Berita viral di dunia pengembangan perangkat lunak datang dari Cognition. Perusahaan di balik agen coding Devin itu merilis SWE-2 Flash pada 4 November 2026. Model baru ini diklaim berjalan tiga kali lebih cepat dan dijual seperlima harga dari SWE-2, model raksasa yang dirilis sebelumnya.
Apa Itu SWE-2 Flash
SWE-2 Flash adalah model coding yang dirancang untuk pekerjaan rutin agen. Cakupannya meliputi otomasi, tinjauan kode, pengembangan fitur, dan pembaruan dokumentasi. Model ini tersedia di Devin Desktop dan Devin CLI.
Posisinya bukan sebagai pengganti model terbesar. Cognition menyebut Flash sebagai pilihan untuk beban kerja bervolume tinggi. Tugas yang paling rumit tetap diarahkan ke SWE-2 yang lebih besar.
Selama masa perkenalan, model ini bisa dipakai gratis sampai 30 November 2026. Setelah tanggal itu, pengguna mengikuti skema harga yang berlaku di Devin. Belum ada keterangan resmi soal harga per transaksi di luar produk tersebut.
Menariknya, ini adalah model coding pertama Cognition yang tidak diturunkan dari basis open-weight Tiongkok. SWE-2 sebelumnya dibangun dari model Moonshot AI. Flash memakai basis lain yang berasal dari laboratorium Amerika Serikat.
Iklan

Paviliun Akademika: punya kost tanpa repot kelola
Paviliun Akademika menghadirkan pilihan investasi kost terkelola di Akademika Townhouse, Gowa. Unit disiapkan untuk disewakan, dengan pengelolaan kawasan yang ditangani pemilik proyek.
Angka Kecepatan dan Harga
Klaim utama Cognition ada pada dua angka: tiga kali lebih cepat dan seperlima harga. Keduanya diukur relatif terhadap SWE-2. Angka itu bukan laju absolut, melainkan perbandingan di dalam produk Devin.
Pada bagian kecepatan, Cognition menyebut 200 token per detik untuk Flash. SWE-2 disebut berada di kisaran 60 token per detik. Selisih itu membuat waktu tunggu pengguna jauh lebih pendek pada tugas berulang.
Namun metode pengukurannya perlu dibaca teliti. Menurut Unite.AI, ilustrasi kecepatan itu dibuat dengan memutar ulang rekaman pada laju simulasi. Transkrip kedua model juga dipersingkat agar panjangnya sama.
Artinya, angka tersebut menggambarkan profil penyajian yang dituju, bukan waktu nyata di bawah beban produksi. Pembaca sebaiknya tidak membandingkannya langsung dengan pengalaman memakai model lain pada jam sibuk.
Hasil Uji yang Tidak Seragam
Cognition merilis tabel berisi beberapa uji standar. Pada FrontierCode 2.0, Flash mencetak 24,0 persen. Angka itu sedikit di atas SWE-2 yang berada di 23,8 persen.
Pada Terminal-Bench 4.0, posisinya berbeda. Flash mencetak 20,0 persen, sedangkan SWE-2 mencapai 27,3 persen. Pada DeepSWE 1.1, Flash mendapat 60,1 persen dan SWE-2 berada di 73,0 persen.
Dibanding model dasarnya, lompatannya sangat besar. Inkling-Small hanya mencetak 0,9 persen di Terminal-Bench 4.0 dan 3,2 persen di FrontierCode 2.0. Pelatihan tambahan Cognition menaikkan keduanya secara signifikan.
Menurut AI Affairs, pola hasil ini menunjukkan Flash unggul di sebagian tugas terstruktur. Namun model ini belum menggantikan SWE-2 pada pekerjaan terminal yang panjang dan terbuka. Satu angka rata-rata bisa menyesatkan.
Basis Inkling-Small dan Metode Pelatihan
SWE-2 Flash dibangun dari Inkling-Small, model buatan Thinking Machines Lab. Laboratorium itu didirikan oleh Mira Murati, mantan eksekutif OpenAI. Bobot Inkling-Small dirilis pada 30 Juli 2026 dengan lisensi Apache 2.0.
Model dasar itu memiliki 276 miliar parameter total dengan 12 miliar parameter aktif. Arsitekturnya campuran ahli, sehingga hanya sebagian parameter yang bekerja saat inferensi. Struktur ini membantu menekan biaya komputasi.
Cognition menambahkan tahap mid-training berskala besar sebelum reinforcement learning. Menurut pengumuman resmi Cognition, ini pertama kali tahap itu dipakai dalam resep mereka. Data latihnya mencapai beberapa triliun token dari artikel ilmiah, blog, dan kode.
Pelatihan dibagi tiga tahap agar data paling langka masuk terakhir. Setelah itu, reinforcement learning dijalankan dengan tugas yang lebih beragam. Cognition menyebut kualitas tugas, bukan sekadar penyesuaian resep, sebagai penyumbang perbaikan terbesar.


