SWE-2 Flash: código 3x más rápido a un quinto del precio

El SWE-2 Flash es un modelo de código de Cognition, con 276 mil millones de parámetros totales y 12 mil millones activos, lanzado el 04/11/2026. Cuesta un quinto del SWE-2 más grande y responde tres veces más rápido en el replay simulado del anuncio, 200 contra 60 tokens por segundo. La capacidad nueva viene de la receta de entrenamiento; el precio, de una decisión comercial.

¿Qué cambió en la receta de entrenamiento?

La Cognition insertó una etapa de mid-training antes del aprendizaje por refuerzo, construida sobre el Inkling-Small de Thinking Machines. La etapa nueva consume algunos billones de tokens de artículos científicos, blogs, código y otras fuentes, en tres etapas. En FrontierCode 2.0, la base marcaba 3,2% y el SWE-2 Flash entrega 24,0%.

La frase anterior esconde la parte que le interesa a quien firma la factura. El salto de 3,2% a 24,0% no es un modelo grande mejorando: es un modelo pequeño siendo preparado antes de que se le cobre por el trabajo. El mid-training es la etapa entre el preentrenamiento bruto y el refuerzo, y la Cognition la presenta como novedad en la receta.

El orden es deliberado: el material más escaso entra en la última de las tres etapas. Para elegir la mezcla, la Cognition comparó la eficiencia de tokens de cada fuente.

La diversidad de tareas no está en esa etapa. Aparece en el refuerzo, donde la Cognition auditó instrucciones, entorno y verificadores de cada tarea y armó tipos nuevos. Ahí la empresa ubica la mayor parte de la ganancia: los ajustes en la receta fueron puntuales, y la diferencia vino de la calidad y de la diversidad de las tareas.

El anuncio se detiene ahí. No declara ahorro de entrenamiento, no dice que el refuerzo se volvió más corto y no conecta la receta con el precio: presenta el modelo a un quinto del SWE-2 como decisión comercial, junto a la velocidad. La conexión entre la etapa nueva y el costo por tarea es una lectura de este análisis, no una afirmación del proveedor.

Un modelo de código caro no es caro por parámetro, es caro por intento. Cada ronda de refuerzo que arregla un comportamiento básico quema GPU sin devolver capacidad nueva. Preparar el formato antes reduce lo que le queda al refuerzo por aprender.

El segundo número es el de parámetros activos: 12 mil millones encendiéndose dentro de 276 mil millones, y la activación dispersa reduce el costo por token.

La receta, etapa por etapa, queda así:

La Cognition publica el volumen del mid-training, algunos billones de tokens, y no el del preentrenamiento ni el del refuerzo. La tabla describe el diseño, no el presupuesto.

El anuncio publica ocho evaluaciones y destaca tres en el gráfico: FrontierCode 2.0, que mira parches en repositorio real, Terminal-Bench 4.0, que mira operación de terminal, y DeepSWE 1.1, que mira resolución de tareas. Un modelo puede ir bien en una y mal en otra, y por eso la decisión sale de la tabla completa.

¿Dónde sigue perdiendo el SWE-2 Flash?

En FrontierCode 2.0 el SWE-2 Flash marca 24,0% contra 23,8% del SWE-2, y esa es la única de las ocho evaluaciones publicadas en la que lidera. En DeepSWE 1.1 la distancia es de 12,9 puntos, y en Terminal-Bench 4.0 de 7,3. Contra Claude Haiku 5.5, la desventaja en FrontierCode 2.0 es de 3,7 puntos.

Conviene leer los márgenes con frialdad, porque no tienen el mismo peso.

La ventaja sobre el hermano mayor es de 0,2 puntos y cabe dentro de la variación entre ejecuciones; llamar al Flash más capaz que el SWE-2 por causa de ella sería estirar el dato. Lo que muestra la tabla es otra cosa: el modelo cinco veces más barato empata en FrontierCode 2.0 y queda detrás en las otras siete evaluaciones publicadas, con 12,9 puntos de distancia en DeepSWE 1.1 y 4,5 en FrontierCode 1.1. El intercambio es de costo, y su precio es capacidad fuera de FrontierCode 2.0.

