# \#swe-2

**URL:** https://discuss.pytorch.kr/tag/swe-2/9099.md

[최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md)

---

## [Cognition, Kimi K3 기반 코딩 모델 SWE-2 공개: Fable 5.1과 1점 차, 비용은 64% 절감](https://discuss.pytorch.kr/t/cognition-kimi-k3-swe-2-fable-5-1-1-64/11891)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [9월 12, 2026, 1:30오전 UTC](https://discuss.pytorch.kr/t/cognition-kimi-k3-swe-2-fable-5-1-1-64/11891 "2026-09-12T01:30:00Z")

</div>

SWE-2 소개: 코딩 모델의 경쟁 축이 점수에서 비용 대비 성능으로 Cognition이 현지 시간 2026년 9월 10일 자사의 코딩 특화 모델 SWE-2 를 공개했습니다. 핵심 수치는 FrontierCode 1.1 Main에서 50.0%입니다. 같은 벤치마크에서 Claude Fable 5.1이 기록한 50.9%에 1점이 채 못 미치지만, 롤아웃 한 번에 드는 평균 비용은 64% 낮습니다. Cognition은 이 결과를 두고 파레토 프론티어(Pareto Frontier), 즉 더 싸게 만들려면 성능을 포기해야 하는 경계선 자체를 밀어냈다고 표현합니다. Cognition은 자율 소프트웨어 엔지니어를 표방하는 Devin을 만든 회사입니다. 이 회사는 모델을 평가하는 쪽과 학습하는 쪽 양쪽에 자산을 쌓아 왔는데, 평가 쪽이 FrontierCode이고 학습 쪽이 SWE 시리즈입니다. FrontierCode는 단순히 테스트가 통과하는지가 아니라 저장소 관리자가 이 PR을 실제로 병합하겠는가 를 묻는 벤치마크입니다. 과제는 그 코드가 나온 저장소의 오픈소스 관리자가 직접 만드는데, 20명이 넘는 개발자가 과제 하나에 40시간 이상을 들였고 무엇을 병합 가능하다고 볼지도 이들이 정의합니다. 채점에는 단위 테스트와 루브릭, 새로 만든 검증기를 함께 써서 정확성뿐 아니라 테스트 품질, 범위 준수, 코드베이스 규약 준수까지 봅니다. 이 벤치마크가 어떻게 설계되었는지는 커뮤니티에 정리된 FrontierCode 소개 글에서 더 자세히 보실 수 있습니다. SWE-2가 기술적으로 흥미로운 지점은 밑바탕이 자체 사전 학습 모델이 아니라는 데 있습니다. 이 모델은 Moonshot AI가 공개한 2.8조 파라미터 오픈 웨이트 모델 Kimi K3에서 사후 학습(Post-training) 으로 출발했습니다. K3는 토큰마다 896개의 라우팅 전문가 중 16개만 활성화하는 MoE 구조라 전체 2.8조 파라미터 가운데 1,040억 개만 실제 계산에 참여하고, 전체 가중치가 공개돼 있습니…
