SWE-2 Flash vào Devin, rẻ bằng 1/5, nhanh gấp 3 lần, nhưng weights vẫn khóa

Tuần này Cognition thả model mới vào Devin, rẻ và nhanh hơn, nên anh em đang trả tiền model lớn cho việc lặt vặt thì nghía qua. Đó là SWE-2 Flash, ra mắt 04/11/2026, có ngay trong Devin Desktop và Devin CLI, hãng nói rẻ bằng 1/5 và nhanh gấp 3 lần SWE-2.

Flash miễn phí tới 30/11/2026, nhưng gói nào được hưởng thì hãng chưa liệt kê chính thức, nên cứ kiểm tra trong model picker của tài khoản mình. Mình xem nó là model chia việc, chưa phải bản thay thế toàn diện.

Ra mắt: 04/11/2026, trong Devin Desktop và Devin CLI. Giá: bằng 1/5 SWE-2 theo hãng công bố, chưa có giá đô la chính thức. Tốc độ: gấp 3 lần SWE-2 theo minh họa phát lại của hãng. Miễn phí: tới 30/11/2026, gói nào được hưởng vẫn chưa rõ ở mức chính thức, kiểm tra trong model picker của tài khoản mình. Weights: chưa chia sẻ công khai.

Ra mắt 04/11, có ngay trong Devin Desktop và Devin CLI

Cognition đăng bài “Introducing SWE-2 Flash” sáng 04/11/2026 theo giờ PT, model có ngay trong Devin Desktop và Devin CLI cho việc thường ngày, chưa thay hẳn SWE-2 cho mọi việc.

Báo ngoài đăng tin cùng ngày, Devin đã mở model picker

Cùng ngày 04/11/2026, Unite.AI, AI Parabellum và RuntimeWire đăng tin, và anh em dùng Devin có thể mở model picker để xem Flash đã hiện hay chưa. Chưa thấy thông tin Flash lên Devin Web hay Fusion, còn SWE-2 đời trước, ra mắt 10/09/2026, thì báo ngoài trích lại là chỉ dùng trong Devin.

Hãng nhắm Flash vào việc thường ngày

Cái hay ở đây là hãng nhắm đúng 4 nhóm việc lặp lại hàng ngày: automations, code review, feature development và updating documentation, nên mình giữ nguyên 4 nhóm này làm khung chọn việc cho cả bài, vì đó toàn là việc lặp lại trong một repo đang chạy.

Sau mid-training và RL, điểm Terminal-Bench 4.0 của bản base nhảy từ 0,9% lên 20,0%

Lần đầu Cognition thêm mid-training quy mô lớn trước RL, chọn data mix bằng token efficiency plots trên tập coding held-out, chạy vài nghìn tỉ token qua 3 giai đoạn, dữ liệu hiếm và chất lượng cao nhất được đưa về cuối, rồi mới RL với task chất lượng cao và đa dạng hơn.

Bước nhảy so với base, số hãng tự đo, là Terminal-Bench 4.0 từ 0,9% lên 20,0%.

FrontierCode 2.0 thì từ 3,2% lên 24,0%. Hãng không tách được đóng góp từng giai đoạn, phần lớn cải thiện ở RL đến từ chất lượng và đa dạng task.

Rẻ bằng 1/5, nhanh gấp 3 lần theo cách đo của hãng

Hãng chốt rẻ bằng 1/5 và nhanh gấp 3 lần SWE-2, nhưng cách đo hai con số này mới quyết định anh em có tiết kiệm thật hay không.

Giá bằng 1/5 SWE-2, chưa có giá đô la

Đừng thấy rẻ bằng 1/5 là nghĩ cứ lấy giá SWE-2 chia 5 ra là xong, vì hãng mới công bố đúng một câu đó về giá Flash, còn giá đô la thì hãng chưa công bố.

Nguyên văn hãng là “at one-fifth the price and 3x the speed of its much larger sibling, SWE-2”. Giá list của SWE-2 thì báo ngoài trích lại là 3 USD/1M token đầu vào, 15 USD/1M đầu ra, 0,30 USD/1M cache đầu vào, mà đó chỉ là bối cảnh của model lớn thôi.

