Cognition ha annunciato SWE-2 Flash, un nuovo modello di intelligenza artificiale specializzato nelle attività di ingegneria del software, progettato per offrire un’alternativa più veloce ed economica al modello SWE-2 utilizzato nell’ecosistema Devin. Secondo i dati comunicati dall’azienda, SWE-2 Flash raggiunge una velocità di generazione circa tre volte superiore rispetto alla versione principale, con un costo pari a un quinto, mantenendo prestazioni competitive nelle attività di programmazione automatizzata. Il modello è disponibile attraverso Devin Desktop e l’interfaccia a riga di comando Devin CLI ed è destinato principalmente a operazioni frequenti come revisione del codice, aggiornamento della documentazione, sviluppo di funzionalità, manutenzione delle applicazioni e automazione di attività software. Cognition ne ha previsto l’utilizzo gratuito fino al 30 novembre 2026, introducendo una modalità di accesso che permette agli sviluppatori di sperimentare il modello nei propri flussi di lavoro prima dell’applicazione delle condizioni economiche ordinarie. L’azienda non presenta Flash come sostituto universale del modello SWE-2, ma come una configurazione più efficiente per le attività nelle quali tempi di risposta e costo delle inferenze costituiscono parametri operativi rilevanti.
L’architettura di SWE-2 Flash deriva da Inkling-Small, un modello mixture-of-experts sviluppato da Thinking Machines Lab, i cui pesi completi erano stati pubblicati il 30 luglio 2026. La configurazione comprende 276 miliardi di parametri complessivi, dei quali soltanto 12 miliardi vengono attivati durante l’elaborazione di un token. Questa organizzazione consente di distribuire la capacità del modello tra differenti gruppi di parametri specializzati, evitando di utilizzare contemporaneamente l’intera rete per ogni operazione. Cognition ha adattato il modello di partenza mediante un percorso di addestramento specifico per le attività di sviluppo software, introducendo per la prima volta nella propria procedura una fase estesa di mid-training prima dell’apprendimento per rinforzo. La scelta dei dati è stata effettuata confrontando differenti combinazioni su un insieme di valutazione separato, rappresentativo di attività concrete di ingegneria del software. Il criterio utilizzato consisteva nel misurare quanti token fossero necessari a ciascuna combinazione per raggiungere la perdita di validazione ottenuta da una configurazione di riferimento, privilegiando quindi l’efficienza dell’apprendimento rispetto alla sola quantità di materiale disponibile.
Il corpus finale comprende alcuni trilioni di token provenienti da codice, pubblicazioni scientifiche, blog e altre fonti, organizzati in tre fasi successive di addestramento. Cognition ha distribuito i dati in modo da utilizzare quelli più rari e qualitativamente elevati nelle fasi finali, osservando una diminuzione della perdita di validazione secondo un andamento log-lineare stabile. Al mid-training è seguita una fase di reinforcement learning su larga scala, durante la quale il modello è stato sottoposto a compiti software con ambienti di esecuzione e verificatori appositamente controllati. L’azienda attribuisce la parte principale dei miglioramenti rispetto alla precedente procedura SWE-2 alla maggiore qualità e diversificazione delle attività utilizzate, piuttosto che a modifiche marginali dell’algoritmo di apprendimento. Sono state riesaminate le istruzioni, le configurazioni degli ambienti e le procedure di verifica, introducendo problemi destinati a sviluppare capacità di ragionamento e risoluzione coerenti con le operazioni effettivamente svolte dagli agenti Devin.
I risultati pubblicati mostrano progressi rispetto al modello Inkling-Small originale e prestazioni differenti rispetto a SWE-2. Nel benchmark Terminal-Bench 4.0, Inkling-Small ottiene un punteggio di 0,9, SWE-2 Flash raggiunge 20,0 e SWE-2 arriva a 27,3. Su FrontierCode 2.0 i valori sono rispettivamente 3,2, 24,0 e 23,8, con Flash leggermente superiore al modello principale. Nel benchmark DeepSWE 1.1, invece, Inkling-Small registra 17,4, Flash raggiunge 60,1 e SWE-2 conserva un vantaggio con 73,0. Cognition dichiara inoltre che Flash supera i modelli statunitensi a pesi aperti considerati nelle proprie valutazioni principali, compresi alcuni sistemi caratterizzati da dimensioni sensibilmente superiori. Il confronto relativo alla velocità utilizza una simulazione dell’esecuzione del compito gsea-proteomics di Terminal-Bench 4.0, riproducendo i risultati a 200 token al secondo per Flash e 60 per SWE-2 e uniformando la lunghezza delle trascrizioni. Si tratta pertanto di una rappresentazione delle differenze di velocità in condizioni specifiche, non di una misurazione indipendente di tutte le possibili esecuzioni agentiche.
La distribuzione dei pesi di SWE-2 Flash rimane per il momento limitata. Cognition sta preparando un programma di condivisione controllata destinato a partner industriali e laboratori di ricerca selezionati, che potranno eventualmente eseguire fine-tuning e installazioni in infrastrutture gestite direttamente dai clienti, comprese configurazioni on-premise. La decisione di non pubblicare immediatamente i pesi è collegata anche alle capacità di cybersecurity acquisite durante l’addestramento. In particolare, Cognition dichiara che un training mirato ha migliorato il risultato sul benchmark ExploitBench dall’11,3% del modello Inkling-Small al 34,8% di SWE-2 Flash. L’azienda considera queste competenze utili per individuare e correggere vulnerabilità, ma riconosce che potrebbero essere utilizzate anche per attività offensive. La politica di accesso ristretto si collega alle precedenti osservazioni di Cognition sull’impiego degli agenti AI nella sicurezza informatica, comprese le vulnerabilità di esecuzione remota di codice in ecosistemi PHP e Node.js rese pubbliche il 21 ottobre 2026. L’utilizzo immediato di SWE-2 Flash rimane quindi concentrato nell’ambiente Devin, mentre la possibilità di eseguire il modello su infrastrutture esterne dipenderà dalle condizioni del programma di distribuzione controllata.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)