A Cognition anunciou o lançamento de seu novo modelo SWE-2, marcando um marco significativo no desenvolvimento da inteligência artificial. O modelo SWE-2 é o mais próximo até agora da fronteira, superando seu antecessor, SWE-1.7, e igualando as capacidades de modelos de ponta como GPT-5.6 Sol e Fable 5/5.1 a uma fração de seu custo.

Os avanços do modelo SWE-2 são atribuídos ao seu treinamento pós-formação a partir de Kimi K33, um modelo de 2,8T parâmetros que passou por um aprendizado de reforço (RL) extensivo para codificação agente. Esse treinamento permitiu que o modelo alcançasse uma ampla margem, adicionando 5-6 pontos em muitos benchmarks e deslocando a fronteira de custo-desempenho.

Uma das principais características do modelo SWE-2 é sua capacidade de aplicar uma penalidade de custo linear por nível de esforço em uma única execução de RL. Essa abordagem, derivada de princípios fundamentais, avança toda a fronteira de Pareto do modelo enquanto preserva sua forma e reflete os custos reais do usuário no treinamento. O modelo também utiliza uma linha de recompensa ponderada pelo comprimento, que reduz a variância do gradiente e estabiliza o treinamento.

Em termos de padrões de comportamento, o modelo SWE-2 apresenta melhorias na cobertura de testes, na habilidade de encontrar soluções e na disciplina de verificação. Ele é melhor em escrever testes que verificam uma implementação de ponta a ponta, capturando regressões e casos de bordo de forma mais confiável. O modelo também está mais disposto a procurar rotas alternativas para a mesma resposta quando o caminho óbvio é bloqueado.

Os dados de treinamento do modelo SWE-2 foram significativamente aprimorados, com o número de ambientes de RL triplicado e overlays de seguimento de instruções adicionados. O modelo também foi treinado para manter várias instruções em contexto sem perder de vista a tarefa subjacente. Além disso, os verificadores nos dados foram endurecidos para prevenir hacking de recompensa.

Em avaliações de alinhamento e confiabilidade do modelo, o modelo SWE-2 passou em 98,0% das tentativas no geral, com 99,8% em inglês, 95,2% em chinês simplificado e 99,1% em chinês tradicional. O modelo também não mostrou aumento ou diminuição estatisticamente significativa na vulnerabilidade para qualquer condição de enquadramento na avaliação de vulnerabilidade dependente de contexto.

This article was written with the assistance of AI.
News Factory APP - agentic news to boost your SEO & AEO.