Tốc độ 200 so với 60 token mỗi giây

Hãng minh họa 200 token/giây cho Flash so với 60 token/giây cho SWE-2, trên task gsea-proteomics của Terminal-Bench 4.0, phát lại ở tốc độ mô phỏng, transcript rút gọn, tức là cách hãng trình bày tốc độ sinh token, chưa phải đo thời gian hoàn thành task thật. Threads cũng ghi minh họa tương tự, task 800 token thì Flash hết 4,0 giây còn SWE-2 hết 13,3 giây trong video chia đôi màn hình, nhưng nói cho cùng vẫn là minh họa của hãng, chưa có test độc lập nào xác nhận.

Task thật chưa chắc nhanh gấp 3 lần

Thời gian một task thật còn phụ thuộc số token sinh ra, số lần thử lại, thời gian chạy tool và thời gian con người review, nên tốc độ sinh token chỉ là một mảnh của tổng thời gian. Anh em cứ chạy cùng một task trên repo của mình bằng Flash và SWE-2, rồi ghi thời gian hoàn thành và số lần sửa tay, thay vì tin con số token mỗi giây.

Thắng FrontierCode 2.0 sát nút 0,2 điểm, thua rõ Terminal-Bench 4.0 và DeepSWE 1.1

Lọc đi lọc lại thì bảng hãng công bố này chưa cho thấy Flash mạnh hơn toàn diện đâu, thắng sát nút một bảng mà thua rõ hai bảng khó, và cái lệch đó mới là căn cứ để chia việc ở phần sau.

Bảng số chính hãng tự đo, chưa ai kiểm lại

Toàn bộ số dưới đây hãng tự đo thôi, chưa ai kiểm lại.

Terminal-Bench 4.0 thì Flash thua rõ 7,3 điểm, 20,0% so với 27,3% của SWE-2.

FrontierCode 2.0 thì Flash thắng sát nút 0,2 điểm, 24,0% so với 23,8% của SWE-2.

DeepSWE 1.1 thì Flash thua rõ 12,9 điểm, 60,1% so với 73,0% của SWE-2.

SWE-Bench Pro v2 Hard thì Flash gần như ngang SWE-2, 89,9% so với 90,6%.

Trong khi đó, base Inkling-Small thì chỉ được 0,9% ở Terminal-Bench 4.0, 3,2% ở FrontierCode 2.0 và 17,4% ở DeepSWE 1.1, nên cái nhảy vọt từ base lên Flash mới là chuyện đáng nói.

Số Terminal-Bench 2.1 cho Flash đang lan truyền thì mình bỏ khỏi bảng chính vì chưa kiểm chứng.

Một con số không đủ kết luận model mạnh hay yếu

Đừng thấy Flash thắng một bảng là nghĩ nó mạnh toàn diện, vì bảng duy nhất nó thắng, FrontierCode, lại do chính Cognition phát triển, nên điểm này cần đọc kèm lưu ý đó.

Terminal-Bench và SWE-bench đo khía cạnh khác nhau, điểm số còn phụ thuộc cả harness và agent xung quanh model, nên đừng đọc một con số duy nhất rồi kết luận model mạnh hay yếu.

Hãng cũng tuyên bố Flash vượt mọi model open-weight của Mỹ mà hãng báo cáo, kể cả model lớn gấp 3 lần, mà vẫn chưa ai kiểm lại.

Tranh cãi tháng 09 về 92,8% Terminal-Bench 2.1 của SWE-2

Hacker News từng tranh cãi SWE-2 đạt 92,8% ở Terminal-Bench 2.1, người thì cho là tối ưu cho benchmark cũ, người thì phản biện rằng bản cũ đã bão hòa, theo CodeAgentSwarm.

Con số đối chiếu là 27,3% ở Terminal-Bench 4, và đây là tranh luận về SWE-2 tháng 09/2026, chưa phải phản ứng với Flash.

