Cognition เปิด SWE-2 เทรน RL ต่อบน Kimi K3 2.8T — FrontierCode 50.0% ห่าง Fable 5.1 ไม่ถึงแต้มที่ต้นทุนต่ำกว่า 64% แต่ Terminal-Bench 4 ได้ไม่ถึงครึ่ง

Cognition ประกาศ SWE-2 เมื่อ 10 ก.ย. 2026 และเรียกว่าเป็นโมเดลโค้ดดิ้งที่ก้าวหน้าที่สุดของบริษัท ตัวเลขนำคือ 50.0% บน FrontierCode 1.1 Main ห่าง Fable 5.1 ไม่ถึงหนึ่งแต้ม ด้วยต้นทุนต่ำกว่า 64% ใช้งานได้ทันทีใน Devin Desktop และ Devin CLI และกำลังทยอยขึ้น Devin Web กับ Fusion

ฐานของ SWE-2 คือ Kimi K3 ของ Moonshot AI ขนาด 2.8 ล้านล้านพารามิเตอร์ ซึ่ง Cognition ระบุว่าผ่าน RL ด้านโค้ดดิ้งมาหนักแล้ว แต่ RL ของ Cognition ยังดันเพิ่มได้อีก 5–6 แต้มในหลายเบนช์มาร์ก สูตรนี้เหมือนกับ SWE-1.7 ที่เราเขียนถึงเมื่อกรกฎาคม (ตอนนั้นใช้ Kimi K2.7) ต่างกันแค่ว่าครั้งนี้ขยาย RL ขึ้นมาถึงระดับหลายล้านล้านพารามิเตอร์เป็นครั้งแรก

ตารางเต็ม อ่านทุกแถว ไม่ใช่แค่แถวแรก

เบนช์มาร์ก	SWE-2	Kimi K3	Grok 4.6	Fable 5.1	GPT-5.6 Sol	GPT-6 Astra	SWE-1.7
FrontierCode 1.1 Main	50.0%	44.2%	48.0%	50.9%	47.5%	53.3%	42.0%
DeepSWE 1.1	73.0%	68.5%	67.5%	67.4%	72.7%	74.1%	37.7%
Terminal-Bench 2.1	92.8%	88.3%	88.4%	91.4%	88.8%	89.9%	81.5%
Terminal-Bench 4	27.3%	21.5%	20.3%	55.8%	37.3%	57.9%	7.6%

สามแถวแรกเล่าเรื่องที่ Cognition อยากเล่า SWE-2 ชนะทุกโมเดลบน Terminal-Bench 2.1 ที่ 92.8% ชนะ Fable 5.1 บน DeepSWE 1.1 และตามหลัง GPT-6 Astra อยู่ไม่กี่แต้ม แต่ แถวสุดท้ายเล่าอีกเรื่อง บน Terminal-Bench 4 ซึ่งยากกว่ามาก SWE-2 ได้ 27.3% ต่ำกว่า GPT-5.6 Sol (37.3%) และได้ไม่ถึงครึ่งของ Fable 5.1 (55.8%) กับ GPT-6 Astra (57.9%) ทั้งที่ RL ดันขึ้นจาก K3 มาแล้ว 5.8 แต้ม ช่องว่างขนาดนี้บอกว่าเบนช์ที่เริ่มอิ่มตัว (บน Terminal-Bench 2.1 ทุกตัวอยู่ที่ 88–93%) แยกโมเดลออกจากกันไม่ได้แล้ว และงานระยะยาวที่ยากจริงยังเป็นพื้นที่ของโมเดล frontier

