Cognition SWE-2はなぜ中国製Kimi K3を選んだのか。

Devinを作っているCognitionの新モデルSWE-2が、Fable 5.1に1ポイント差まで迫って、コストは64%安い。

ニュースで流れてきたのはここまででしたが、公式ブログの最初の段落で手が止まりました。

この米国発のコーディングエージェント、土台は中国のMoonshot AIが公開したオープンウェイトモデルなんです。

Devinの新モデルSWE-2、その中身はMoonshot AIのKimi K3でした

SWE-2の発表は2026年9月10日。

Devin DesktopとCLIで即日使えるようになり、Devin WebやFusionにも順次展開されます。

Introducing SWE-2: Pushing the Pareto Frontier

Today we’re introducing SWE-2, our most advanced coding model yet. SWE-2 delivers highly competitive agentic coding performance across multiple effort…

cognition.com

看板の数字はFrontierCode 1.1 Mainで50.0%。

Cognition自前のベンチマークで、AIが書いたプルリクエストを人間のメンテナーが実際にマージするかを測ります。

Fable 5.1は50.9%なので、確かに1ポイント差。

で、そのSWE-2が何から作られているかというと、Kimi K3です。

総パラメータ2.8兆、トークンごとに動くのは1,040億、コンテキストは100万トークン。

北京拠点のMoonshot AIが2026年7月27日に重みを公開した、現時点で最大級のオープンウェイトモデルです。

米国のAIスタートアップが出した商用コーディングエージェントの中身が、中国製の公開モデル。

ここ、もう少し掘る価値があります。

なぜゼロから作らず、Kimi K3の上に積んだのか

Cognitionが挙げている理由はシンプルで、Kimi K3が「すでにエージェンティックコーディング向けの強化学習を大量に受けている」から。

これ、経営判断として筋が通ってるんですよね。

基盤モデルをゼロから学習するのは資金も時間も別次元で、200人規模の会社がやることじゃない。

すでにエージェント用途で鍛え上げられた重みを取ってきて、Devinの長時間タスクという自分たちの土俵に向けて追加の強化学習を回すほうが、投資対効果は桁違いに良い。

しかも今回が初めてじゃないんです。

前世代のSWE-1.7も、同じMoonshotのKimi K2.7の上に作られていました。

場当たり的な選択ではなく、「強いオープンウェイトを土台にして自社の強化学習で差をつける」というレシピがすでに確立している。

今回はそこにもう1段乗せて、マルチトリリオン規模のパラメータへの強化学習は初めてだと書いています。

そしてもう1点。

エージェンティックコーディングでここまで鍛え上げた重みを丸ごと公開している組織が、他にほとんどない。

「中国製を選んだ」というより、条件を満たす重みがそこにしかなかった、という順番に見えます。

Cognitionは同じ土台から、SWE-2でどれだけ引き出したのか

どのニュースも「Fable 5.1と1ポイント差」を見出しにしていますが、私が見たいのはそこじゃないんです。

同じ重みからスタートして、追加の強化学習だけでどれだけ伸ばせたのか。

どの行も4〜6ポイント上乗せされています。

「事後学習にはもう伸びしろがない」とよく言われますが、すでに強化学習をたっぷり受けた2.8兆パラメータの重みに、さらに5ポイント前後を積み上げている。

前世代との比較も露骨で、SWE-2のmediumはSWE-1.7よりスコアが高いのに、ターン数は58%少なくコストは平均81%安い。

最初の実質的なコード編集に入るまでの手数も、中央値48ステップから18ステップへ短縮されています。

ただ、正直に書いておくと負けている行もあります。

Terminal-Bench 4はSWE-2が27.3%で、Fable 5.1の55.8%、GPT-6 Astraの57.9%の半分以下。

公開テーブルには載っているのに、発表の見出しには一切出てきません。

「フロンティア級」が成立するのは4本中3本まで、というのが実態です。

中国製モデルがベースだと、何が問題になるのか

基盤が中国製というのは、業務で使うかどうかの判断材料として無視できません。

面白いのは、この論点をCognition自身が測って公開していることです。

SWE-1.7のときに専用のブログを1本出していて、具体的な数字が並んでいます。

Measuring the Trustworthiness of Open-Source-Derived Models

We built an evaluation suite to assess model trustworthiness. Our results indicate that models developed from open-source models can be trusted, provided…

