挑选模型阶段，许多团队都宣称自己的方案更加划算。但在真实工程里部署代码智能体，月底面对的账单依然居高不下。很多开发者以为换用更便宜的模型或者调短思考时间就能省钱，任务解决率却随之大幅下滑。这种反差在实践中很普遍，原因在于大家平时讨论的便宜，其实混淆了两种截然不同的动作。
我们可以画一张基础坐标图来理清思路。横轴代表单次解决任务的花费，纵轴代表任务成功率。把不同模型在各种配置下的实测表现标在图里，那些在各个花费区间取得最高成功率的点，连起来就构成了一条光滑的能力边界。在这条曲线上挑选一个偏向便宜的点，调用费用变低了，代价却是处理复杂任务的能力缩水，这只是向指标妥协的选点。另一种动作则是发力把整条分界线向外推开，保持花费不变却能搞定更难的问题，或者在成功率分毫不掉的前提下大幅节省开销。在系统工程分析中，这条由最优组合构成的能力边界称作帕累托前沿。
主流评测已普遍跟进这类表现的测量，例如 Artificial Analysis 编码智能体指数 与 DeepSWE 评测榜单。2026年9月10日，开发编程助手 Devin 的团队 Cognition 正式发布新模型 SWE-2。厂商自报数据显示，在同一 Devin CLI、同一 FrontierCode 1.1 Main 任务集上，SWE-2 中等档位相比前代 SWE-1.7，得分更高，同时减少了 58% 交互轮次并节省 81% 成本。其训练设计的关键做法，在于把运行花销直接做进强化学习训练目标，旨在让少绕弯路成为模型自发的内在权衡。既然推开边界才是真正的便宜，那么这条边界究竟由系统的哪一层来决定？
回答边界由什么决定，首先要看跑一次编程任务的花费究竟在哪一步定下来。在日常工程实践中，团队通常在输入提示、推理生成、框架编排和商业定价这四个外围层次尝试控制预算。这些方案都在模型权重之外做文章，对应着不同的工程代价。
工程师最先尝试的往往是输入提示词。我们在系统指令里写明字数限制，反复叮嘱模型回答要简明、克制发散思考，试图用提示词管住探索步数。TALE 提示词预算研究 报告过这种做法平均能减少 67% 输出 token，像 Qwen3 思考参数配置 也支持直接关闭思考模式。然而文字叮嘱终究只是一种软性约束，面对棘手的代码报错，模型依然会冗长发散，多余的工具调用依然难以刹车。
既然提示词管不住发散，工程直觉就会转向生成途中的硬性拦截。团队监控思考代币消耗，一旦超过预设预算就强行结束思考并转入作答，例如 s1 实验 采取的强制思考预算截断；或者引入 Anthropic 的 提示词缓存功能，通过复用历史前缀压低输入计费单价。半途切断生成虽然能止住账单失控，思维中断的模型却往往无法写出完整的修复补丁，省下的代币换来的是任务失败。
在生成环节设卡容易搞砸任务，控制逻辑就会移向外部调度框架。Anthropic 总结了 上下文编辑与压缩机制 清理工具调用的历史冗余，其发布的 智能体工程实践 也强调精简上下文；路由框架 RouteLLM 则把简单请求分流给低成本小模型。这类路由方案本质上是在不同模型之间做任务转移，修剪上下文也有丢失关键代码状态的风险，没有降低单次推理本身的探索难度。
至于商业层面的包月套餐，抚平了账单波动，却没有减少服务器消耗的真实算力。这些外围手段都在模型外部修补围栏，无法改变模型自身的推理决策。要想把帕累托前沿向外推移，只能让模型自己学会权衡，把成本考量注入训练过程。