ภาคผนวก A ระบุวิธีวัดที่ควรรู้ ถ้ามีผลสาธารณะก็ใช้ผลนั้น ถ้าไม่มีก็วัดเองในฮาร์เนสที่แต่ละโมเดลถูกพัฒนามา (Claude Code สำหรับ Anthropic, Codex สำหรับ OpenAI, Grok Build สำหรับ xAI และ Devin CLI สำหรับโมเดล open-weight) และ รายงานคะแนนที่ดีที่สุดข้ามระดับ effort ของแต่ละโมเดล ส่วนต้นทุนคิดจากราคาตั้งรวมส่วนลดสาธารณะ เชิงอรรถยังให้ตัวเลขที่ช่วยอ่านคำว่า “ถูกกว่า 64%” ได้ชัดขึ้น Fable 5.1 Medium ได้ 50.9% ที่ 3.28 ดอลลาร์ต่อทาสก์ ขณะที่ Fable 5.1 Max ได้ 50.3% ที่ 12.83 ดอลลาร์ คือแพงกว่าเกือบสี่เท่าแต่คะแนนต่ำกว่า ถ้าเทียบกับจุด Medium ต้นทุนของ SWE-2 จะอยู่ราว 1.2 ดอลลาร์ต่อทาสก์ (ตัวเลขนี้เราคำนวณเอง บล็อกไม่ได้ให้ไว้ตรง ๆ)

RL ที่ฝึกทุกระดับ effort ในรันเดียว

ส่วนที่นักวิจัยน่าจะอ่านมากที่สุดคือวิธีเทรน Cognition ใช้ reward รูป R = S − λₑC โดย S คือทำสำเร็จหรือไม่ C คือต้นทุนของ rollout (ผสมค่า inference ที่คิดเป็นดอลลาร์กับเวลา) และ λₑ ถูกตั้งให้เท่ากับความชันของ Pareto frontier ของโมเดลฐานที่ระดับ effort นั้น เหตุผลคือถ้า λ ใหญ่เกินไป โมเดลที่ effort สูงจะได้รางวัลจากการทำตัวเหมือน effort กลาง ประหยัดเงินได้แต่ frontier ไม่ขยับ บล็อกพิสูจน์ไว้ในภาคผนวก B ว่าถ้าต้องการให้ reward เฉลี่ยขึ้นกับต้นทุนเฉลี่ยและอัตราสำเร็จเท่านั้น reward ต้องเป็นเชิงเส้นในต้นทุน วิธีนี้ต่างจาก Kimi K3 ที่เทรน expert แยกตามโดเมนและระดับ effort แล้วค่อยกลั่นรวมเป็นโมเดลเดียว

ผลที่เห็นในพฤติกรรม: บน FrontierCode 1.1 Main SWE-2 medium ได้คะแนนสูงกว่า SWE-1.7 โดยใช้จำนวนเทิร์นน้อยกว่า 58% และต้นทุนเฉลี่ยต่ำกว่า 81% จำนวนสเต็ปเฉลี่ยต่อรันลดจาก 127 เหลือ 53 (medium), 80 (high) และ 98 (max) และเริ่มแก้โค้ดจริงครั้งแรกหลังค่ามัธยฐาน 18 สเต็ป เทียบกับ 48 สเต็ปของ SWE-1.7 ซึ่งตอบเสียงบ่นของผู้ใช้ว่า SWE-1.7 สำรวจโค้ดเยอะเกินไปกับงานง่าย

ฝั่งโครงสร้างพื้นฐาน Cognition ใช้ prefill delayer ที่รวบคำขอที่มาใกล้กันเข้า batch ได้ throughput เพิ่ม 10–20% เทรนโมเดล draft ของ DSpark speculative decoding ใหม่ด้วย SpecForge ให้ accept length ยาวขึ้น 15% แล้วเทรน draft แบบออนไลน์ให้ตามนโยบายที่เปลี่ยนไประหว่างเทรน ใช้ kernel NVFP4/FP8 ร่วมกับ quantization-aware training และเพิ่มจำนวน RL environment เป็นสามเท่า