La distancia contra Claude Haiku 5.5 cambia según el eje. En FrontierCode 2.0 son 3,7 puntos. En Terminal-Bench 4.0 el Haiku marca 39,2 contra 20,0, lo que da 19,2 puntos, y en DeepSWE 1.1 el Flash queda adelante por 0,8. Quien cita solo el primer número elige el eje favorable.

La pregunta que queda es operativa: cuántos puntos cuesta una revisión más por semana. En código con cobertura de pruebas, el parche equivocado muere en la prueba. Sin cobertura, llega a producción.

Lectura del 06/11/2026. La velocidad es la del replay simulado de un trace en Terminal-Bench 4.0, no una medición de producción. Las distancias en puntos citadas en el texto son restas simples entre las celdas de esta tabla. El benchmark cambia de versión y de harness.

Ninguna de las ocho evaluaciones trae intervalo de confianza, y el anuncio no dice cuántas ejecuciones sostienen cada número. El uso queda definido por eso: sirve para elegir dónde probar, no para firmar contrato. La diferencia entre 23,8% y 24,0% no sobrevive a esa ausencia. La de 12,9 puntos en DeepSWE sí sobrevive.

La conclusión no es sustitución, es reparto, pero el criterio de tolerancia tiene que salir del eje correcto. Contra el SWE-2, la pérdida es cero en FrontierCode 2.0, 7,3 puntos en Terminal-Bench 4.0 y 12,9 en DeepSWE 1.1, la evaluación más cercana a tarea corta de agente. Revisión de código, prueba unitaria y refactorización guiada tienen verificación barata para absorber el error. La capa de agente, que el diseño de abajo coloca en la misma franja de riesgo, es la que pierde más en el eje publicado, y migra después del piloto.

¿Cuál es el costo por tarea en cada capa?

El costo por tarea cae a un quinto en las capas que migran, porque el precio por token es un quinto y el volumen de tokens por tarea no cambia. La capa que se queda en el modelo grande mantiene el costo actual. La ganancia depende de la división del portafolio, y esa división es decisión de ingeniería, no de tabla de precios.

Antes del índice, la cuenta que decide la migración: un quinto del precio compra cinco intentos al precio de uno. En el quinto, la ventaja entera desaparece. Quien migra una capa y ve el retry subir a cinco intentos por tarea no ahorró nada, y esa es la forma más común de perder el ahorro.

La tabla de abajo usa índice con el SWE-2 en 100. Es aritmética sobre el precio relativo del anuncio, no un número del proveedor, y asume el mismo volumen de tokens por tarea en los dos modelos.

Con 70% del volumen migrado, el índice del portafolio sale de 100 a 44: setenta por ciento a un quinto del precio, treinta por ciento al precio completo. La caída de 56% no es descuento del proveedor, es consecuencia de dónde se coloca el trabajo. Si la capa de agente queda fuera hasta que cierre el piloto, la división se encoge y el índice sube.

La matriz de abajo traduce la misma cuenta a la decisión de cada capa.

Una capa que la tabla no captura: el bucle del agente. 200 tokens por segundo contra 60 acorta la espera en cada ronda, y en diez llamadas encadenadas la diferencia aparece para quien espera en la pantalla. La velocidad no reduce la factura de forma directa: reduce el cambio de tarea del ingeniero mientras el agente corre.

¿Los pesos cerrados cambian la decisión de compra?

Sí, cambian el riesgo, no el precio. La Cognition no publicó los pesos del SWE-2 Flash y justificó la decisión con riesgo cibernético. El anuncio dice que la empresa está construyendo un programa para compartir los pesos con socios de la industria y laboratorios de investigación, con más detalles en algunas semanas, sin fecha y sin lista.