Base model mở thật mà Flash thì khóa weights

Chỗ dễ hiểu lầm nhất nằm ở chữ mở, base model tải weights được thật, còn Flash thì hãng nói rõ là chưa chia sẻ weights công khai, và lý do khóa nằm ở năng lực an ninh mạng hãng vừa huấn luyện thêm.

Inkling-Small mở thật

Thinking Machines Lab phát hành Inkling-Small ngày 30/07/2026, giấy phép Apache 2.0, weights tải qua Hugging Face, kiến trúc MoE 276B tổng và 12B active, context tới 1M token, theo model card.

Tải weights về được không có nghĩa là chạy được ngay, bản BF16 cần ít nhất 600 GB VRAM gộp, bản NVFP4 cần ít nhất 180 GB VRAM gộp.

Số của Thinking Machines cho base model khác số Flash, ví dụ SWE-bench Verified 80,2%.

Terminal-Bench 2.1 best harness thì base được 64,7%.

Huấn luyện an ninh mạng xong, hãng giữ weights lại

Nguyên văn hãng là “we are not sharing the weights publicly yet”, và theo những gì đọc được tới nay, người dùng thường hôm nay chỉ dùng trong Devin Desktop và CLI, chưa thấy API riêng cho Flash.

Hãng đã huấn luyện có mục tiêu cho an ninh mạng và ExploitBench tăng từ 11,3% lên 34,8% theo số hãng tự đo, mà cùng năng lực đó kẻ xấu cũng dùng được, nên hãng giữ weights lại.

Cognition cũng công bố lỗ hổng PHP và Node.js, tiết lộ ngày 21/10/2026, trong bài an ninh ngày 26/10/2026.

Chương trình chia sẻ cho đối tác và lab

Hãng chọn giải pháp ở giữa, chương trình chia sẻ an toàn cho đối tác và lab đáng tin cậy, cho xem weights, fine-tune và chạy on-prem trong môi trường nhạy cảm, cơ mà tới ngày ra mắt thì đây mới là kế hoạch, hãng hẹn vài tuần nữa mới có thêm thông tin. Tiêu chí xét duyệt, link đăng ký, thời gian mở đều chưa rõ, nên đừng chờ, vì người dùng thường chưa được gì ngoài việc dùng trong Devin.

Miễn phí tới 30/11, nhưng gói nào được hưởng thì chưa rõ

Nút kêu gọi trên blog chính thức ghi miễn phí tới 30/11, nhưng bản text chưa liệt kê gói nào, và cùng mốc 30/11 này trước đó đã tồn tại cho SWE-2 với điều kiện riêng, nên gộp hai ưu đãi thành một là cái bẫy dễ sập nhất.

Ưu đãi tạm thời, sau 30/11 giá Flash chưa công bố

Blog chính thức ghi miễn phí tới 30/11/2026 theo nút “Free through 11/30”, sau mốc này giá Flash chưa công bố, nên đây chỉ là ưu đãi tạm thời. Ưu đãi SWE-2 đời trước, theo báo ngoài ghi lại, là miễn phí gói self-serve trong Devin Desktop và CLI tới 30/11/2026, không áp dụng cloud sessions, và chỉ áp dụng cho SWE-2, nên đừng bê sang Flash, và cũng chưa thấy nguồn chính thức nào nói gói Free cũng được miễn phí Flash.

Danh sách gói miễn phí Flash vẫn chưa rõ

Còn điều kiện miễn phí Flash thì mỗi nguồn ngoài nói một kiểu, AICoder và Threads @appcast nói Pro, Max và Teams, RuntimeWire và @keka_dev nói người dùng trả phí, nhưng tất cả đều chưa phải tài liệu chính thức của Devin cho Flash, nên vẫn chưa rõ. Giá Devin thì báo ngoài ghi lại: Pro khoảng 20 USD/tháng, Max khoảng 200 USD/tháng, giá Teams chưa thống nhất nên không ghi, kiểm tra chắc chắn nhất là mở model picker và đọc nhãn giá hiện tại.

