# 코그니션 SWE-2 공개, 코딩 에이전트 가격-성능 새 기준 제시 > 코그니션 SWE-2, 최상위 코딩 모델 성능에 1/4 비용으로 도전장 - 매체: AI 브리핑 - 담당: 모델 분석 데스크 - 분야: 신모델 - 발행: 2026-09-10T18:55:49.630Z - 원문 주소(웹): https://ai-news-1c0.pages.dev/posts/2026-09-11-%EC%BD%94%EA%B7%B8%EB%8B%88%EC%85%98-swe-2-%EA%B3%B5%EA%B0%9C-%EC%BD%94%EB%94%A9-%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8-%EA%B0%80%EA%B2%A9-%EC%84%B1%EB%8A%A5-%EC%83%88-%EA%B8%B0%EC%A4%80-%EC%A0%9C%EC%8B%9C/ - 태그: 코그니션, SWE-2, 데빈, 코딩 에이전트, 강화학습, 가격 대비 성능 --- ## 코그니션이 SWE-2를 내놨다. 가격 대비 성능 곡선을 밀어버렸다. 50.0%라는 수치만 보면 파블 5.1과 1점 차이다. 그런데 비용은 64% 싸다. GPT-6 아스트라와도 몇 점 차이 안 나면서 비용은 4분의 1이다. 발표문은 이 숫자들을 나열하지만, 현장 개발자가 주목해야 할 건 따로 있다. **탐색 단계 중간값이 48에서 18로 줄었다.** 같은 일을 하는데 58% 적은 턴으로, 81% 적은 비용으로 끝낸다. ## SWE-2가 다른 이유: 한 번 학습으로 모든 노력 레벨을 잡았다 기존 방식은 노력 레벨별로 별도 전문가 모델을 키운 뒤 증류했다. 키미 K3가 그랬다. 코그니션은 달랐다. **단일 강화학습 실행에서 저·중·고 노력 레벨을 동시에 훈련시켰다.** 비용 페널티를 보상 함수에 넣고, 파레토 곡선(성능과 비용의 최적 경계) 기울기에 맞춰 람다 파라미터(비중 조절 수치)를 튜닝했다. 수식은 복잡해 보이지만 결론은 단순하다. "똑똑해지는 동시에 돈도 아끼게 학습시켰다." ## 키미 K3 위에서 5-6점 더 뽑아냈다 베이스는 키미 K3다. 2.8조 파라미터(모델의 두뇌 용량에 해당하는 수치), 이미 에이전트 코딩용 강화학습을 거친 모델이다. 여기에 코그니션의 후처리 강화학습이 5-6점을 더 얹었다. SWE-1.7 인프라를 재사용했으니 훈련 비용 절감도 컸을 것이다. **베이스 모델이 이미 강했는데, 거기서 또 의미 있는 향상을 냈다는 게 핵심이다.** ## 데빈 데스크톱·CLI에서 오늘부터 쓴다 웹과 퓨전도 순차 적용된다. 무료 티어 여부는 발표문에 없다. 기존 데빈 구독자면 별도 비용 없이 바로 쓸 수 있다. **구독 중이라면 지금 터미널에서 모델 옵션만 바꿔 테스트해보면 된다.** ## 쉽게 풀어보면 코그니션이 만든 코딩 에이전트 '데빈'의 두뇌가 SWE-2로 교체됐다. 비유하자면, **신입 개발자가 코드베이스 전체를 다 읽고 나서야 첫 줄을 고치던 습관(기존 SWE-1.7)을, 경력 3년 차처럼 '여기가 문제겠네' 찍고 바로 고치는 수준으로 끌어올렸다**는 거다. 구체적으로 보자. 100개 과제 벤치마크에서 SWE-2 미디엄은 첫 실제 수정을 18번째 단계에 시작했다. SWE-1.7은 48단계였다. 58% 적은 턴으로, 81% 적은 비용으로 더 높은 점수를 냈다. '과탐'이 줄고 '실행'이 빨라진 것이다. 노력 레벨도 실용적으로 나뉜다. 미디엄은 단순·중간 과제에 바로 투입. 하이·맥스는 복잡한 과제에서 계획·탐색·검증에 시간을 더 쓴다. 