# Cognition 发布 SWE-1.7：用 Kimi K2.7 训出的编程模型，性能逼近 GPT-5.5，成本低一大截

> 原标题：SWE-1.7 Reach Near GPT 5.5 and Opus Intelligence

- 来源：Hacker News 首页
- 发布时间：2026-07-08T16:19:36.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/43141
- 原文：https://cognition.com/blog/swe-1-7

## 摘要

Cognition 推出了新的编程模型 SWE-1.7，它是在 Kimi K2.7 的基础上用强化学习（RL）做后训练得到的。在 FrontierCode 1.1 这个编程基准上，SWE-1.7 的通过率是 42.3%，很接近 GPT-5.5 的 43.0%，比自家上一代 SWE-1.6 的 9.4% 高出一大截。在 Terminal-Bench 2....

## 推荐理由

Cognition 发了 SWE-1.7，在 Kimi K2.7 上做 RL 后训练，FrontierCode 1.1 通过率从 9.4% 拉到 42.3%，跟 GPT-5.5 的 43.0% 几乎打平。数字很硬，叙事也清晰——开源基座加 RL 就能逼近闭源旗舰，这对成本和路线选择都有参考价值。不过正文只给了摘要，训练细节和成本对比没展开，这点先别太激动。

## 锐评

Cognition 这次放出的 SWE-1.7，是在 Kimi K2.7 基础上用强化学习（RL）再训出来的编程模型。它在 FrontierCode 1.1 上拿了 42.3%，跟 GPT-5.5 的 43% 几乎打平，比自家上一代 SWE-1.6 的 9.4% 翻了四倍多，进步确实猛。

技术上看，他们主要解决了 RL 训练里两个老毛病：一是模型训久了会“躺平”，只输出高概率词不再探索，他们用 top-p 采样加分布回放来保住多样性；二是跨洲多集群训练时容易崩，他们搞了容错机制，让训练不会因为某台机器挂了就停摆。另外还有个叫“自我压缩”的技巧，让模型自己总结长任务的中间状态，变相突破了上下文窗口限制。

不过，文章只说“大幅推进了成本性能曲线”，没给任何具体价格数字。模型现在通过 Cerebras 在 Devin 里跑，推理速度标了 1000 TPS，但实际用起来花多少钱、比 GPT-5.5 便宜多少，全都没说。如果成本真能打下来，对需要批量跑编程任务的团队会是好消息，但没看到数字之前，只能当个技术进展看。