Cognition lanza SWE-1.7 y promete inteligencia de frontera a menor costo

Cognition presentó SWE-1.7, su nuevo modelo para ingeniería de software agentiva, con la promesa de ofrecer inteligencia de frontera a una fracción del costo. La compañía atribuye el salto a mejoras profundas en aprendizaje por refuerzo, infraestructura multinodo, calidad de datos y técnicas para extender tareas más allá de la ventana de contexto.
***

• SWE-1.7 superó ampliamente a SWE-1.6 y mejoró frente a Kimi K2.7 Code en varios benchmarks de codificación agentiva.
• Cognition afirma que el modelo rompe la idea de un supuesto techo del post-entrenamiento gracias a avances en RL.
• La arquitectura de entrenamiento distribuye inferencia en tres continentes y permite tareas de hasta seis horas con auto-compacción.

Cognition anunció el lanzamiento de SWE-1.7, descrito por la empresa como el modelo más capaz que ha entrenado hasta ahora. Según la compañía, el sistema alcanza un nivel de inteligencia de frontera con un costo mucho menor, lo que desplaza la curva de Pareto entre precio y rendimiento.

El nuevo modelo fue optimizado para tareas asíncronas y de largo horizonte, una clase de trabajo que la firma considera central para la ingeniería de software de alta calidad. SWE-1.7 ya está disponible dentro de Devin en sus versiones web, escritorio y CLI, y se ofrece a través de Cerebras con una velocidad de 1.000 TPS.

Para lectores menos familiarizados con este segmento, la idea de un agente de software va más allá de autocompletar código. Estos sistemas deben leer repositorios, ejecutar pruebas, explorar archivos, depurar errores y sostener una estrategia durante periodos largos sin perder el hilo del trabajo.

En ese contexto, Cognition sostiene que SWE-1.7 no solo mejora en puntajes, sino también en conducta operativa. La empresa asegura que el modelo explora mejor una base de código, resume su propio estado cuando se acerca al límite de contexto y reanuda la tarea desde esos resúmenes.

La publicación de Cognition también plantea una tesis más ambiciosa. La firma afirma que las ganancias obtenidas sobre una base Kimi K2.7, que ya había pasado por un extenso post-entrenamiento con RL, cuestionan la noción de un “techo de post-entrenamiento”.

Rendimiento en benchmarks y salto frente a la versión anterior

Los resultados compartidos por la empresa muestran una mejora clara respecto a SWE-1.6. En FrontierCode 1.1 Main, SWE-1.7 alcanzó una tasa de aprobación de 42,3%, frente a 9,4% de SWE-1.6.

En ese mismo benchmark, Kimi K2.7 Code registró 30,1%, GPT-5.5 obtuvo 43,0%, Opus 4.8 llegó a 46,5%, Opus 4.7 marcó 38,5%, GLM-5.2 logró 24,5% y Composer 2.5 quedó en 25,6%.

En Terminal-Bench 2.1, SWE-1.7 alcanzó 81,5%, por encima de Kimi K2.7 Code con 72,7% y muy por encima de SWE-1.6 con 39,7%. Aun así, quedó por debajo de GPT-5.5 con 84,2%, Opus 4.8 con 86,9% y Opus 4.7 con 83,0%.

Para SWE-Bench Multilingual, el nuevo sistema registró 77,8%. Allí superó a Kimi K2.7 Code con 73,5%, a GPT-5.5 con 76,8%, a GLM-5.2 con 74,5%, a Composer 2.5 con 71,6% y a SWE-1.6 con 58,3%.

Sin embargo, Opus 4.8 continuó liderando ese tercer benchmark con 84,4%, seguido por Opus 4.7 con 80,5%. El cuadro general sugiere que SWE-1.7 se ubica entre los modelos más competitivos del segmento, aunque no domina cada métrica publicada.

La empresa subraya que todas las evaluaciones se hicieron bajo el máximo esfuerzo de razonamiento de cada modelo. Para Terminal-Bench 2.1, indicó que utilizó un marco interno y distintas interfaces según el proveedor, con un límite de tiempo de cuatro horas.

En SWE-Bench Multilingual, Cognition explicó que usó cifras autoreportadas cuando estaban disponibles. En caso contrario, dijo haber evaluado los modelos mediante Devin CLI.

Qué cambió en el entrenamiento de SWE-1.7

Cognition atribuye el avance a una cadena amplia de mejoras en su tubería de aprendizaje por refuerzo. La lista incluye mejor infraestructura, entrenamiento más estable, datos de mayor calidad y nuevas técnicas para tareas de largo horizonte.

Uno de los problemas que la empresa dice haber atacado fue el colapso de entropía. En términos simples, se trata de una situación donde un modelo fuerte deja de explorar nuevas opciones y termina estabilizándose demasiado pronto en trayectorias repetitivas.

