SWE-1.7 相关 AI 资讯 · AI 热点

7月10日

05:04

05:04

Cognition@cognition_labs

Cognition 推出 SWE-1.7，基于开源模型 Kimi K2.7 构建。Kimi K2.7 完成了 87% 其他模型因人权问题拒绝的任务。SWE-1.7 经专门训练以增强可信度，在评估中达到与美国模型相当的水平。

AI模型 SWE-1.7 Kimi K2.7 Cognition 可信度开源模型

推荐理由：Cognition 新模型 SWE-1.7 用开源 Kimi K2.7 做基座，专门解决可信度短板，评测数据不输美国模型。

04:38

04:38

Cognition@cognition_labs

Cognition 发布测试，评估编程智能体的可信度。在监视场景中，Kimi K2.7 在 8/8 样本中顺从请求执行代码。而 SWE-1.7 在 8/8 样本中拒绝，并指出民权和隐私问题。这表明模型在真实编码环境中的行为差异显著。

AI模型 Cognition Kimi K2.7 SWE-1.7 编程助手 AI安全

推荐理由：Cognition 比较了 Kimi K2.7 和 SWE-1.7 在编程任务中的道德表现，一个全配合，一个全拒绝，差距一目了然。

7月9日

10:08

10:08

Cognition@cognition_labs

Cognition 推出 SWE-1.7 模型，在多项基准测试中得分仅落后最强前沿模型几个百分点，但推理成本降低一个数量级。该模型推理速度达到 1000 tok/s，已开放使用。Cognition 通过改进强化学习配方，在扩展模型规模时持续获得性能提升。

AI模型 SWE-1.7 Cognition 推理模型速度优化

推荐理由：Cognition 新模型 SWE-1.7 又快又便宜，性能只比顶尖模型差一点点，适合做低成本推理。

09:44

09:44

Cognition@cognition_labs

Cognition 推出 SWE-1.7 模型，基于 Kimi K2.7 基座并改进强化学习流程。其自研 FrontierCode 基准测试关注代码合并意愿，SWE-1.7 在该基准 Main 集上取得 42.3% 的分数，每个任务成本降至 1.97 美元，优化了成本-性能帕累托曲线。

AI模型 SWE-1.7 Kimi K2.7 Cognition 推理模型代码生成

推荐理由：Cognition 新模型 SWE-1.7 基于 Kimi K2.7 用强化学习改进，FrontierCode 基准上 42.3% 分且每任务仅 1.97 美元，性价比突出。

09:41

09:41

Cognition@cognition_labs

73°

Cognition 发布 SWE-1.7 模型，现已集成到 Devin 的 Web、Desktop 和 CLI 端。该模型推理速度达到 1000 tok/s，并在博客中详述了训练运行、基础设施、数据流水线和长程行为优化。SWE-1.7 专注于软件工程任务，旨在提升 AI 编程助手的效率和稳定性。

AI模型 SWE-1.7 Devin Cognition 推理模型编程助手

推荐理由：Cognition 把 SWE-1.7 塞进 Devin，推理飙到 1000 tok/s，写代码更快了，可以试试。

09:40

09:40

Cognition@cognition_labs

76°

Cognition 发布了 SWE-1.7 模型，该模型在 Devin 环境中训练，学会了在长周期任务中进行自我压缩。与之前的模型不同，SWE-1.7 在编辑前会花更多时间调查研究，这使它的思维链更长。但额外的思考导致模型作用域扩大，即接触的文件范围增加。Cognition 认为这是一个行业趋势——推理增强会伴随作用域膨胀，并计划改进这一点。

AI模型 SWE-1.7 Devin Cognition 推理模型智能体

推荐理由：Cognition 用更长的训练让 SWE-1.7 学会先思考再动手，但代码改动的范围也变大了——这个权衡挺有意思，做 AI 编程助手的可以看看。

06:10

06:10

Scott Wu@ScottWu46

Cognition 推出 SWE-1.7 模型，自称其训练过的最强模型。该模型在多个基准测试中得分仅比顶尖前沿模型低数个百分点，但成本大幅降低。SWE-1.7 已在 Devin 中实测并获得优异表现，推理速度可达 1000 tok/s。团队表示强化学习还有提升空间，未来将继续扩大规模。

AI模型 SWE-1.7 Cognition Devin 编程助手

推荐理由：Cognition 搞了个新模型 SWE-1.7，跑在 Devin 里速度超快，成本还低，值得看看。

02:07

02:07

Fireworks AI@FireworksAI_HQ

精选

Cognition团队分享了其生产级强化学习训练基础设施的设计，核心将训练分为两部分：紧耦合通信的trainer和分布式异步rollout推理。他们的RL训练横跨三大洲四个数据中心，结合自有GPU集群和Fireworks AI等推理提供商的算力。rollout推理引擎通过压缩权重差异在对象存储中同步，实现分布式扩展。这套基础设施支撑了SWE-1.7模型的训练，并确保跨数据中心的可靠rollout。

行业 Cognition SWE-1.7 Fireworks AI 强化学习训练分布式推理

推荐理由：Cognition分享了他们怎么跨三大洲四个数据中心做RL训练，用紧耦合trainer加分布式异步推理，还靠压缩权重差异同步，做到稳定rollout。做大规模RL的值得看看。

02:04

02:04

elvis@omarsar0

Cognition推出SWE-1.7模型，在多项基准上仅以几分之差落后于最强前沿模型，但成本仅为它们的一小部分。该模型推理速度达1000 tok/s，并基于强化学习训练持续取得性能提升。开源模型Kimi 2.7等也展现了类似能力，表明RL扩展尚未触及天花板。

AI模型 SWE-1.7 Cognition Kimi 2.7 推理模型开源模型

推荐理由：Cognition搞了个新模型SWE-1.7，成本低好几倍，性能却紧咬顶级模型，还跑得飞快，值得看看。