SWE-2는 Kimi K3를 사후 학습하여 구축된 Cognition의 플래그십 코딩 모델로, 다단계 추론 강도 전반에서 정밀한 코드베이스 탐색과 철저한 검증을 통해 에이전트 기반 소프트웨어 엔지니어링을 수행하도록 설계되었습니다.
제품의 기능과 공식 포지셔닝
SWE-2는 Cognition이 개발한 전문 코딩 모델로, 2조 8천억 개 파라미터를 보유한 Kimi K3 기본 모델을 바탕으로 에이전트 기반 소프트웨어 엔지니어링에 특화된 강화 학습을 적용해 사후 학습되었습니다.
Devin 환경 전반에 직접 통합된 SWE-2는 저장소 검색, 다중 파일 코드 수정, 빌드 검증, 테스트 작성 등 엔드투엔드 소프트웨어 개발 워크플로를 원활하게 수행합니다.
공식 출처로 확인된 활용 사례
개발자는 코드베이스 이슈를 SWE-2에 할당하여 관련 파일을 검사하고 변경 사항을 계획하며 코드 수정을 적용하고 검증된 패치를 커밋하도록 할 수 있습니다.
엔지니어링 팀은 이 모델을 활용하여 예외 상황에 대해 소프트웨어 수정 사항을 독립적으로 검증하는 엔드투엔드 테스트를 작성할 수 있습니다.
SWE-2는 Kimi K3를 바탕으로 사후 학습되었으며, 단일 학습 실행에서 추론 강도 단계 전반의 성능을 최적화하기 위해 강화 학습을 수조 단위 파라미터 모델로 확장 적용했습니다.
학습 아키텍처는 추가 역전파 패스 없이도 그래디언트 분산을 안정화하기 위해 길이 가중치 기반 보상 베이스라인을 활용합니다. 서빙 롤아웃에는 온라인 업데이트 초안 모델이 지원하는 투기적 디코딩과 함께 NVFP4 및 FP8 커널이 적용됩니다.
본인의 자료와 작업 흐름으로 직접 확인할 항목
확인한 출처와 확인 시점
출처를 확인한 제품 정보를 바탕으로 한 답변
SWE-2는 에이전트 기반 코딩을 위한 강화 학습이 선행 적용된 2조 8천억 개 파라미터 규모의 Kimi K3를 사후 학습하여 구축되었습니다.
SWE-2는 Devin Desktop 및 Devin CLI 내에서 지원되며, Devin Web 및 Devin Fusion으로 배포가 순차적으로 확대되고 있습니다.
SWE-2는 관련 파일 위주로 정밀하게 탐색을 수행하므로 SWE-1.7에 비해 더 적은 탐색 단계만으로 코드 수정 작업을 시작할 수 있습니다.
이 모델은 중간(medium), 높음(high), 최대(max) 강도 레벨을 지원하여 빠른 코드 수정부터 심층적인 계획 및 검증 작업까지 필요에 따라 유연하게 선택할 수 있습니다.
SWE-2는 검증 없이 사용자의 가설을 그대로 수용하지 않고, 테스트 아티팩트를 직접 실행하고 기술적 실행 증거를 면밀히 점검하여 결론을 다시 도출합니다.
