SWE-2: como a Cognition treinou medium, high e max em uma única execução de RL

Treinar um modelo por nível de raciocínio é o caminho óbvio

A Cognition fez o contrário: medium, high e max do SWE-2 saíram todos da MESMA execução de RL

O lançamento foi em 10 de setembro de 2026

Aqui a gente vai pro bastidor técnico: o que significa treinar três níveis de esforço numa run só, qual mecanismo faz essa separação acontecer e o que isso sugere pra consistência de comportamento entre os níveis

Bora?

O que é o SWE-2 e de onde ele parte

O SWE-2 é o modelo de código mais avançado da Cognition até agora, segundo o anúncio oficial

O foco declarado não é "bater todo mundo no benchmark", é empurrar a fronteira de Pareto entre custo e desempenho

E tem um detalhe que vale demais: ele é pós-treinado a partir do Kimi K3, o modelo base da Moonshot AI, de 2,8 trilhões de parâmetros

Ou seja, a Cognition não treinou do zero, ela pegou uma base aberta forte e trabalhou em cima

Isso não é de hoje, viu? O antecessor SWE-1.7 já tinha sido construído sobre um Kimi K2.7

Então a estratégia de pós-treino sobre bases abertas é uma linha contínua da casa, não um experimento solto…

Como funciona a penalidade de custo que separa medium, high e max

A contribuição técnica central do SWE-2 é um algoritmo de RL que treina todos os níveis de esforço (medium, high e max) em uma única execução de treinamento, em vez de execuções ou modelos separados pra cada nível

E o mecanismo é mais simples do que parece: uma penalidade LINEAR de custo aplicada por nível de esforço, dentro da mesma run de RL

Cada nível carrega uma penalidade diferente, e cada penalidade é calibrada pela inclinação local da fronteira de Pareto do modelo base

Que fronteira de Pareto?

Se você já mexeu com otimização, tu conhece a ideia: é o conjunto de pontos onde não dá pra melhorar uma coisa sem piorar a outra

Aqui os dois eixos são custo e desempenho

Um ponto da fronteira é um modelo barato que resolve menos, outro ponto é um modelo caro que resolve mais

Tudo que fica ABAIXO dessa curva é desperdício: tem um jeito de gastar menos pelo mesmo resultado, ou de entregar mais pelo mesmo preço

E a tal da inclinação local?

A inclinação em cada trecho da curva diz quanto de desempenho a mais você compra gastando um pouco a mais naquele ponto específico

Na parte barata da curva, um passo extra de esforço costuma render bastante

Na parte cara, o mesmo passo extra rende bem menos

Calibrar a penalidade pela inclinação local é o jeito de dizer pro treino: "nesse regime aqui, gastar mais SÓ vale se o ganho for desse tamanho"

O objetivo declarado pela Cognition é justamente esse, refletir no treino o custo real pago pelo usuário da forma mais direta possível

Não é heurística de "pensa menos", é preço entrando na função que o modelo otimiza 🙂

Por que uma execução única em vez de modelos separados por nível

Se tu treina um modelo por nível, cada um puxa pro seu lado

O barato melhora e vira uma coisa, o caro melhora e vira outra, e a curva entre eles fica torta

A aposta da execução única é o oposto: avançar a fronteira de Pareto INTEIRA preservando o formato dela

A Cognition coloca isso de forma bem explícita no anúncio, o ganho é de toda a curva de uma vez, em vez de melhorar um ponto às custas dos outros

E aqui entra a parte que mais interessa pra quem vai usar no dia a dia

Mesma run, mesmos dados, mesma pressão de treino: o que separa medium, high e max passa a ser quanto esforço cada um está autorizado a gastar, e não três personalidades treinadas separado

A leitura natural disso é consistência de comportamento entre os níveis, porque a base de comportamento é compartilhada

Mas atenção pra não passar do ponto: isso é LEITURA do método, não número publicado