El número que sostiene la justificación se declara como trabajo de entrenamiento, no como efecto colateral. La Cognition afirma que apuntó a seguridad cibernética en el entrenamiento y que eso elevó el ExploitBench de 11,3% a 34,8%. La consecuencia que el propio anuncio admite: las mismas capacidades sirven a atacantes, y por eso los pesos siguen cerrados.

Para quien compra, la consecuencia tiene dos lados. Del lado bueno, no hay pesos corriendo fuera del entorno del proveedor, lo que simplifica la auditoría de origen. Del lado malo, no existe plan B: si el proveedor cambia el modelo detrás del mismo nombre, el comportamiento cambia sin aviso y sin forma de fijar la versión anterior. Eso es dependencia de proveedor con otro nombre.

El otro extremo del mercado mide el precio de esa elección. Un modelo abierto de 1M de tokens, como el cubierto en DeepSeek V4.1-Flash-1017: modelo abierto de 1M de tokens con búsqueda propia a US$ 0,75 por mil llamadas, permite descargar pesos y congelar versión, según el artículo interno. El SWE-2 Flash no lo permite, y el intercambio es explícito: mejor desempeño por token contra peor control de versión. Eso no es un detalle de licencia.

La decisión de gobernanza más amplia está en La nueva posición sobre modelos de pesos abiertos y el problema de gobernanza empresarial. El peso cerrado desplaza la evaluación al comportamiento observado en producción, ya que el artefacto no está disponible para inspección.

El anuncio declara la intención de dar acceso transparente a los pesos a socios e investigadores, con ajuste fino y ejecución en entorno sensible. Intención no es garantía: no hay plazo, criterio de entrada ni compromiso de apertura pública. Quien necesita el peso para el compliance trata al SWE-2 Flash como modelo hospedado y negocia contrato, retención y aviso de cambio de versión.

Lo que el anuncio publica y lo que queda abierto para la conversación de contrato:

Ninguna de esas respuestas está en el anuncio. Todas pesan más que el precio cuando el código es de un cliente regulado, y la pregunta deja de ser cuánto cuesta el token: pasa a ser quién responde cuando el comportamiento cambia sin aviso.

¿Qué ventana hay para evaluar antes del 30/11?

El acceso está abierto en Devin Desktop y en la CLI, gratuito hasta el 30/11/2026. La ventana es corta y tiene plazo declarado, lo que cambia el formato del piloto: no se puede correr un trimestre de observación y decidir después. La evaluación tiene que producir número antes de fin de mes.

Tres semanas y media alcanzan para medir costo por tarea en tres capas y no alcanzan para medir calidad en código heredado. Aceptar la asimetría es el comienzo de un piloto honesto.

Hay un perfil que no debería entrar ahora: un equipo con código de alto riesgo regulatorio y sin suite de pruebas que sirva de red gana poco con tres semanas.

La medición que sostiene la decisión tiene cinco pasos, y ninguno es opcional:

1. Congele un conjunto de 30 tareas que el equipo ya resolvió, con el diff aceptado sirviendo de patrón de referencia.
2. Corra las mismas 30 tareas en el SWE-2 Flash y en el modelo actual, sin ajustar el prompt entre las dos rondas.
3. Registre tres datos por tarea: tokens gastados, tiempo hasta la primera respuesta útil y si el diff fue aceptado sin edición.
4. Compare la tasa de aceptación antes del costo: un modelo barato con aceptación menor devuelve la diferencia en retrabajo.
5. Repita la ronda en la última semana de la ventana, para capturar cambio de comportamiento del modelo hospedado.

Con el número en la mano, el guion de 90 días cabe en el plazo. Cada fase tiene criterio de salida, porque un piloto sin criterio de salida se vuelve opinión con gráfico.

La fase 1 suele fallar. Correr en paralelo significa ejecutar la misma tarea en los dos modelos y comparar el diff aceptado, no cambiar el modelo y ver si algo se rompe. El primer formato produce número, y el segundo produce impresión.

La fase 3 existe por el peso cerrado. Sin versión fijable, la única protección contra un cambio silencioso es medir de nuevo después de que termine el acceso gratuito, porque el comportamiento del mes siguiente puede no ser el del piloto.

