Cognition 甩出 SWE-1.7：编码智能贴脸 GPT-5.5 和 Opus

Cognition 今天放出了 SWE-1.7，这是 Devin 团队自研编程模型序列的又一次迭代。看数字：SWE-bench Verified 上跑到跟 GPT-5.5、Claude Opus 4.8 掰手腕的水平，而这两个可是四月份到六月份轮番登顶的通用旗舰。一个专攻编程的中型模型追到这个位置，意味着「专用 vs 通用」这场仗又要重新打一遍。

一句话讲清楚发生了什么

上一代 SWE-1.5 发布时，Cognition 的定位还是「够用、便宜、跑得快」——给 Devin 这种自家 Agent 当引擎，绝大多数场景不用去调 Anthropic 的 API。到了 SWE-1.7，口径变了：他们直接把自家模型放到 GPT-5.5 和 Opus 4.8 旁边比。Cognition 自己的说法是「near GPT-5.5 and Opus intelligence」，翻译过来就是——我们不再是廉价替代品，我们正面刚。

从公开的第三方数据看，这个说法没太夸张。vals.ai 的 SWE-bench Verified 榜单里，Claude Fable 5（Anthropic 刚出的推理系模型）以 95% 占据第一，Opus 4.8 是 88.6%，GPT-5.5 和 Opus 4.7 都在 82% 上下。SWE-1.7 官方给出的数字落在这个区间的上沿——也就是说，它已经把 GPT-5.5、Opus 4.7 这一档甩在身后半个身位，正在贴近 Opus 4.8。

为什么这件事值得关注

过去一年，「编程专用模型」这条路走得并不顺。Cursor 的 Composer、Windsurf 收购前后放出的 SWE-1 系列、包括各家小厂调过 Qwen-Coder 的定制版，基本都停留在「便宜快够用」这个生态位。真正打榜、真正被开发者当主力用的，还是 Claude、GPT 这些通用旗舰。原因很简单：写代码不是纯语法问题，是推理、规划、工具调用、长上下文——通用大模型在这些维度堆得更狠。

SWE-1.7 有意思的地方在于，它是靠什么把差距补上的。Cognition 在博客里透露的信号有几条：

• 训练数据是从 Devin 真实运行轨迹里挖出来的。Devin 一年多在生产环境跑了海量任务，什么样的错误会重复出现、哪种工具调用序列真的能修 bug、什么样的 diff 会通过人工 review——这些数据没有任何一家实验室拿得到。这是 Cognition 的独家护城河。
• 强化学习环境专门为长周期编码任务定制。SWE-bench Verified 的分数容易刷，但真正拉开差距的是「多步 agentic 编码」——写几百行、跑测试、看报错、回滚、重写。SWE-1.7 在这类工作流上的稳定性比上一代显著提升。
• 蒸馏 + 后训练路线。业内共识：SWE-1 系列大概率是在开源 base 上做的深度后训练。这条路径的天花板一直被质疑，但 SWE-1.7 证明只要数据够真、RL 环境够贴合，中型模型也能咬住旗舰。

对着 GPT-5.5 和 Opus 4.8 比，到底差多少

必须说清楚，「near」这个词水分不小。分基准看：

| 任务类型 | SWE-1.7 表现 | 对标模型 | |---------|-------------|---------| | SWE-bench Verified | 逼近 82-85% 区间 | GPT-5.5 (82.6%)、Opus 4.7 (82.0%) | | 复杂 agent 长周期任务 | 稳定性明显提升，但仍落后 | Opus 4.8、Claude Fable 5 | | SWE-Bench Pro（真实 GitHub issue）| 未公布，谨慎观望 | GPT-5.5 拿到 58.6% | | Terminal-Bench 2.0 | 未公布 | GPT-5.5 82.7% 领先 |

换句话说，SWE-1.7 在「打榜型」编码基准上确实追平了，但在真实世界的 SWE-Bench Pro、Terminal-Bench 这类需要极强规划和工具协同的场景上，还没拿出足够说服力的数据。Cognition 也很聪明，博客里主打 SWE-bench Verified 这个更成熟的赛道。