Sau 30/11, xem giá ở pricing chính thức và model picker

Sau 30/11, xem giá ở trang pricing chính thức và nhãn giá trong model picker, vì giá đô la của Flash sau 30/11 vẫn chưa công bố. Kinh nghiệm ngày ra mắt từ Threads @j.awadjalal, Flash xuất hiện trong danh sách model nhưng mọi tên model đã thử đều bị từ chối, có thể vì đang rollout, nên kiểm tra lại sau.

Việc lặp lại hàng ngày thì giao cho Flash, việc khó thì giữ SWE-2

Từ bảng benchmark và 4 nhóm việc, việc lặp lại hàng ngày cứ để model rẻ và nhanh lo, còn việc khó nhiều bước thì giữ lại cho model lớn, và ví von bác sĩ đa khoa với chuyên gia cấp cứu chỉ đúng khi việc đó thật sự là việc thường ngày.

Bốn nhóm việc nên thử Flash trước

Dùng đúng 4 nhóm hãng nhắm tới, automations, code review, feature development và updating documentation, ví dụ automation chạy định kỳ, review pull request nhỏ, feature gọn trong module quen, cập nhật tài liệu sau khi code đổi. Threads @opcodey ví việc thường ngày cần bác sĩ đa khoa chứ chưa cần chuyên gia cấp cứu, nhưng ví von này chưa xóa được việc Flash thua ở hai bảng khó, nên cứ dùng Flash cho việc thường ngày, giữ model lớn cho việc khó.

Việc suy luận dài nhiều bước giữ lại cho SWE-2

Việc suy luận dài và nhiều bước thì giữ SWE-2, vì hai bảng khó dưới đây đều cho thấy khoảng cách rõ rệt.

Căn cứ Terminal-Bench 4.0, số hãng tự đo, Flash được 20,0% so với 27,3% của SWE-2.

DeepSWE 1.1 thì Flash được 60,1% so với 73,0% của SWE-2.

Việc khó nhưng thuộc nhóm SWE-Bench Pro v2 Hard thì Flash gần như ngang SWE-2, 89,9% so với 90,6%, nên đây là vùng có thể thử Flash trước rồi mới quyết định giữ hay đổi.

Ngoài một báo cáo lỗi rollout, trải nghiệm dùng thật có đo đạc vẫn chưa thấy thêm.

Chưa rõ nhóm nào thì chạy thử cả hai rồi so

Việc lặp lại hàng ngày và ngân sách là ưu tiên thì thử Flash trong cửa sổ miễn phí, việc khó nhiều bước và sai sót tốn kém thì giữ SWE-2, chưa rõ thuộc nhóm nào thì chạy thử cùng một task bằng cả hai model rồi so thời gian và số lần sửa tay.

Chưa có test độc lập, tự đo trên repo của mình mới tin được

Tin mới chưa đầy một ngày nên chưa có test độc lập nào ra hồn, nhưng vài báo cáo lỗi ngày đầu và vài reel tóm tắt sai tên base model đã đủ để anh em biết nên tin tới đâu trước khi đổi hẳn sang Flash.

Benchmark hãng tự đo, tốc độ minh họa, lỗi ngày đầu

Chuyện benchmark thì mọi số đều là của hãng tự đo, chưa ai kiểm lại, và AI Parabellum cũng khuyên coi đó là tuyên bố của hãng thôi, chứ chưa vội tin như kết quả độc lập.

Còn tốc độ 200 token mỗi giây thì cũng chỉ là minh họa phát lại với transcript rút gọn, rồi Superpower Daily còn nhấn thêm ba điểm dễ hiểu sai, là Flash chỉ là cheaper sibling, tốc độ minh họa chưa phải thời gian xong task, và weights của base thì khác weights của Flash.

Mà ngày đầu còn lỗi nữa, Threads @j.awadjalal thấy Flash hiện trong danh sách mà chưa chọn được, nên cứ kiểm tra lại sau rồi hãy tính chuyện đổi hẳn.

