SWE-2: por que o novo modelo da Cognition testa a sua hipótese em vez de só concordar com você

Sabe aquele agente que responde "ótima observação!" pra qualquer palpite que você joga no chat, mesmo quando o palpite é lixo? Pois é

A Cognition acabou de anunciar o SWE-2, no post "Introducing SWE-2: Pushing the Pareto Frontier", apresentado como o modelo de codificação mais capaz deles

E o comportamento que a empresa colocou no centro do anúncio não é tamanho de contexto nem velocidade: é que o SWE-2 verifica as hipóteses do usuário em vez de simplesmente concordar, e roda artefatos pra reunir evidência em vez de se apoiar em prosa bonita

Ou seja, o modelo foi vendido como o colega chato que pede prova antes de te dar razão 🙂

O que é o SWE-2 e sobre o que ele foi construído:

O SWE-2 é o modelo de codificação da Cognition, a mesma casa do Devin

Ele é pós-treinado a partir do Kimi K3, um modelo de 2.8T de parâmetros

"Pós-treinado" como assim? É quando tu não treina um modelo do zero, tu pega uma base já pronta e treina em cima dela pro comportamento que tu quer

Se você conhece o ciclo de fine-tuning, é a mesma ideia: a fundação vem de fora, o jeitão vem do treino de cima

A janela de contexto é de 1M de tokens, o que dá bastante folga pra o agente ficar vasculhando arquivo

E tem um detalhe de engenharia que achei mto massa: o algoritmo de RL da Cognition treina TODOS os níveis de esforço de raciocínio em uma única execução de treinamento

Não é um modelo pra cada nível, é um treino só que já sai com os três

Verificar hipótese em vez de concordar: o que isso significa na prática

Aqui é o coração do anúncio, então vamos por partes

São três comportamentos declarados pela Cognition:

• ele verifica a hipótese do usuário em vez de simplesmente concordar
• ele executa artefatos pra coletar evidência, em vez de confiar em prosa superficial
• quando é contestado, ele re-deriva as conclusões em vez de reafirmar o que já tinha dito

O terceiro é o mais interessante, e você já viveu o oposto disso

É aquele momento em que tu escreve "acho que não é isso não" e o agente vira a casaca na hora, pede desculpa e inventa uma segunda explicação tão convicta quanto a primeira

Re-derivar é diferente: é refazer o caminho até a conclusão, e voltar com a mesma resposta se a evidência continuar apontando pra lá

Isso muda a natureza da conversa

O padrão de agente bajulador transforma você no único adulto na sala: tudo que ele diz, tu precisa conferir, porque tudo que tu disse, ele aceitou

Não é um problema novo, tanto que já teve gente montando instrução só pra fazer o modelo discordar de você em vez de aceitar qualquer coisa

A diferença do SWE-2 é que a Cognition está posicionando isso como comportamento do modelo, não como prompt que você precisa escrever toda vez

Testes ponta a ponta: por que isso muda a revisão de código

Outro ponto que a Cognition destaca: o SWE-2 escreve melhor testes que checam a implementação de ponta a ponta, pegando regressões e casos de borda com mais confiabilidade

Parece detalhe, mas conversa direto com o ângulo do post

Teste que roda é evidência

Prosa sobre o teste é opinião

Quando o agente te entrega "implementei e validei" sem nada executável junto, a validação inteira foi terceirizada pra você, e aí não sobrou muito da promessa de automatizar 😛

Já quando o artefato roda e falha, a discussão acabou: a hipótese estava errada e existe um output provando

Pra quem revisa PR, o efeito prático é mudar o que precisa de olho humano

O revisor sai do "será que isso funciona mesmo?" e vai pro "esse teste cobre o caso certo?", que é uma pergunta bem melhor de responder

Tome cuidado! Teste ponta a ponta mal desenhado passa uma sensação de segurança que não existe, então a checagem não some, ela só muda de lugar

Medium, high ou max: qual nível de esforço usar

O SWE-2 tem três níveis de esforço de raciocínio: medium, high e max

E eles não mudam só a "qualidade", mudam o jeito do agente trabalhar

O medium parte pra ação mais rápido e é custo-eficiente em tarefas simples e intermediárias

O high e o max planejam mais, exploram mais a base de código e lidam com incerteza via verificação mais complexa (a Cognition descreve os dois juntos nesse comportamento)