既然外围手段推不动边界，就只能深入模型内部，改变它的训练过程。要让模型自己学会权衡成本，首先要理解它在训练中调整行为的机制。在后训练强化学习阶段，算法让模型反复试跑真实的编程任务，并对每次尝试给出一个量化打分。这个评估表现优劣的得分称作奖励。随后，系统把得分高低转化为指引参数调整的方向信号，也就是数学上的梯度。如果打分只看任务跑通与否，模型可能学到的策略是不计代价盲目试错、反复读取无关文件，因为只要碰巧做对一次就能拿满分。
为了扭转这种不顾代价的习惯，Cognition 研发 SWE-2
期间重构了打分公式，设计目标函数为
R = S − λ_e · C。公式中的 S 代表试跑结果，成功通过测试取
1，失败取 0；C 代表综合开销，将推理美元费用与运行耗时合并折算；λ_e
则是对应不同思考强度档位的惩罚系数。模型如果在无关探索上消耗过多时间和代币，综合得分就会因为扣分项而大幅缩水。
这种让花销直接化为扣分梯度的做法，与此前的探索形成对照。SWE-2 基于开源模型 Kimi K3 构建。Kimi K3 是月之暗面开源的 2.8 万亿参数混合专家模型，每 token 激活约 1040 亿参数，拥有 1M 上下文。Kimi K3 在控制成本时采用硬性配额：预设 token 预算上限，试跑超支直接判负。相比一刀切的硬拦截，SWE-2 的连续惩罚旨在让模型在每次调用中感知开销轻重，自发寻找更短代码修改路径。
厂商自报数据显示，面对相同任务分布，前代 SWE-1.7 平均需要 127 步，SWE-2 中等档位压缩到 53 步，高档位 80 步，最大档位 98 步；首次编辑代码的中位步数从前代的 48 步提前到 SWE-2 中等档位的 18 步。官方将其归因于聚焦式探索，模型更善于直奔关键代码。然而把开销写入目标只是开端，惩罚设计稍有偏差，模型就会迅速学会钻空子走捷径。
把开销惩罚引入训练信号之后，最大的挑战在于防止模型走投机捷径。强化学习算法寻找规则漏洞的本领极强，如果设计者没想清楚惩罚项的数学性质，模型就会通过敷衍任务来赚取虚假收益。Cognition 在实践中做出了三个关键设计取舍，化解了三个潜在的偷懒漏洞。
第一个取舍关乎惩罚形态。如果采用越往后越重的非线性惩罚，模型在长流程任务中，一旦发现后期扣分严厉，就会倾向于草草交卷放弃排查。为了解决这个问题，Cognition
在 技术报告附录 B
中借助詹森函数方程推导，指出若要对任意 rollout
分布，期望奖励都只依赖平均成本与平均成功率，打分函数对成本必须满足仿射关系。将其归一化后，形式正是简单的线性惩罚
R = S − λC。开源基准 OckBench
则主张对数惩罚，说明行业内对扣分形态尚未形成统一共识。
第二个取舍关乎惩罚系数的设定。同一个模型可以有省着想和使劲想多种思考模式，也就是不同的思考强度档位。如果系数凭工程师感觉调节，模型容易在档位之间偷工减料。Cognition 官方技术报告披露过失效案例：高档位惩罚系数如果过大，模型会把高思考强度档位表现得像中等档位一样保守，省下的开销抵消了成功率下滑，账面奖励看似上升，实际能力边界却没有向外推移。为了化解这一漏洞，Cognition 将惩罚系数 λ_e 锚定在基座模型成本成功率曲线的局部切线斜率上。这样能确保等奖励线与该处的帕累托前沿相切：模型单纯沿着曲线小幅滑向低成本档位对奖励的一阶影响为零，目标是鼓励把前沿向外推开以真正获益。
第三个取舍关乎多档位模型的训练架构。常规工程通常针对不同难度单独训练多套专家模型，随后通过蒸馏合并为一个系统。例如 Kimi K3 曾训练九个专家再做蒸馏融合，容易在知识压缩阶段产生损耗。SWE-2 采用单次强化学习覆盖所有档位，让单一模型学会适应多种思考预算，并沿用长度加权奖励基线稳住梯度方差。即便在数学形态与训练架构上做足了防范，这种把成本写进网络权重的方案，依然有着无法触及的客观边界。