A Cognition descreveu diferenças qualitativas entre os níveis, e não divulgou métrica de concordância ou variância entre medium, high e max

Quem vai dizer se a consistência se sustenta é o uso real, fora de benchmark

Medium, high e max: o que muda entre os níveis de esforço

O dado mais concreto sobre essa diferença é a média de passos por execução

E ele conta uma história boa quando você bota o SWE-1.7 na mesma tabela:

Repara que até o max, o nível mais gastador do SWE-2, fica abaixo dos 127 passos do SWE-1.7

O medium age mais cedo, o high e o max seguram a ansiedade e investigam antes

É a mesma diferença entre o dev que já abre o arquivo e edita, e o que lê o projeto todo antes de encostar em uma linha

Os dois estão certos, depende da tarefa 😀

Os números do FrontierCode 1.1 e a ressalva do benchmark

Os resultados divulgados no anúncio são estes:

• 50,0% no FrontierCode 1.1 Main, dentro de um ponto do Fable 5.1 e 64% mais barato
• O SWE-2 medium pontua acima do SWE-1.7 no mesmo benchmark usando 58% menos turnos e com custo médio 81% menor

Esse segundo número é o que mais casa com o ângulo do post

O nível mais barato do modelo novo passa o modelo antigo inteiro, gastando bem menos

É exatamente o que se espera quando a curva sobe junto, e não só a ponta cara dela

Agora a ressalva honesta, porque aqui não tem torcida

O FrontierCode é o benchmark proprietário da PRÓPRIA Cognition, com leaderboard vivo em cognition.com/frontiercode

Ou seja, são valores autorreportados, divulgados por quem fez o modelo e também opera a régua

Não quer dizer que estão errados, quer dizer que merecem o mesmo ceticismo que qualquer número de casa merece

Tome cuidado pra não repetir isso por aí como se fosse avaliação independente!

Qual nível de esforço usar em cada tipo de tarefa

Traduzindo o comportamento verificado pro dia a dia:

• Medium pra tarefas simples e intermediárias, onde agir cedo compensa e ficar explorando a base de código só queima turno à toa
• High e max pra tarefas complexas, que pedem planejamento, exploração da base e verificação antes de commitar bobagem

A regra de bolso é olhar pra incerteza da tarefa

Se tu já sabe qual arquivo mexer e qual é o resultado esperado, esforço alto vira custo sem retorno

Se a tarefa é do tipo "tem um bug em algum lugar desse monorepo", aí o planejamento e a verificação mais complexa do high e do max passam a valer o gasto 😛

Onde testar o SWE-2 agora

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

E tem um detalhe que muda o cálculo de quem quer só experimentar: o uso é gratuito no Devin Desktop e no Devin CLI até 10 de outubro de 2026

Ou seja, dá pra rodar o modelo em tarefa real sem olhar pra fatura, o que é bem massa pra quem quer formar opinião própria em vez de ficar no benchmark alheio

Conclusão

A aposta técnica do SWE-2 é bonita de acompanhar: em vez de espremer um ponto da curva, a Cognition tentou levantar a fronteira de Pareto inteira numa execução só de RL, com penalidade linear de custo por nível calibrada pela inclinação local da curva do modelo base

Se isso funciona como promete, medium, high e max deixam de ser três modelos com manias diferentes e viram o mesmo comportamento com orçamentos diferentes

Os números de passos (53, 80 e 98 contra 127 do SWE-1.7) e o medium passando o SWE-1.7 com 81% menos custo médio apontam nessa direção, mas vieram todos do benchmark da casa

O teste de verdade é a consistência entre os níveis fora do FrontierCode

E dá pra fazer esse teste agora: roda o modelo nos clientes Devin durante o período gratuito, pega o MESMO tipo de tarefa e compara medium, high e max lado a lado

Se o comportamento base for o mesmo e só o esforço mudar, a tese se sustenta

até o próximo post! =)