42.3%。这个数字让代码生成赛道的定价模型集体打了个寒颤。Cognition 丢出的 SWE-1.7 没有走大炼钢铁的旧路，而是往 Kimi K2.7 这个基座里灌了一整套强化学习管线。结果是，它在 FrontierCode 上踩到了 GPT-5.5 的脚后跟，成本却低到让专有 API 显得像在收智商税。这不是一次简单的模型发布，这是 RL for code 转向工程可复制性的信号。
强化学习接管编码栈，这次不是噱头
管线里磨刀，基座模型变成刽子手
Cognition 没兴趣再跟你聊“预训练加微调”的老三样。他们把力气全花在 RL 管线上——基础设施、训练稳定性、数据质量、长程任务技术，四个环节像拆弹部队一样逐个排雷。多集群训练不再动不动崩梯度，数据配比不再拍脑袋决定，长程任务也不再是模型的断头台。这些工程细节，才是 SWE-1.7 敢喊出前沿水平的底气。
为什么偏偏选了 Kimi K2.7
基座选型从来不是技术问题，是账本问题。Kimi K2.7 的代码能力底子够硬，又不像某些超大模型那样拖着离谱的推理成本。Cognition 把它当成白纸，用 RL 重新描画行为边界，最后拿到的模型在 FrontierCode 1.1 Main 上从 30.1% 拉到 42.3%。这个跃迁幅度，足以让做基座的团队重新评估自己模型的被压榨空间——你的模型，可能比你想象中能打得多。
长程任务不是难题，是训练靶场
多数模型在长程异步任务上会开始胡言乱语，上下文一长就好比醉汉写代码。SWE-1.7 专门针对这种场景重新设计了奖励信号和训练分布。不是简单地加长序列，而是让模型学会在“等一等”和“现在动手”之间建立正确的延迟决策。Terminal-Bench 2.1 上 81.5% 的成绩单，不是刷榜刷出来的，是 RL 管线拿真金白银砸出来的行为优化。
基准分数不会说谎，但你必须会看
FrontierCode 42.3% 到底值几个 GPT-5.5
别被数字忽悠。GPT-5.5 的 43.0% 和 Opus 4.8 的 46.5%，是用天量算力堆出来的。SWE-1.7 的 42.3% 跑在 Cerebras 提供的 1000 TPS 上，推理成本一个天一个地。在代码代理场景里，吞吐量往往比绝对精度更能决定产品生死。一个响应用户修改请求只要半秒的模型，和一个单次调用要烧掉几毛钱的巨无霸，开发者会怎么选？答案已经在 Devin 的装机量里了。
多语言编码版 SWE-Bench 的 77.8%
SWE-Bench Multilingual 不关心你模型是不是在英文数据里泡大的。它考验的是模型能不能从德文 issue 里读懂需求，在法文代码库里准确定位 Bug。SWE-1.7 的 77.8% 证明，RL 训练过程中引入的文化无关奖励函数，比拼命喂多语言语料要有效得多。这件事的意义不限于代码——所有多语言任务的 RL 训练，都可能被这条路线改写。
分数背后，是成本结构的一场叛变
模型发布通常意味着“我们更强了，也更贵了”。SWE-1.7 打破了这个诅咒。Cognition 通过训练稳定性和数据质量的改进，让 RL 过程本身更省算力；再用 Cerebras 的硬件把推理成本压到地板价。结果就是一个在基准上对打 GPT-5.5 级别的模型，调用成本却贴着开源水平走。企业用户不是傻子，预算表上的数字比任何 benchmark 都诚实。
从实验室到 Devin，1000 TPS 在生产线上的含义
Cerebras 作为推理引擎，不是炫技
把 1000 TPS 当卖点很容易，但维持这个速度不是堆硬件就行。SWE-1.7 专门针对 Cerebras 的架构做了推理优化，把计算图改得扁平，把注意力层间的气泡时间压到极限。所以你在 Devin 里感受到的即时响应，背后是一连串底层结构的妥协和重构。这种工程决策没有论文价值，但有交付价值。
长周期异步任务终于有了专属模型
代码代理最怕的不是单个难题解不出来，而是任务跑着跑着就丢了上下文。SWE-1.7 把训练时的长程奖励直接映射到产品行为上：Devin 现在可以持续跟踪一个持续数小时的代码重构任务，中途不会“失忆”，也不会突然把修改回滚到某个远古版本。Web、桌面、CLI 三个入口共享的正是这一点稳定行为。对开发团队来说，这比任何精度提升都更实际。
低成本的模型，才能养出高自由度的产品
如果每次代码建议都要为 API 付费，产品经理就会本能地把智能功能藏进付费墙后面。SWE-1.7 的成本结构，让 Devin 可以在全平台不加锁地开放异步任务能力。模型越便宜，产品自由度越高——这个逻辑反过来也能解释，为什么那些最强模型反而做不出最好的代理体验。不是技术不行，是经济账捆住了手脚。