Começar no medium e subir quando a tarefa reclamar é o caminho mais sensato

FrontierCode: o benchmark que mede se o patch seria mergeado

O FrontierCode é um benchmark criado e operado pela própria Cognition

A proposta dele é medir mergeability: se o patch do agente numa issue real de open source seria bom o suficiente pra ser mergeado

Isso inclui correção, qualidade dos testes, disciplina de escopo, estilo e aderência ao padrão do repositório

É uma régua bem diferente de "passou nos testes existentes", porque disciplina de escopo é justamente o que mais dói na revisão: o agente que conserta o bug e de quebra reescreve três arquivos que ninguém pediu

E tem um ponto que dá peso ao benchmark: as tarefas são construídas pelos mantenedores dos próprios repos de origem, mais de 20 desenvolvedores e mantenedores envolvidos

Os números, todos autorreportados pela Cognition:

• score de 50,0 no FrontierCode 1.1 Main
• o SWE-2 medium pontua acima do SWE-1.7 usando 58% menos turnos e custando 81% menos em média

Esse segundo dado é o mais concreto do anúncio, na minha leitura

Menos turnos pro mesmo trabalho é o que tu sente no dia a dia, é menos ida e volta, menos contexto queimado, menos "continue"

Onde um agente que exige prova ajuda mais

Pensando só no comportamento declarado, dá pra mapear onde isso rende de verdade:

• Debug em que a sua hipótese inicial está errada. É o caso clássico: tu chega com "o problema é o cache" e o agente concorda, passa quarenta minutos otimizando cache, e o bug estava na serialização. Um agente que verifica antes de aceitar corta esse prejuízo no começo
• Revisão de PR em base grande. Com janela de 1M de tokens e disposição pra explorar a base, o high e o max tendem a checar o que o patch encosta em vez de olhar só o diff
• Caça a regressão e caso de borda. Combina com a melhoria declarada em testes ponta a ponta: o que pega regressão é execução, não descrição
• Tarefa simples com prazo curto. Aqui o medium é o ponto: partir pra ação rápido, sem transformar um ajuste de dez linhas numa sessão de arqueologia

Vale lembrar que comportamento de agente é uma coisa que às vezes tu precisa domar na marra, tipo quando ele insiste em responder em inglês mesmo tu escrevendo em português

A aposta da Cognition é que ceticismo venha de fábrica, e não como mais uma regra na sua lista de instruções

Onde testar o SWE-2 hoje e o que ainda não existe

No lançamento, o SWE-2 está disponível no Devin Desktop e no Devin CLI

Pra Devin Web e Fusion, o anúncio fala em rollout, então ainda está em andamento

E se tu nunca ouviu falar em Devin Desktop? É o Windsurf com nome novo: o Windsurf passou a se chamar Devin Desktop, mesmo produto, marca trocada

O detalhe mais suculento está na documentação de modelos do Devin Desktop: o uso do SWE-2 (e de modelos open source líderes) é gratuito no Devin Desktop e no Devin CLI por tempo limitado, até 10 de outubro de 2026

Agora o que NÃO existe, que é tão importante quanto:

• a Cognition não publicou API standalone do SWE-2
• não publicou tabela de preço por token
• não abriu os pesos

Ou seja, por enquanto o SWE-2 vive dentro do ecossistema da Cognition

Se o teu plano era plugar ele no teu fluxo via API, não dá ainda…

Vídeo: como a IA lê o seu histórico de trabalho

Pra começar do zero no assunto de agente que lê e levanta o que você andou fazendo, este vídeo do canal mostra uma IA que traz tudo que você fez nos últimos 30 dias

Conclusão

O SWE-2 chegou com score, com 1M de tokens de contexto e com pós-treino em cima do Kimi K3, mas o que me interessou mesmo foi o comportamento anunciado

Um agente que verifica a tua hipótese, roda artefato pra buscar evidência e re-deriva a conclusão quando tu contesta é uma proposta bem diferente do assistente que assina embaixo de tudo que você digita

E a promessa não é "acertar sempre", é "não fingir que sabe", o que na prática é mais útil

Se quiser tirar a prova, o caminho é curto: abre o Devin Desktop ou o Devin CLI enquanto o uso gratuito está de pé (até 10 de outubro de 2026), começa no medium nas tarefas de escopo fechado e sobe pra high ou max quando a tarefa exigir mais exploração e verificação

E aí, será que ele aguenta o teu palpite errado sem concordar? Faça o teste!

até o próximo post! 😀