另外还有一个不能忽略的细节：SWE-Bench Pro 本身最近争议不小。DeepSWE 那篇报告直接点出，SWE-Bench Pro 有大约 32% 的 pass/fail 判定「在仔细的读者看来是错的」，还有明显的记忆污染证据。这也是为什么越来越多前沿实验室开始用 DeepSWE、Terminal-Bench 这类新基准来做真实评估。SWE-1.7 如果能在这些新基准上给出数字，说服力会强得多。

Devin 的算盘

把镜头拉远。Cognition 做 SWE-1.7 不是为了卖 API，是为了给 Devin 降本增效。Devin 的商业模式是按任务或按订阅收费，底下调用的模型成本直接压利润。之前 Devin 混用 Claude 和自研模型，Claude 拿最难的活，SWE 系列拿中间层。SWE-1.7 追上通用旗舰的意义在于——Devin 可以把更多任务切给自研模型，Claude/GPT 只留给最硬的骨头。

这套逻辑跟 Cursor 一模一样。Cursor 的 Composer 一开始也是「快糙猛」，逐步吞掉 Cursor 内部的 tab 补全、小改动、快速重构，把 Claude/GPT 的调用比例往下压。做 Agent 产品的公司，如果不自己训模型，长期毛利就会被 API 供应商吃掉。SWE-1.7 是这条路径的又一个里程碑。

开发者视角：现在能用吗，怎么用

SWE-1.7 目前主要通过 Devin 产品调用，Cognition 没有公开开放独立 API。这跟 Cursor Composer 的策略一样——模型是产品的一部分，不单独卖。想直接体验的开发者，要么订阅 Devin，要么等 Cognition 后续通过合作渠道放出来。

对于日常写代码的开发者，几个实际问题：

1. 要不要切过去用 Devin？ 如果你的工作流是「丢一个 issue，让 AI 自己去仓库里改完提 PR」，Devin + SWE-1.7 现在的性价比确实有诱惑力。但如果你是重度 IDE 内交互（Cursor、Windsurf、Claude Code 那种），SWE-1.7 短期还接不上。
2. 通用旗舰会不会被慢慢挤掉？ 不会，至少短期不会。SWE-1.7 在 SWE-bench 打平不代表在真实工程上打平——真实项目里的推理、跨文件理解、模糊需求处理，通用旗舰还是更稳。但边界正在往里推。
3. 开源社区会不会跟进？ 大概率会。Qwen-Coder、DeepSeek-Coder 这些开源系列一直在追，SWE-1.7 的成功会推动更多团队走「小模型 + 真实数据 RL」的路径。

一个更大的判断

2026 年上半年，前沿实验室的旗舰模型（GPT-5.5、Opus 4.8、Fable 5、Gemini 3.5）在编程能力上其实已经开始出现边际递减——从 GPT-5.4 到 5.5 那个跨度，跟从 5.3 到 5.4 已经差不多了。真正在快速进步的，反而是这些垂直专用模型。原因很直接：通用旗舰要兼顾一切，专用模型只需要在自己的领域里榨干每一个 token 的价值。

SWE-1.7 不是一次颠覆式发布，但它是一个信号：编码这个赛道，专用模型第一次真正把通用旗舰拽下水了。接下来 6 个月，我们大概率会看到更多类似路径的模型出现——数据来自真实产品的 Agent 轨迹，训练目标死磕单一垂类，价格和速度打到通用旗舰的一半以下。

对于开发者的实际影响：以后调 API 的时候，可能不再是「用哪家旗舰」的问题，而是「这个任务应该路由到哪个专用模型」的问题。多模型路由会变成标配。像 OpenAI Hub 这类聚合平台的价值也在于此——一个 Key 打通 GPT、Claude、Gemini、DeepSeek 各家主流模型，国内直连，兼容 OpenAI 格式，让开发者不用为了对比几个模型分别申请、对接、结算。真到了「一个任务分配三四个模型协作」的那一天，聚合层反而会成为最刚需的基础设施。

结语

SWE-1.7 不是那种发布会上让人尖叫的模型，但它把「专用编程模型」这条技术路线的证据链又补上了一环。GPT-5.5 和 Opus 4.8 依然是天花板，但天花板不再是唯一的选项。对于每天跟代码打交道的人来说，这可能比又一次旗舰升级更重要。

参考来源

• Opus 4.7 王座还没坐热，GPT-5.5 凌晨突袭 - 知乎：GPT-5.5 发布首日的深度体验与基准数据整理