Instagram đã có bài ghi sai model gốc là Qwen-small, Threads mới chỉ đăng lại bảng điểm của hãng

Instagram @spacebyte.official nói base là Qwen-small, sai so với nguồn chính thức, vì base là Inkling-Small của Thinking Machines, còn Instagram @itisjiwan nói đúng tỉ lệ 1/5 nhưng khung 80% việc với 80% tiết kiệm chỉ là suy diễn của creator, chưa phải số hãng công bố.

Threads @appcast và @msdkim0424 chỉ repost bảng của hãng, chưa phải test độc lập. Khoảng trống: vẫn chưa thấy thread HN/Reddit riêng cho Flash, cũng chưa đọc trực tiếp bài X gốc ngoài ảnh chụp lại, nên mình không bịa bình luận nào cho Flash.

Cách tự test trên repo của mình

Cách mình hay tự test là bắt đầu từ hai task thật trên repo của mình, một task thường ngày và một task khó nhiều bước, rồi chạy cả hai task đó bằng Flash và bằng SWE-2 để xem khác nhau ở đâu.

Trong lúc chạy thì ghi lại thời gian hoàn thành, số lần phải sửa tay và hóa đơn nếu có, xong xuôi rồi mới quyết định chia việc cố định cho từng loại task, chứ đừng chốt chỉ vì đọc bảng benchmark.

Cửa sổ miễn phí tới 30/11 là lúc thử rẻ nhất, nhưng vẫn kiểm tra nhãn giá trước mỗi lần chạy, vì gói nào được hưởng vẫn chưa rõ, và kết quả tự đo mới quyết định sau 30/11 có đáng trả tiền hay không.

Thử Flash cho việc thường ngày, giữ SWE-2 cho việc khó

Gom lại, Flash chưa phải model thay thế SWE-2, mà là lựa chọn chia việc rẻ và nhanh cho việc lặp lại hàng ngày, đáng thử ngay trong cửa sổ miễn phí tới 30/11, cứ kiểm tra nhãn giá và tự đo trên repo của mình.

Thử Flash cho việc thường ngày, giữ SWE-2 cho việc khó nhiều bước, đừng chờ weights công khai, và sau 30/11 thì xem giá ở trang pricing chính thức và model picker thay vì tin con số suy ra nhé. Mình mời anh em chia sẻ trải nghiệm thật khi chạy Flash, gồm thời gian hoàn thành task và số lần sửa tay, vì thứ đó vẫn chưa thấy trong đợt tin này.

Nguồn tham khảo

• Cognition: https://cognition.com/blog/swe-2-flash
• Unite.AI: https://www.unite.ai/cognition-launches-swe-2-flash-for-faster-lower-cost-coding-agents/
• Superpower Daily: https://superpowerdaily.com/posts/cognition-adds-a-lower-priced-coding-model-to-devin-keeping-its-weights-private
• AI Parabellum: https://aiparabellum.com/cognition-swe-2-flash-coding-model-devin/
• RuntimeWire: https://runtimewire.com/article/cognition-swe-2-flash-devin-launch
• Thinking Machines Lab: https://thinkingmachines.ai/model-card/inkling-small/
• CodeAgentSwarm: https://www.codeagentswarm.com/en/guides/swe-2-benchmarks
• EngineerFoodie Desktop: https://engineerfoodie.in/blog/devin-desktop-formerly-windsurf/
• EngineerFoodie Pricing: https://engineerfoodie.in/blog/devin-pricing/
• Threads @j.awadjalal: https://www.threads.com/@j.awadjalal/post/DfVSFuyD3a5
• Threads @appcast: https://www.threads.com/@appcast/post/DfVlb85gcba
• Threads @opcodey: https://www.threads.com/@opcodey/post/DfWBG3mlH1j
• Instagram @keka_dev: https://www.instagram.com/p/DfWDtIWjrJx/
• Instagram @itisjiwan: https://www.instagram.com/reel/DfV1iI4lcHI/
• Instagram @spacebyte.official: https://www.instagram.com/reel/DfWJ4y6Dqz_/