Cognition bemutatja az SWE-2 kódolómodellt
A Cognition mesterséges intelligencia cég bemutatta az SWE-2 nevű kódolómodelljét, amely 50 százalékos teljesítményt ér el a FrontierCode 1.1 teszten, miközben 64 százalékkal olcsóbb a versenytársaknál.
Az SWE-2 a Kimi K3 modellből készült, amely 2,8 billió paraméterrel rendelkezik és már kiterjedt megerősítéses tanulásban részesült. A Cognition első alkalommal skálázta fel a megerősítéses tanulást a több billió paraméteres tartományba, olyan algoritmus segítségével, amely egyetlen futtatás során az összes erőfeszítési szintet képes tanítani. Az SWE-2 az FrontierCode 1.1 Main teszten az SWE-1.7 és Grok 4.6 modelleket is felülmúlja, a GPT-5.6 Sol és Fable 5/5.1 modellekhez hasonló teljesítményt nyújt töredék áron, és a GPT-6 Astra teljesítménye közelébe ér negyedannyi költséggel.
A modell hatékonyságának javulása szorosan kapcsolódik az intelligencia fejlődéséhez. Az SWE-2 medium verzió az FrontierCode 1.1 Main teszten 58 százalékkal kevesebb lépésben és 81 százalékkal alacsonyabb átlagos költséggel érte el az SWE-1.7-nél jobb eredményt. A fejlesztett mérnöki ítélőképesség lehetővé teszi a modellnek, hogy gyorsabban kezdjen el szerkeszteni: az SWE-2 medium a medián szerint 18 lépés után végzi az első valódi szerkesztést, szemben az SWE-1.7 48 lépésével.
A Cognition az SWE-2 képzésénél új módszertant alkalmazott, amely a költség-teljesítmény kompromisszumok teljes spektrumát optimalizálja. Az RL-algoritmus lineáris költségbüntetést használ, amely biztosítja, hogy az RL-cél közvetlenül a modell költség-teljesítmény Pareto-határát optimalizálja. Az SWE-2 ma már elérhető a Devin Desktop és CLI alkalmazásokban, valamint fokozatosan bevezetésre kerül a Devin Web és Fusion platformokon.
Forrás: Cognition — „Introducing SWE-2: Pushing the Pareto Frontier - Cognition”
Ez az összefoglaló a fenti forrás alapján, mesterséges intelligenciával készült. Szerkesztőségi ellenőrzésen nem esett át; a részletekért olvasd el az eredeti cikket.