SWE-2は、Kimi K3から事後学習されたCognitionの主力コーディングモデルであり、的を絞ったコードベース探索と複数の思考負荷レベルにわたる厳格な検証を備えた、自律型ソフトウェアエンジニアリング向けに設計されています。
製品の機能と公式な位置づけ
SWE-2はCognitionが開発した特化型コーディングモデルであり、自律型ソフトウェアエンジニアリング向けに最適化された強化学習を通じて、2.8兆パラメータのKimi K3ベースモデルから事後学習されています。
Devin環境全体に直接統合されているSWE-2は、リポジトリ探索、複数ファイルにまたがるコード編集、ビルド検証、テスト作成など、エンドツーエンドの開発ワークフローを実行します。
公式情報で確認できる活用例
開発者はコードベースの課題をSWE-2に割り当てることで、関連ファイルの調査、変更の計画、コード修正の適用、検証済み修正のコミットまでを行わせることができます。
エンジニアリングチームはこのモデルを活用してエンドツーエンドのテストを作成し、エッジケースに対してソフトウェアの変更を個別に検証できます。
SWE-2はKimi K3をベースに事後学習されており、数兆パラメータ規模のモデルへと強化学習をスケールさせることで、単一のトレーニング実行において各推論エフォート層のパフォーマンスを最適化しています。
このトレーニングアーキテクチャでは、追加のバックワードパスを必要とせずに勾配分散を安定させるため、長さ加重型の報酬ベースラインが使用されています。サービング時のロールアウトには、NVFP4およびFP8カーネルに加え、オンライン更新されるドラフトモデルを活用した投機的デコーディングが用いられます。
自分の素材とワークフローで確認したい項目
確認した情報源とその日時
情報源を確認した製品情報に基づく回答
SWE-2は、自律型コーディング向けの強化学習があらかじめ施された2.8兆パラメータのモデルであるKimi K3から事後学習されています。
SWE-2はDevin DesktopおよびDevin CLIで利用可能であり、順次Devin WebおよびDevin Fusionへと提供が拡大されています。
SWE-2は関連するファイルに的を絞って探索を行うため、SWE-1.7よりも少ない探索ステップ数でコードの編集を開始できます。
このモデルはmedium、high、maxのエフォートレベルをサポートしており、迅速なコード修正と、より深い計画や検証のどちらを優先するか選択できます。
SWE-2は検証を行わずにユーザーの仮説を鵜呑みにすることはせず、テストアーティファクトを実行して技術的な証拠を精査することで結論を導き直します。