สิ่งที่ยังไม่มี

ยังไม่มี API สาธารณะ ไม่มีราคาต่อโทเคน และไม่มีน้ำหนักโมเดล SWE-2 รันได้เฉพาะในผลิตภัณฑ์ของ Devin และตัวเลขต้นทุนทั้งหมดในบล็อกเป็นแบบเปรียบเทียบ ส่วนต้นทางอย่าง Kimi K3 ใช้ไลเซนส์ชื่อ “Kimi K3 License” ที่เพิ่มเงื่อนไขจาก MIT เรื่องการเปิดเป็นบริการเมื่อรายได้เกิน 20 ล้านดอลลาร์ใน 12 เดือน และเรื่องการแสดงชื่อ “Kimi K3” เมื่อผลิตภัณฑ์ใหญ่ถึงเกณฑ์ Cognition ระบุที่มาของโมเดลฐานไว้ในบล็อกอย่างเปิดเผย แต่ไม่ได้บอกว่ามีข้อตกลงกับ Moonshot หรือไม่

มุมมอง AI Curator

SWE-2 เป็นหลักฐานที่ชัดที่สุดของรูปแบบธุรกิจที่กำลังก่อตัว คือ แล็บจีนทำ pretraining ที่แพงที่สุด บริษัทอเมริกันเอาไปทำ RL ต่อในฮาร์เนสของตัวเอง แล้วขายเป็นผลิตภัณฑ์ Cognition ไม่ต้องจ่ายค่าเทรนโมเดล 2.8T ตั้งแต่ศูนย์ แต่ได้โมเดลที่ยืนใกล้ frontier บนเบนช์ที่ตัวเองเลือก เราเห็นแบบเดียวกันกับ Nex-N2.5 ที่ต่อยอดจาก DeepSeek-V4-Pro เมื่อสองวันก่อน นี่คือเหตุผลที่ไลเซนส์ของโมเดลเปิดสำคัญกว่าที่หลายคนคิด เงื่อนไขในไฟล์ LICENSE ของ K3 เป็นสิ่งเดียวที่ Moonshot มีไว้เก็บมูลค่ากลับจากคนที่เอางานของตัวเองไปขายต่อ

ข้อที่สองคือแถว Terminal-Bench 4 ซึ่งควรเป็นพาดหัวแต่ไม่ได้เป็น RL ที่ดีช่วยให้โมเดลเปิดไล่ทัน frontier บนงานที่วัดง่ายและเริ่มอิ่มตัว แต่บนงานยาวที่ยากจริง ช่องว่างยังกว้างเป็นเท่าตัว สำหรับทีมไทยที่กำลังเลือกเครื่องมือโค้ดดิ้ง ข้อสรุปเชิงปฏิบัติคือ SWE-2 น่าจะคุ้มกับงานประจำวัน อย่างแก้บั๊ก เขียนเทสต์ หรือย้ายโค้ด ซึ่งต้นทุนต่อทาสก์มีผลต่องบจริง ส่วนงานสถาปัตยกรรมหรือดีบักระยะยาวที่ต้องถือบริบทหลายชั่วโมง ยังควรจ่ายแพงให้ Fable หรือ Astra ตรรกะนี้ก็คือตรรกะเดียวกับ router อย่าง Adaptive ที่ Devin มีอยู่แล้ว

สุดท้าย การที่ SWE-2 ยังไม่มี API แปลว่ามันยังไม่ใช่ “โมเดล” ในความหมายที่นักพัฒนาหยิบไปใช้ได้อิสระ แต่เป็นฟีเจอร์ของ Devin คะแนนทั้งหมดจึงต้องอ่านว่าเป็นคะแนนของ SWE-2 ที่รันในฮาร์เนส Devin ถ้าคุณใช้ Claude Code หรือ Codex อยู่ ตัวเลขนี้ยังไม่ได้บอกอะไรเกี่ยวกับงานประจำวันของคุณ จนกว่า Cognition จะเปิดให้เรียกใช้จากที่อื่นได้

แหล่งข่าว

• Introducing SWE-2: Pushing the Pareto Frontier — Cognition (10 ก.ย. 2026)
• moonshotai/Kimi-K3 — Hugging Face
• AI Models — Devin Docs