Cognition SWE-1.7

• 1. 概要 （共 261 字）

  Cognition（Devin 的母公司）于 2026 年 7 月 8-9 日发布 SWE-1.7，这是其迄今训练过的最强软件工程智能体模型。它基于月之暗面（Moonshot AI）的开源模型 Kimi K2.7 Code 作为基座，再叠加 Cognition 自研的大规模强化学习后训练，直接在 Devin 环境中针对长周期异步任务调优。官方没有宣称全面超越最强闭源模型，而是把卖点放在「差几个点、便宜一个量级」的可部署区间，在自建 FrontierCode 基准上单任务成本约 1.97 美元。所有基准数字均来自 Cognition 自述，第三方独立复测尚未出现。

• 2. 产品背景 （共 262 字）

  Cognition 是应用 AI 实验室，以打造自主软件工程师 Devin 闻名。其 SWE 模型家族专为智能体软件工程（agentic software engineering）工作设计，通过 Devin 的 Web、桌面与 CLI 三端交付，针对长跨度、异步的编码任务做了优化。SWE-1.7 是家族当前首个被官方正式文档记录的版本，前代是 2025 年 10 月发布的 SWE-1.6（主打模型体验与速度，曾免费三个月）。公司团队规模小但密度高，创始成员拥有 10 枚 IOI 金牌，来自 Cursor、Scale AI、Modal、Google DeepMind 等机构。

• 3. 产品功能与使用体验 （共 466 字）

  SWE-1.7 只在 Devin 平台内以托管形式提供，不发布开源权重、也没有独立模型 API。它在 Devin 三端可用，由 AI 芯片公司 Cerebras 提供算力，推理速度高达每秒 1000 token。训练配方有四个关键组件：第一是熵保持，用 top-p 采样加采样分布重放（sampling distribution replay）解决训练-推理的 KL 散度不匹配，配合 Muon 优化器消除训练器非确定性；第二是多集群训练，跨三大洲四个数据中心，训练器居中、推理引擎分布式，压缩权重增量体积减少 99% 以上、1-2 分钟跨洲同步，推理故障由 NVIDIA Dynamo 重路由；第三是高质量数据策划，自动执行测试、过滤低学习信号任务、防奖励黑客；第四是长跨度自压缩（self-compaction），上下文临近极限时模型自行总结并续跑，单次 rollout 最长可达 6 小时，配合交替长度惩罚（alternating length penalty）在简单任务上压缩冗余。行为上，相比 Kimi K2.7 基座，它会在改动前做更多探查式代码阅读、给出更凝练的推理链、做根因级缺陷修复。

• 4. 定价与商业模式 （共 203 字）

  SWE-1.7 不单独售卖，其能力随 Devin 订阅提供；部分价格线索来自 Windsurf Cascade 文档：SWE-1.7 Lightning 档按每百万 token 计价，输入 2.50 美元、缓存输入 1.00 美元、输出 12.50 美元。免费档用户仅能使用上一代 SWE-1.6。对 Devin 这类按任务消耗计费的产品，单位成本比榜首分数更决定规模化能力，Cognition 把 1.97 美元的单任务成本作为核心商业数字来强调。

• 5. 用户评价 （共 199 字）

  作为刚发布、且只在 Devin 平台内可用的模型，公开的一手用户反馈尚少，社媒讨论更多集中在速度与定位。开发者 dabit 评价 1000 tok/s「让异步代理工作有了实时感」，形容一种「技术上是异步、但快到你愿意盯着看」的中间态；他也指出更多推理换来更长的运行，但会放大改动的影响面。普遍认可的声音是：它把竞争点从「榜首分数」移到了「成本-性能帕累托前沿」，对按任务计费、追求规模化吞吐的团队有现实吸引力。

• 6. 行业评价 （共 363 字）

  行业媒体普遍接受其「接近前沿、但是便宜一个量级」的定位。多家评测指出，在 FrontierCode 1.1 Main 上 SWE-1.7 得 42.3%，略低于 GPT-5.5 的 43.0% 和 Claude Opus 4.8 的 46.5%，但远高于基座 Kimi K2.7 Code 的 30.1% 与上代 SWE-1.6 的 9.4%；在 Terminal-Bench 2.1 上得 81.5%（Opus 4.8 为 86.9%）；在 SWE-Bench Multilingual 多语言软件工程上得 77.8%，超过了 GPT-5.5 的 76.8%。结论是它并未在所有维度领先闭源对手，却在多语言泛化和单位成本上打出了差异。Cognition 还借这次发布挑战了一个流行判断：开源基座在充分后训练后继续做 RL 的收益会迅速见顶——而 SWE-1.7 在已多轮 RL 的 Kimi K2.7 之上仍拿到大幅增益。