cognition.com

たとえば、無許可の監視システムを作らせる依頼。

ベースのKimi K2.7は素直に応じて、対象者の身元・カメラの位置・タイムスタンプまで付けてきたそうです。

同じ依頼をSWE-1.7に投げると毎回断った。

Claude Opus 4.8やGPT-5.5と同じ挙動です。

元は同じ重みなのに、事後学習で振る舞いがひっくり返っている。

政治的にセンシティブな145問を英語・簡体字・繁体字で投げるテストでも、能動的にプロパガンダを出す率はKimi K2.6の29.2%に対しSWE-1.7が6.5%。

ペルソナを変えて相手によって対応が変わるかを見るテストでも、有意な差は出ていません。

SWE-2でも同じ枠組みを回していて、政治的にセンシティブな話題の通過率は全体で98.0%（簡体字だけ95.2%と少し落ちます）。

Cognitionの結論は「オープンソースのモデルが本質的に危険なわけではない。狙いを定めた事後学習をすれば、主要なクローズドモデルと同等以上に安全にできる」でした。

もちろん鵜呑みにする必要はないです。

自社ベンチマークで自社モデルを評価している構図ではありますから。

ただ、「中国製だから危ない」で思考を止めるより、何をどう測ったのかが公開されているほうが、判断材料としてはずっとマシですよね。

オープンウェイトはサービスではなく、重みファイルです

「中国製モデルを使う」と聞くと、書いたコードが北京のサーバーに送られる絵を思い浮かべる人がいます。

今回の構図はそれとは違います。

オープンウェイトというのは、モデルの重みファイルが配布されているという意味です。

CognitionはKimi K3のAPIを叩いているのではなく、公開された重みを取ってきて自分たちで追加学習し、Devinの側で提供している（出来上がったSWE-2の重みは公開されていません）。

プロンプトがMoonshotに渡る経路は、この構成には存在しないわけです。

つまり「モデルの出自」と「データの行き先」は、別のレイヤーの話なんですよね。

前者は学習データと価値観の話、後者はインフラと契約の話。

ここを混ぜて考えると判断を誤ります。

ただし出自の側で読んでおくべきものはあります。

ライセンスです。

Kimi K3はMITではなく独自のKimi K3ライセンスで、Hugging Face上の表記も「other」。

自社内で使うぶんにはMIT同然ですが、ホスティングして推論を売る側に回ると、年商2,000万ドル（約30億円）を超えた時点でMoonshotとの個別契約が要ります。

自社プロダクトへの組み込みも、月間1億アクティブユーザーか月商2,000万ドル（約30億円）超でブランド表示義務。

オープンウェイトを土台にするなら、ベンチマークより先にここです。

コーディングエージェントを選ぶとき、ベンチマーク以外にどこを見るか

SWE-2の件を追いかけて、エージェント製品を業務に入れる判断で私が見るようになったのは次の3点です。

1. ベースモデルが何か。製品名の裏に別のモデルがいるのは珍しくありません。SWE-2のように明示している例もあれば、書いていない製品もある。書いていないこと自体が判断材料です。
2. 重みを持っているのか、APIを叩いているのか。前者ならデータの行き先はそのベンダー側で完結します。後者なら、元のモデル提供者との間にもう1本の経路が生まれる。
3. 事後学習で何を測ったかを公開しているか。ベンチマークのスコアだけでなく、安全性や偏りをどう検証したかを出しているか。数字の良さより、測っていること自体が信用の材料になります。

SWE-2の本当の面白さは、性能より「強いオープンウェイトを土台にして、自社のプロダクトで包んで売る」という構図が、フロンティアに1ポイント差まで来たことだと思っています。

自前の基盤モデルを持たない会社でも、この戦い方で上位に食い込める。

同じ構図の製品は、これから確実に増えます。