE-2. Het model is beschikbaar in Devin Desktop en CLI en is bedoeld voor routinematige taken van softwareagents, niet om op alle benchmarks de beste resultaten te behalen.
De beoogde taken omvatten automatiseringen, codebeoordeling, functieontwikkeling en updates van documentatie. Het model is tot en met 30 november 2026 gratis te gebruiken. Flash heeft 276 miljard parameters in totaal en 12 miljard actieve parameters, evenveel als Inkling-Small van Thinking Machines Lab, het basismodel met een mixture-of-experts-architectuur dat Cognition heeft aangepast. Thinking Machines heeft de volledige gewichten van Inkling-Small op 30 juli 2026 vrijgegeven.
Benchmarkresultaten en afwegingen
Cognition meldt de volgende evaluatiescores. Daaruit blijken aanzienlijke verbeteringen ten opzichte van Inkling-Small, maar gemengde resultaten vergeleken met SWE-2:
| Evaluatie | Inkling-Small | SWE-2 Flash | SWE-2 |
|---|---|---|---|
| Terminal-Bench 4.0 | 0.9 | 20.0 | 27.3 |
| FrontierCode 2.0 | 3.2 | 24.0 | 23.8 |
| DeepSWE 1.1 | 17.4 | 60.1 | 73.0 |
In de vergelijking van Cognition doet Flash het iets beter dan SWE-2 op FrontierCode 2.0, terwijl SWE-2 hoger scoort op Terminal-Bench 4.0 en DeepSWE 1.1. De resultaten positioneren Flash als een goedkoper en sneller alternatief, niet als een algehele vervanger van zijn grotere broer.
Cognition zegt dat Flash beter presteert dan alle Amerikaanse modellen met open gewichten op de belangrijkste evaluaties die het bedrijf rapporteert, ook dan modellen die drie keer zo groot zijn. De illustratie van de generatiesnelheid beschrijft de methode nauwkeurig: de eigen gsea-proteomics-run van elk model op Terminal-Bench 4.0 wordt opnieuw afgespeeld met gesimuleerde snelheden van 200 tokens per seconde voor Flash en 60 voor SWE-2, waarbij de transcripties tot dezelfde lengte zijn ingekort.
Tussentijdse training en versterkend leren
Cognition zegt dat het bedrijf voor het eerst in zijn trainingsmethode een grootschalige fase van tussentijdse training vóór het versterkend leren heeft geplaatst. Om de gegevensmix te kiezen, stelde het team een afgeschermde dataset met codeertaken samen, bedoeld om realistische scenario’s uit de software-engineering weer te geven. De kandidaatmixen werden vergeleken op basis van het aantal tokens dat elke mix nodig had om het validatieverlies van de basisrun te bereiken. Zo werd tokenefficiëntie een selectiecriterium.
De uiteindelijke mix bevatte enkele biljoenen tokens uit wetenschappelijke artikelen, blogs, code en andere bronnen. De training verliep in drie fasen, zodat de schaarsste gegevens van de hoogste kwaliteit pas later aan bod kwamen. Cognition meldt dat het validatieverlies op de afgeschermde dataset in die fasen volgens een stabiel log-lineair patroon verbeterde.
Daarna volgde grootschalig versterkend leren. Cognition schrijft het grootste deel van de verbetering ten opzichte van de trainingsmethode van SWE-2 toe aan taken van hogere kwaliteit en met meer variatie, en niet aan aanpassingen van de methode. Het team controleerde de taakbeschrijvingen, de inrichting van de omgevingen en de verificateurs, en voegde taaktypen toe die bedoeld zijn om het redeneervermogen en probleemoplossend vermogen voor echte Devin-werkprocessen te verbreden.
Beperkte toegang tot modelgewichten
De gewichten van Flash worden nog niet openbaar gedeeld. Cognition werkt aan een beveiligd deelprogramma voor vertrouwde industriële partners en onderzoekslaboratoria en belooft later meer details te geven. De geplande toegang zou goedgekeurde partners in staat stellen het model verder te trainen en uit te voeren in gevoelige omgevingen die door klanten worden beheerd, waaronder infrastructuur op locatie. Onderzoekers zouden het gedrag en mogelijk misbruik kunnen bestuderen.
Cognition meldt dat gerichte training op het gebied van cyberbeveiliging de score van Inkling-Small op ExploitBench heeft verhoogd van 11,3% naar 34,8%. Het bedrijf waarschuwt echter dat dezelfde mogelijkheden kwaadwillende aanvallers kunnen helpen; daarom heeft het besloten de modelgewichten niet openbaar te maken.
In Cognitions beveiligingsbericht van 26 oktober 2026 staat dat AI het werk van zowel aanvallers als verdedigers versnelt. Ook bespreekt het bericht de kwetsbaarheden voor uitvoering van code op afstand in PHP en Node.js die op 21 oktober 2026 bekend zijn gemaakt.
De release maakt onderscheid tussen direct nut en bredere toegang. Binnen Devin is Flash volgens Cognition een goedkopere en snellere optie voor dagelijks engineeringwerk. Buiten dat product hangt de waarde voor bedrijven en onderzoekers af van de vraag of het geplande programma verdere training en implementatie in een door de klant beheerde omgeving mogelijk maakt, binnen de beveiligingsbeperkingen die Cognition heeft vastgesteld.