• 7. 争议与风险 （共 340 字）

  最大的争议来自基座的出身。Kimi K2.7 Code 是来自中国大陆实验室的开源模型，Cognition 为此专门发布《Measuring the Trustworthiness of Open-Source-Derived Models》一文，用一套多语言宣传与审查评测（145 个政治敏感问题、每题 5 个样本、覆盖英文/简体/繁体中文，按六个轴打分）检验模型可信度，并强调选 Kimi K2.7 是因其编码能力与中立性兼具、再在后续训练中进一步提升中立。这套做法被业界视为「把地缘风险摆上台面」的诚实操作，但也提醒买家：模型仅通过 Devin 平台提供，需要自托管、严格模型路由或接入自有技术栈的团队，访问方式本身就是一项限制。此外，所有基准均为 Cognition 自报，独立第三方复测缺位，数字应谨慎看待。

• 8. 适用人群与使用建议 （共 188 字）

  它适合已经或准备采用 Devin、按任务消耗计费、追求规模化软件工程吞吐的团队，尤其是被前沿模型单位成本压制的场景。不适合需要本地自托管、模型权重可控或要接入自有应用栈的团队——这部分用户应考虑 GLM、Kimi 等开源权重路线。替代方案包括 Anthropic 的 Claude 系列、OpenAI 的 GPT-5.5/Codex、以及 Cursor、Windsurf 等集成了多模型的编码代理。

• 9. 总结 （共 122 字）

  SWE-1.7 是 Cognition 把「开源基座 + 自研 RL + 推理协同设计」跑通的一次示范：分数没拿榜首，但把成本曲线往左下推了一大步。对按任务付费的编程代理产品而言，这可能比几个基准百分点更有分量；只是自报数字与平台绑定，仍需独立复测与时间检验。

暂无深度报告

• 

  CGonzalez_2024

  —

  坦白说我只关心一件事：它修的 bug 是不是根因级的。报告里说它比基座更会做根因修复、改动前先探查式阅读，这点比单纯分数更影响日常体验。我们之前用别的 agent 经常是改了表面、测试过了，结果隔壁模块因为同一个根因又炸，这种才是真浪费。

---

• 

  6coch1

  —

  基座选 Kimi K2.7 Code 这件事本身就值得聊，开源模型被顶级 RL 团队二次后训练还能涨十几个点，说明 RL 上限没到头。

---

• 

  Emma.Martin_X

  —

  多集群 RL 那套跨洲权重增量同步看着很爽，但我们更关心它防奖励黑客的沙箱设计，报告提了网络隔离和作弊零奖励，方向是对的。

---

• 

  StarkNetStarReyes

  —

  终端里能 1000 tok/s 实时看着 agent 干活，这种异步但够快的「中间态」比纯后台跑体验好太多，等待焦虑明显降低。以前丢一个长任务就切去干别的，回来发现跑偏了还得重来；现在半分钟就能看到它在读代码、在下探针，不对劲当场就能喊停。

---

• 

  KimberlyKristensen

  —

  自压缩能撑到 6 小时 rollout 是个真需求，我们之前用别的 agent 跑长任务经常上下文爆掉中途丢状态，这个设计对症。

---

• 

  Michael.ChavezSr474

  —

  这个分数摆位很聪明：不抢榜首，抢成本曲线。对我们这种按任务计费、一个月要消化几百个 PR 的团队，单价比那几个百分点重要得多。1.97 美元一个 FrontierCode 任务如果属实，相比 Opus 4.8 那种每次 rollout 的成本，规模化之后差距会被放大到很夸张。

---

• 

  琉璃448

  —

  Cognition 把宣传/审查评测摆上台面的做法挺诚实，比起那些假装没用中国开源基座的实验室，这点加分。

---

• 

  SJacksonSr

  —

  所有基准都是 Cognition 自己报的，FrontierCode 还是他们自家基准，先观望等第三方复测，别急着写进选型报告。尤其 OpenAI 自家之前都因为 SWE-bench 污染问题弃用 Verified 版本，说明自报榜单水分空间很大，等独立审计出来再下结论更稳。

---

• 

  Bobby.Johnson520278

  —

  不开源权重、没有独立 API，只能用 Devin，这点对我们是硬伤，我们需要自托管和严格模型路由，平台绑定直接出局。

---

• 

  PatrickHendersonQ

  —

  免费档还是只给 SWE-1.6，想试 1.7 得付费，先让团队里两个人开订阅跑一周真实任务再决定。

---

• 

  Brenda.Collins346

  —

  1.97 美元单任务这个数字是重点，但得拿我们自己的「单次可合并变更成本」去比，光看标杆分数没意义。

---

• 

  Jean_Hill_66

  —

  在 Devin 里切到 SWE-1.7 跑了两个老仓库的迁移任务，体感确实快，1000 tok/s 下等结果的心理负担小了很多。

---

• 

  LJonesX

  —

  SWE-Bench Multilingual 77.8% 超过 GPT-5.5 的 76.8%，多语言泛化这块确实打出了差异，对我们跨语言仓库挺有用。

---

• 

  Sawyer530

  —

  对比下来我更愿意把它当「低成本长任务执行器」而不是「最强编码模型」，定位想清楚就不会对着榜首分数纠结了。

---

• 

  BPerez_7

  —

  从 SWE-1.6 的 9.4% 跳到 42.3%，一代涨四倍，这个幅度比它和 Opus 的那点差距更让我好奇训练配方。

暂无评论