Preguntas frecuentes

Las cinco preguntas de abajo son las que abren la conversación de compra: pesos, sustitución del SWE-2, el origen del ExploitBench, precio absoluto y el plazo de la ventana. Cada respuesta se queda en lo que el anuncio publica, y lo que no publica aparece como ausencia declarada.

¿El SWE-2 Flash tiene pesos abiertos? No. La Cognition no publicó los pesos y citó riesgo cibernético, con el ExploitBench subiendo de 11,3% a 34,8%. La empresa dice estar construyendo un programa con socios, con detalles prometidos en algunas semanas, sin fecha y sin garantía de apertura.

¿Sustituye al SWE-2? No para todo el trabajo. Empata en FrontierCode 2.0, con 24,0% contra 23,8%, y queda detrás en las otras siete evaluaciones publicadas, con 12,9 puntos en DeepSWE 1.1. En cambio, cuesta un quinto y responde tres veces más rápido en el replay simulado. La lectura que se sostiene es repartir el portafolio por capa.

¿Por qué el ExploitBench subió de 11,3% a 34,8%? Porque la Cognition apuntó a seguridad cibernética en el entrenamiento, según el anuncio: la ganancia es un objetivo declarado de entrenamiento, no un desbordamiento de la habilidad de código. La empresa reconoce que las mismas capacidades sirven a atacantes, y esa es la razón para mantener los pesos cerrados.

¿Cuánto cuesta una tarea en el SWE-2 Flash? La Cognition publica precio relativo, un quinto del SWE-2, y no publica valor absoluto. Cualquier cifra en dólares por tarea fue calculada por terceros con premisas propias de consumo de tokens.

¿Hasta cuándo el acceso es gratuito? Hasta el 30/11/2026, en Devin Desktop y en la CLI. El anuncio no informa qué pasa después: no dice si el acceso continúa, ni cuál será el precio cobrado a partir del 1º/12.

Referencias y Lectura Complementaria

La fuente primaria de este análisis es el anuncio de Cognition, Introducing SWE-2 Flash, publicado el 04/11/2026. Todos los números de benchmark, de precio relativo y de velocidad salen de él. Lectura del 06/11/2026. Los enlaces de abajo tratan la misma pregunta en escalas distintas.

Para el recálculo de costo por tarea con más de un modelo, Orquestación multi-modelo en la práctica: 2 puntos de índice menos por la mitad del costo por tarea trata la misma pregunta en otra escala.

Para el trade-off entre calidad y precio cuando la diferencia de índice es pequeña, Un modelo 11 puntos más inteligente por el mismo costo por tarea: cómo recalcular el trade-off en el router es la lectura que antecede a esta.

Siguiente paso: revisar la política de enrutamiento en el Nexforce Router

El SWE-2 Flash no pide cambio de proveedor. Pide una línea nueva en la política de enrutamiento: qué capa de tarea va al modelo barato, cuál sigue en el caro, y qué métrica autoriza el cambio de una a la otra.

En el Nexforce Router la política es donde esa decisión se vuelve ejecución, con API compatible con OpenAI, selección de modelo por costo, desempeño, latencia y contexto, límite de gasto por clave y failover entre proveedores. La ganancia de 56% en el índice solo existe si la regla está escrita y el gasto limitado por clave, porque un modelo cinco veces más barato con volumen cinco veces mayor devuelve la factura al punto de partida.

La política de enrutamiento, en la práctica, es una tabla de decisión: tipo de tarea en la entrada, modelo en la salida, límite de intentos por llamada y techo de gasto por clave. El límite de intentos es el campo que casi nadie escribe.

La revisión tiene plazo. Corra la medición de las capas antes del 30/11/2026, con el acceso gratuito vigente, y escriba la regla con el número en la mano. Después de esa fecha, cada prueba cuesta precio completo, y la ventana de 100 a 44 queda como referencia histórica, no como proyección.