사용자는 과제 난이도에 맞춰 레벨을 고르면 된다. 가격 대비 성능 곡선(파레토 프론티어)을 밀었다는 말이 추상이 아닌 이유다. **같은 돈으로 더 좋은 결과를 내거나, 같은 결과를 더 싸게 낸다.** 기업 입장에선 데빈 시트당 비용을 낮추거나, 더 어려운 과제를 같은 예산으로 돌릴 수 있다. ## 나에게 미치는 영향 - **데빈 구독 중이라면**: 오늘 바로 CLI에서 `--model swe-2`로 전환 테스트. 단순 버그 수정·리팩토링 과제부터 맡겨보고 턴 수·비용 비교해보라. - **데빈 안 쓰는 개발자**: 챗GPT·클로드·제미나이로 코딩할 때 '탐색 오래 하기' 패턴 보이면 새 대화창에서 "핵심 파일만 보고 바로 수정해줘"로 프롬프트 바꿔 테스트. 같은 원리가 먹힌다. - **기술 리더·CTO**: 에이전트 비용 산정할 때 '모델 단가'만 보지 말고 '과제당 총 턴 수·비용'으로 재계산하라. SWE-2류 모델은 턴 당 비용보다 총 완료 비용이 더 싸다. 국내 구독 요금은 달러 기준이라 환율 변수가 크다. 클라우드 크레딧 연계 가능성도 따져볼 만하다. - **오픈소스 기다리는 팀**: 키미 K3 베이스가 중국 모델이란 점, 코그니션 후처리가 닫혀 있단 점 확인. 당분간 데빈 생태계 밖에서 동급 성능 쓰긴 어렵다. ## 벤치마크 숫자만 보면 안 되는 이유 해커뉴스 댓글에선 "터미널 벤치 4가 아니면 의미 없다"는 지적이 나왔다. **"프론티어코드·딥스웨는 이제 쓸모없는 벤치마크(useless benchmarks now)"**라는 원문 비판도 있다. 제미나이 3.8이 이 벤치마크들을 압도했는데도 발표문에 안 실린 것도 같은 맥락이다. **실제 레거시 마이그레이션·복잡한 버그 재현·테스트 없는 리팩토링 같은 현장 과제에서 SWE-2가 얼마나 버티는지는 아직 검증되지 않았다.** ## 남은 건 '실제 과제에서의 검증'이다 발표문은 내부 테스트 궤적 몇 개를 보여준다. 하지만 외부 독립 평가·장기 운영 데이터는 없다. 데빈 사용자들이 앞으로 몇 주간 쌓을 실전 데이터가 진짜 평가가 될 것이다. **그때까지는 "비용 대비 성능 곡선을 밀었다"는 주장으로 두고, 내 과제에 적용해보며 검증하는 수밖에 없다.** 이 모델을 지금 써야 할 사람: 데빈 구독 중이고, 에이전트 턴 수·비용이 병목인 팀. 아직 기다려도 되는 사람: 챗GPT·클로드·제미나이 API로 직접 파이프라인 짜서 쓰는 팀. 벤치마크 수치보다 내 코드베이스에서의 체감 속도가 중요하니까. --- ## 출처 - [Hacker News] Cognition launches new SWE-2 model, Rivaling Fable 5.1 and GPT-Astra — https://news.ycombinator.com/item?id=49645443 ## 집필 방식 고지 이 기사는 위 원문과 커뮤니티 반응을 바탕으로 AI의 도움을 받아 작성했으며, 발행 전 사람이 확인했습니다. 인용 시 출처를 "AI 브리핑"으로 표기하고 https://ai-news-1c0.pages.dev/posts/2026-09-11-%EC%BD%94%EA%B7%B8%EB%8B%88%EC%85%98-swe-2-%EA%B3%B5%EA%B0%9C-%EC%BD%94%EB%94%A9-%EC%97%90%EC%9D%B4%EC%A0%84%ED%8A%B8-%EA%B0%80%EA%B2%A9-%EC%84%B1%EB%8A%A5-%EC%83%88-%EA%B8%B0%EC%A4%80-%EC%A0%9C%EC%8B%9C/ 로 연결해 주세요.