Cognitionは2026年7月7日(現地時間)、同社がこれまでに開発した中で最も高性能なモデル「SWE-1.7」を発表し、自社開発のDevinに提供を開始した。このモデルは、Kimi K2.7を基盤に強化学習 (RL) 後学習を重ねて開発され、フロンティアレベルの知能をより低コストで実現し、コストパフォーマンスのパレート曲線を向上させるとしている。
SWE-1.7は、より優れたインフラ、安定したトレーニング、高品質なデータ、および長期間タスク向けの新しい手法といった、広範なRLパイプラインの改善の結果として生まれた。Kimi K2.7が既に広範なRL後学習を受けていたにもかかわらず、SWE-1.7で得られた大きな追加的な進歩は、「後学習の天井」という考え方に疑問を投げかけ、RLがこれまで考えられていたよりもはるかに能力を押し上げられる可能性を示唆している。
SWE-1.7は、特に長期間にわたる非同期タスクに最適化されている。現在、Devinのウェブ、デスクトップ、およびCLI版で、Cerebrasを経由して1000 TPS（トークン/秒）で利用可能。
エージェント型コーディングベンチマークのパスレートでは、FrontierCode 1.1 Mainで42.3%、Terminal-Bench 2.1で81.5%を達成した。これらはGPT-5.5の43.0%と84.2%、Claude Opus 4.8の46.5%と86.9%にそれぞれ迫る数値である。
トレーニング方法には、エントロピーの維持とトレーニングの安定化、マルチクラスター学習とフォールトトレランス、高品質データのキュレーション、そして長期間タスクのための自己圧縮という四つの主要な要素が含まれる。特にエントロピー崩壊やトレーニングと推論間の数値ドリフトによる不安定性を解消し、三つの大陸にまたがるクラスターでのトレーニングを可能にするインフラを構築したとされている。
参考: cognition.com (アーカイブ) — 2026年7月8日 09:00 (JST)
原文ハイライト"It reaches frontier-level intelligence at a much lower cost, advancing the cost-performance Pareto curve."