La compañía explicó que el muestreo top-p ayudó a evitar ese fenómeno. Su argumento es que los tokens de probabilidad muy baja suelen pertenecer a trayectorias desviadas o fuera de distribución, con baja recompensa, y su inclusión puede endurecer demasiado la distribución de probabilidad.

El problema, según la firma, es que aplicar top-p de forma ingenua agranda la diferencia entre entrenamiento e inferencia. Para resolverlo, implementó una técnica de repetición de distribución de muestreo, con registro de los tokens disponibles durante la ejecución y renormalización de probabilidades en el entrenador.

De acuerdo con la empresa, esa intervención mantuvo la entropía aproximadamente constante durante el entrenamiento. También ayudó a limitar la divergencia entre entrenamiento e inferencia, un punto crítico en RL asíncrona a gran escala.

Cognition añadió que este esquema concentra el gradiente en los tokens con mayor señal de aprendizaje. La razón, siempre según la explicación de la compañía, es que una fracción importante de los tokens muestreados queda por encima de umbrales estándar de top-p y por tanto sale del cálculo general del gradiente.

La firma también reportó beneficios al usar el optimizador Muon y al eliminar operaciones no determinísticas en el entrenador. Aunque esos puntos aparecen con menos detalle, son presentados como piezas relevantes para la estabilidad de la ejecución.

Entrenamiento distribuido en tres continentes y tolerancia a fallos

Otro eje del anuncio fue la infraestructura. Cognition señaló que la RL permite separar el entrenamiento de la inferencia, lo que abre la puerta a usar varios clústeres repartidos por el mundo en vez de depender de una sola instalación gigantesca.

La empresa explicó que su entrenamiento abarca cuatro centros de datos en tres continentes. Para ello combina GPUs propias en varios clústeres con capacidad adicional aportada por proveedores de inferencia como Fireworks.

La lógica de ese diseño es que solo el entrenador necesita residir en un clúster con alto ancho de banda. Los motores de inferencia que generan trayectorias pueden operar en cualquier lugar, siempre que tengan acceso a los pesos más recientes.

El cuello de botella, por tanto, es la actualización de esos pesos entre regiones. Según Cognition, enviar el modelo completo sería demasiado lento, por lo que cada K pasos de gradiente calcula y transmite un delta de peso comprimido entre la versión actual y la previa.

La compañía afirma que esa compresión reduce el tamaño de cada transferencia en más de 99%. Además, en vez de enviar el material directamente a cada clúster, utiliza almacenamiento de objetos en la nube como fuente única de verdad para las versiones de peso.

Cada clúster tiene un controlador que consulta nuevos manifiestos, descarga sus fragmentos y los replica por discos locales mediante un árbol de transmisión. El mismo almacenamiento de objetos también devuelve al entrenador las matrices de enrutamiento y las máscaras top-p generadas por los motores de inferencia.

Con este mecanismo, Cognition asegura que las actualizaciones transcontinentales de un modelo de 1T de parámetros se completan en entre uno y dos minutos de extremo a extremo. El proceso, añade, no bloquea el entrenamiento y solo exige entre tres y cuatro segundos de pausa en inferencia para aplicar el delta.

La tolerancia a fallos fue otro punto destacado. En el lado de inferencia, la empresa describió estos fallos como relativamente baratos, porque los motores son autocontenidos y no conservan estado más allá de los pesos actuales.

Para ese frente, la firma utiliza NVIDIA Dynamo para manejar ciclos de vida y enrutamiento. Cada sandbox de agente mantiene su propio proxy de registro, de modo que una réplica caída no implica perder toda la trayectoria y el sistema puede redirigirla a otro trabajador.

En el entrenador, en cambio, una falla resulta más costosa porque es el componente estrechamente acoplado del sistema. Por eso cada nodo registra de forma asíncrona cada paso en disco local y replica sus fragmentos a pares, lo que permite reconstruir el estado en segundos.

Si falta capacidad, la ejecución puede reducirse por réplicas paralelas completas y regenerarse cuando los nodos regresan. Durante esa recuperación, la tubería de ejecución se mantiene activa y luego una política de búfer selecciona qué trayectorias acumuladas usar para evitar sesgos.

Tareas de largo horizonte, auto-compacción y disciplina en los datos

Cognition dice que diseñó Devin desde el principio para completar tareas asíncronas y de larga duración. Bajo esa premisa, entrenó SWE-1.7 directamente en el arnés de Devin y buscó empujar horizontes de trabajo más amplios que la ventana de contexto cruda.

La primera respuesta fue la auto-compacción. Cuando un agente se acerca al límite de contexto, se le pide resumir su estado de trabajo y luego reanudar la tarea desde ese resumen autogenerado.

