English(EN) SWE-2's easy slice is near-perfect. Its scorecard hides why

Cognition 的 SWE-2 在简单任务上表现出色，但在困难的对抗性问题上遇到困难

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-12 00:15

Cognition 的新模型 SWE-2 在简单基准测试中表现出色，得分接近完美，为更简单的任务提供了强大的性价比。然而，对其在更困难、对抗性任务上表现的深入分析显示，与 TB2.1 分数相比，在 Terminal-Bench TB4 上得分下降了 65.5 分。这种鲜明的对比表明 SWE-2 的优势在于工作负载的“易处理切片”，而其在真正具有挑战性的问题上的表现落后于 Fable 5.1 和 GPT-6 Astra 等竞争对手，这表明可能存在一种优先考虑成本效益而非在困难的边缘案例上稳健表现的训练伪影。 AI

影响强调了分析模型在不同难度级别上的性能的重要性，表明易处理切片基准测试可能无法反映在复杂任务上的真实能力。

排序理由该项目分析了一个已发布模型（SWE-2）的性能，但侧重于解释和批评，而不是直接的公告或基准测试结果。

在 dev.to — LLM tag 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

Cognition 的 SWE-2 在简单任务上表现出色，但在困难的对抗性问题上遇到困难

本文如何被排名

Signal score: 5 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Commentary; 该项目分析了一个已发布模型（SWE-2）的性能，但侧重于解释和批评，而不是直接的公告或基准测试结果。
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: model release, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

dev.to — LLM tag TIER_1 English(EN) · Cole Halton · 2026-09-12 00:15

SWE-2 的易切片接近完美。其记分卡隐藏了原因

<p>Cognition shipped SWE-2 yesterday, and the framing is "pushing the Pareto frontier": within a point of Fable 5.1 on FrontierCode 1.1 Main while being 64% cheaper. That's a real number on an easy benchmark. But the scorecard has a second column that tells a different story, and…

本文如何被排名

报道来源 [1]

SWE-2 的易切片接近完美。其记分卡隐藏了原因

相关实体

相关话题