Cognition SWE-1.7: своя coding-модель Devin на ~1000 TPS

Что за модель и на чём она основана

8 июля 2026 года Cognition выпустила SWE-1.7 — по формулировке компании, «самую способную модель, которую мы когда-либо обучали». Заявленная цель — интеллект уровня топовых моделей по значительно более низкой цене, сдвигающий кривую соотношения цены и качества. Модель отдельно оптимизирована под долгие асинхронные задачи программной инженерии. В основе — модель Kimi K2.7, которая уже прошла масштабное обучение с подкреплением; дополнительные значительные улучшения от собственного обучения Cognition, по словам компании, «ставят под сомнение идею потолка после пост-тренинга». Независимое освещение релиза подтверждает архитектуру: распределённый пайплайн обучения с подкреплением развёрнут на четырёх дата-центрах на трёх континентах.

Скорость и доступность

Модель уже доступна в Devin — в вебе, десктопном приложении и CLI — и работает через Cerebras со скоростью около 1000 токенов в секунду.

Результаты на бенчмарках

По данным собственного поста Cognition, SWE-1.7 показывает 42,3% на FrontierCode 1.1 Main, 81,5% на Terminal-Bench 2.1 и 77,8% на SWE-Bench Multilingual — для сравнения, у Opus 4.8 эти показатели 46,5%, 86,9% и 84,4% соответственно, то есть SWE-1.7 уступает топовым моделям, но заметно опережает предыдущую модель компании SWE-1.6. Независимое освещение релиза прямо отмечает: все опубликованные цифры — из собственного тестирования Cognition на своём харнессе, ни одна независимая лаборатория пока не воспроизвела эти результаты.

Четыре компонента обучения

Компания выделяет четыре направления, на которых строилось обучение. Первое — сохранение энтропии и стабилизация обучения: борьба с коллапсом энтропии и числовым дрейфом между обучением и инференсом. Второе — мультикластерное обучение и устойчивость к сбоям: кластеры на трёх континентах, обновление весов через объектное хранилище, аппаратные сбои не останавливают процесс обучения. Третье — курирование качественных данных: автоматизированные тесты на исполнение, отсев данных с низким обучающим сигналом, защита от «взлома» системы вознаграждения. Четвёртое — самосжатие для долгих задач: модель суммирует рабочее состояние и продолжает с этой точки, а переменный штраф за длину результата обеспечивает краткость без потери точности. SWE-1.7 дополняет мультимодельную систему Devin Fusion собственной линейкой моделей Cognition.

Сравнение с GPT-5.5 и Opus 4.8

Независимое освещение приводит и третью точку сравнения — GPT-5.5: на FrontierCode 1.1 Main у GPT-5.5 43,0% против 42,3% у SWE-1.7, на Terminal-Bench 2.1 — 84,2% против 81,5%, а вот на SWE-Bench Multilingual SWE-1.7 обходит GPT-5.5 — 77,8% против 76,8%. По формулировке издания, модель Cognition «близка к GPT-5.5, но не является лидирующей моделью» на большинстве бенчмарков.

Доступ к SWE-1.7 идёт не через отдельный API с прайс-листом за токен — компания не публиковала официальную цену за токен, — а через подписочные тарифы Devin: бесплатный уровень с ограниченной квотой и ограниченным набором моделей, Pro за $20 в месяц с полным доступом к SWE-1.7 и облачным агентам Devin, и Max за $200 в месяц.