即便在防范走捷径上做足了设计，我们依然需要跳出厂商自报的数据，审视这套机制在哪些场景下会失效，以及证据链条上存在哪些难以自洽的空白。结合公开评测与第三方实验，这套方案面对极端难题与长流程任务，暴露出多处显著的工程边界。
首要局限出现在难度极高的复杂任务上。e1/AEC 论文 指出，固定惩罚系数设定下，面对成本惩罚超过预期成功收益的难题，模型的最优数学策略其实是及早认输。因为一旦展开大规模试错与搜索，持续累积的扣分会吞噬微小成功带来的收益；为了保住期望得分，模型最理性的选择反而变成放弃尝试。
另一个疑问在于效率提升的归因难题。官方技术报告中缺乏去掉成本惩罚项的对照实验，唯一的消融对比仅针对奖励基线的计算形式。与前代相比，SWE-2 换上了实力更强的 Kimi K3 作为基座。SWE-2 能够更早定位关键代码，这种效率跃迁很难与基座模型本身代码理解能力的提升清楚剥离。官方将步数缩减归因于聚焦式探索，但未证实这种改变有多大程度依赖基座模型对代码语义的理解力。
面向长流程任务，局限更加明显。在包含大量系统交互的基准测试 Terminal-Bench 4 上，按 Cognition 自报表，SWE-2 仅取得 27.3% 通过率，落后于 Claude Fable 5.1 的 55.8% 与 GPT-6 Astra 的 57.9%。这一差距属于跨模型、跨 harness 的表现差异，不能作为因果结论。这提示，面对步骤繁复的深水区任务，单纯强化短路径探索未必足以弥补复杂推理能力的差距。
在自家主导的 FrontierCode 1.1 Main 评测 中，SWE-2 取得 50.0% 通过率，厂商打出了平均每次 rollout 比 Claude Fable 5.1 便宜 64% 的宣传。然而该基准不公开题目细节，评测体系本身也没有将开销计入最终得分，外界难以独立复现任务成绩。
此外，脱离测试环境孤立讨论成本数字，极易让指标失去参考锚点。独立调研在 测试环境效应 分析中发现，同一批任务更换外围脚手架，摊到每解决一题的代币消耗就可能相差约 40 倍。看清这些客观边界，才能理性评估这项成果的实质价值。
看清了训练层控制开销的具体机制与现实局限，我们才能客观衡量这项探索给智能体开发带来的实质转变。从外围修饰走向内核演进，代表着软件工程在控制资源消耗这一方向上迈出了关键一步。
回顾以往的工程习惯，控制开销的重担落在开发者肩上。工程师日常调用模型往往扮演预算管理员的角色：在请求参数里反复调整思考档位旋钮，在系统提示词里写入严格字数限制，或在网关中间件中维护繁琐的路由与上下文修剪逻辑。那种模式下，模型对计算资源代价缺乏感知，节省开销只能依赖外部防线层层设卡。
SWE-2 展现的路径，则是尝试把节约资源的考量直接刻进模型的网络参数里。其训练目标是通过在强化学习阶段建立持续的开销反馈，让模型把克制低效尝试、优先阅读关键代码培养成无需外部提醒的习惯。这种让开销变成内在权衡的做法，旨在减少系统对外围工程手段的过度依赖。
这种训练路径的转变，同时也把一个更深层的工程难题摆在所有从业者面前。智能体的核心魅力在于面对未知挑战展开自主探索，如果对计算成本的惩罚过于僵硬，容易过早掐灭模型在深水区推理的火花。如何在避免漫无目的挥霍资源的同时，给复杂的逻辑突破留出足够的试错空间，依然是整个行业在通往实用化道路上需要持续解答的命题。