닫힌 코드를 떠받치는 열린 인프라: 코그니션이 SWE-2를 공개했다
2026년 9월 10일, 코딩 에이전트 데빈을 개발한 회사가 자사 전문 모델의 새 버전인 SWE-2를 발표했다. 이 발표에서 구조적으로 중요한 지점은 가중치의 출처다. 회사는 맨바닥에서 학습시킨 것이 아니라, 킴 K3를 출발점으로 강화학습 절차를 적용했다. 킴 K3는 중국 기업 문샷 AI가 2026년 7월에 공개한 2조 8천억 파라미터 규모의 공개 가중치 모델이다. 공식 발표 글에서 회사는 이 시스템이 "post-trained from Kimi K3, a 2.8T-parameter model that had already undergone extensive RL"이라고 명시한다. 즉 독점적인 부분은 강화학습이지 기반 모델이 아니다. SWE-2에는 공개된 가중치가 없고, 발표에 따르면 독립적인 API도 없다.
회사가 제시한 벤치마크 수치를 보면, 사후 학습으로 SWE-2는 FrontierCode 1.1 Main에서 50.0%에 도달해 기반 모델 킴 K3의 44.2%보다 5.8포인트 높아졌다. Fable 5.1(50.9%)에 근접하고 GPT-6 Astra(53.3%)에는 못 미치는 자리다. DeepSWE 1.1에서는 킴 K3의 68.5%에 대해 73.0%, Terminal-Bench 2.1에서는 92.8%를 기록한다. 그림이 달라지는 것은 이 계열의 가장 최근 시험인 Terminal-Bench 4다. 여기서는 모든 점수가 무너지는데, SWE-2는 27.3%에 멈춰 Fable 5.1(55.8%)과 GPT-6 Astra(57.9%)의 절반에도 미치지 못한다. 발표는 이 격차를 설명하지 않는다.
상업적 측면에서 서사는 절대적 1위에서 비용 대비 효율로 옮겨 간다. 회사는 "50.0% on FrontierCode 1.1 Main, within one point of Fable 5.1 while being 64% cheaper"라고 밝힌다. 절감액은 경쟁사의 공개 가격표 — "list pricing, including public discounts" — 를 기준으로 계산한 것이지만, 정작 글에는 SWE-2의 가격이 전혀 나오지 않는다. 방법론적으로 SWE-2는 선택 가능한 추론 수준(medium, high, max)을 도입했고, 보상 함수에 비용 페널티를 넣어 단일 강화학습 세션에서 학습시켰다. 통합은 데빈 생태계에 한정되며, 출시 시점에는 데스크톱과 CLI에서 쓸 수 있고 웹과 퓨전 인터페이스로의 확장은 진행 중이다.
남는 것은, 아직 독립적인 검증이 뒷받침하지 않는 내부 측정에만 전적으로 기댄 분석이라는 사실이다. 코그니션은 킴 K3의 상업적 사용이 문샷 AI와의 합의로 보장되는지, 보장된다면 어떤 방식인지 말하지 않는다. 라이선스 조건은 현재 공식 가중치 페이지에서 확인할 수 없다. 경쟁의 무게중심이 모델을 처음부터 만들어 내는 일에서 다듬는 레시피로 옮겨 갈 때, 진짜 갈림길이 되는 것은 남의 인프라를 닫힌 제품으로 바꿔 내는 능력이다.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- cognition.com/blog/swe-2의 공식 발표 글을 WebFetch로 열어(옛 도메인 cognition.ai는 301로 cognition.com으로 넘어간다) 경쟁 모델 점수가 포함된 벤치마크 표 전체, 원문 인용, 서명의 날짜, 그리고 가격·공개 가중치·API가 없다는 사실을 뽑아냈다. 이를 코그니션 공식 X 계정의 공지, 그리고 2026년 9월 12일자 MarkTechPost의 독립 보도와 대조했다. 후자는 네 가지 벤치마크와 기반 모델, 보상 방식에서 일치한다. 킴 K3의 존재와 공표된 사양(2조 8천억 파라미터, 공개 가중치, 2026년 7월)은 언론 보도를 통해 따로 확인했다. 가중치의 허깅페이스 페이지는 401을 반환해 라이선스는 1차 출처로 확인되지 않았고, 단정하는 대신 불확실한 항목으로 분류했다. MarkTechPost가 전한 내용 가운데 유료 요금제 대상 2026년 10월 10일까지의 무료 이용은 공식 글에 없어 사실에 포함하지 않았다.
- Incertezze
- 경쟁 모델의 것을 포함해 모든 벤치마크 수치는 코그니션이 측정하고 코그니션이 공개한 값이다. 현재 독립적인 검증은 없고, 비용 비교는 다른 회사의 공개 가격표에 기대는 반면 SWE-2 자체의 가격은 밝혀지지 않았다. Terminal-Bench 4에서의 격차(27.3% 대 55.8%, 57.9%)는 발표에서 설명되지 않는다. 킴 K3의 라이선스 조건은 1차 출처로 확인하지 못했다. 2차 보도는 상업적 사용에 매출 기준 문턱이 있다고 전하지만 공식 가중치 페이지에 접근할 수 없었다. 따라서 코그니션이 문샷 AI와의 합의로 보장되는지, 그리고 어떤 방식으로인지는 여전히 열려 있으며 회사는 이에 대해 아무 말도 하지 않는다. 코그니션의 방법 덕으로 돌려진 성과 가운데 킴 K3 자체의 학습 과정이 얼마나 기여했는지도 알 수 없다. 데빈 웹과 퓨전에서의 제공은 '진행 중'이었지 완료가 아니었다.
- Perché pubblicarla
- 핵심은 순위표 꼭대기에 또 하나의 점수가 올랐다는 것이 아니다. 자사 제품으로 팔리는 미국의 간판 모델이 중국의 공개 가중치 모델을 사후 학습한 결과라는 것, 그리고 내세운 우위가 성능이 아니라 비용이라는 것이다. 가장 많은 것을 알려 주는 수치는 홍보가 앞세우지 않는 숫자다. Terminal-Bench 계열의 가장 최신 벤치마크에서 점수는 두 프런티어 모델의 절반에도 못 미친다. 어떤 벤치마크를 인용하느냐는 선택이 이야기를 얼마나 좌우하는지 보여 주는 대목이다. 모든 수치는 자체 발표이며 회사의 말에 기대서만 확인할 수 있다. 그 사실은 독자에게 말해야 한다.