Según la empresa, el entrenamiento enseña dos cosas al mismo tiempo. Por un lado, el modelo aprende a producir resúmenes más informativos y concisos; por el otro, aprende a trabajar mejor a partir de ellos.

Cognition afirmó que ya había introducido una variante de este enfoque en Kevin, un sistema orientado a optimización de kernels. En el caso de SWE-1.7, sostuvo que la auto-compacción permitió alcanzar ejecuciones de hasta seis horas durante la propia corrida de entrenamiento.

El segundo recurso para tareas largas fue una penalización de longitud alternante. En fases no restringidas, el modelo optimiza solo por éxito de la tarea; en fases de presupuesto, recibe una penalización si supera un umbral de costo ponderado por tokens, turnos y tiempo total en llamadas de herramientas.

La compañía asegura que esa estructura comprime la longitud de la respuesta en tareas que están dentro de la capacidad del modelo. Al mismo tiempo, busca preservar el comportamiento de largo horizonte cuando los problemas son realmente difíciles.

La calidad de datos fue presentada como otro factor decisivo. Cognition indicó que construyó tuberías extensas de aseguramiento para reducir tanto falsos positivos como falsos negativos en los verificadores de tareas.

La empresa también dijo haber curado datos con dificultad calibrada. Su criterio fue privilegiar tareas donde el modelo solo resuelve una fracción baja de los casos, porque allí aparece una señal de aprendizaje más útil que en problemas siempre fáciles o siempre imposibles.

En paralelo, describió varias defensas contra trampas. Entre ellas figuran restricción de red en las sandboxes, eliminación del historial de git y de artefactos de referencia, aislamiento de la ruta de calificación y verificaciones programáticas para detectar firmas conocidas de explotación.

La regla de recompensa fue tajante. Cualquier trayectoria con intentos de trampa recibe recompensa cero, con independencia de si esos intentos llegaron o no a funcionar.

Comportamiento del modelo y lo que sugiere para la carrera de IA

Cognition sostuvo que SWE-1.7 exhibe un comportamiento distinto al de Kimi K2.7 Code, su modelo base. La firma lo describió como más alineado y confiable que K2.7 y que otros modelos abiertos de frontera.

Uno de los cambios más notorios, según el reporte, es una cadena de pensamiento más condensada. La compañía afirmó que la primera cadena de pensamiento del nuevo modelo muestra una tasa mucho menor de palabras funcionales y casi la mitad de palabras por oración frente a Kimi-K2.7-Code.

La interpretación interna es que ese patrón fue influido por las fases de presupuesto de la penalización de longitud alternante. En otras palabras, la concisión no sería un accidente, sino una consecuencia directa del diseño del entrenamiento.

El otro gran cambio de conducta fue una exploración más profunda del código antes de actuar. Cognition señaló que SWE-1.7 realiza más llamadas a herramientas, más lecturas de archivos y más búsquedas dentro de la base de código.

Ese rasgo aparece con claridad en correcciones de errores. Según la empresa, el modelo tiende a investigar la causa raíz del fallo, evaluar casos límite, probar entradas adversas y considerar requisitos no explícitos en vez de limitarse al síntoma principal.

La firma añadió que SWE-1.7 suele resolver ambigüedades semánticas mediante experimentación y sondeo. Un ejemplo citado es la escritura de pequeños scripts en Python para validar hipótesis, en lugar de adivinar.

Cognition cree que estos comportamientos derivan de su trabajo para limpiar falsos positivos y falsos negativos en los datos. Bajo ese enfoque, el modelo queda incentivado a construir soluciones más completas y de extremo a extremo.

También reconoció una contrapartida. A medida que el razonamiento aumenta, suele expandirse el conjunto de archivos tocados, y SWE-1.7 muestra esa tendencia al agregar pruebas adicionales o modificar más elementos de los que una lectura ingenua de la tarea exigiría.

La empresa lo presenta como un eje aún por mejorar. Sin embargo, considera que esa diligencia adicional contribuye de forma directa al mejor rendimiento observado en varios benchmarks.

Más allá del caso puntual de Cognition, el anuncio refleja una tendencia más amplia en la industria de IA. La competencia ya no gira solo en torno al modelo base, sino a qué tan lejos puede llevarse el rendimiento mediante post-entrenamiento, infraestructura distribuida y mejores datos.

Si la tesis de SWE-1.7 se confirma en uso real, el impacto podría sentirse en el mercado de herramientas para desarrollo de software, agentes empresariales y cómputo de IA. Un modelo capaz de acercarse a la frontera técnica con menor costo altera tanto la economía del despliegue como la presión competitiva sobre los actores dominantes.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín