Opus 4.8 scorer 46,5 prosent på FrontierCode 1.1 Main. SWE-1.7 scorer 42,3 prosent. Avstanden i pengebruk per rollout er hele poenget: Cognition hevder i lanseringsposten fra 8. juli at modellen flytter kostnad/ytelse-kurven, ikke toppscoren. SWE-1.7 er tilgjengelig i Devin på web, skrivebord og CLI, servert via Cerebras med 1000 tokens i sekundet.
Utgangspunktet er verdt å merke: modellen er trent videre fra en Kimi K2.7-base som allerede hadde vært gjennom omfattende RL-ettertrening. Forrige generasjon, SWE-1.6, scoret 9,4 prosent på samme benchmark.
«De store gevinstene fra vår egen trening utfordrer ideen om et tak for etter-trening.» — Cognition, i lanseringsposten for SWE-1.7
Fire tekniske grep bærer resultatet. Cognition brukte top-p-sampling for å hindre entropikollaps, altså at modellen slutter å utforske og stagnerer etter noen hundre RL-steg. De trente over klynger på tre kontinenter og sendte vektoppdateringer gjennom objektlagring. Datasettet ble kjørt gjennom automatiske eksekveringstester som luker ut oppgaver med svakt læringssignal og gjør dem motstandsdyktige mot reward hacking. Og modellen lærte selv-komprimering: den oppsummerer sin egen arbeidstilstand og fortsetter fra sammendraget, noe som strekker oppgavehorisonten forbi det rå kontekstvinduet.
Selv-komprimering er delen å følge med på hvis du kjører lange agent-økter. Det er den samme flaskehalsen du treffer når en agent går tom for kontekst midt i en refaktorering. Tallene er Cognitions egne, målt på Cognitions egen benchmark, og bør leses deretter. Men holder de, er marginene som ligger igjen i åpne baser større enn mange har antatt.