코그니션 SWE-2가 나왔습니다 — 키미 K3 위에서 페이블 5.1과 0.9점 차, 값은 64% 쌉니다
AI 뉴스 SVIL 코그니션 SWE-2 데빈 키미 K3 문샷AI

코그니션 SWE-2가 나왔습니다 — 키미 K3 위에서 페이블 5.1과 0.9점 차, 값은 64% 쌉니다

SVIL - Singularity Visual Intelligence Lab 15 min read

AI 코딩 도구를 만드는 회사들은 대부분 남의 모델을 빌려 씁니다. 앤스로픽이나 오픈AI에 돈을 내고 그 위에 제품을 올리는 구조예요.

그런데 데빈을 만든 코그니션이 자기 모델을 냈습니다. 그것도 미국 모델이 아니라 중국 문샷AI가 공개한 오픈모델 위에 올려서요. 성적은 페이블 5.1과 0.9점 차이인데 값은 64% 쌉니다.

밝은 청록 정육면체가 훨씬 큰 어두운 기반 위에 올라앉고 맞닿은 선이 빛나는 모습 — 오픈모델 위에 올린 구조를 표현한 개념 이미지

중국 오픈모델 위에 미국 회사가 올라탔습니다

코그니션이 2026년 9월 12일 새 코딩 모델 SWE-2를 공개했습니다.

눈여겨볼 대목은 베이스 모델입니다. 처음부터 훈련시킨 게 아니라 문샷AI의 키미 K3 위에 추가 훈련을 얹었어요.

미국 회사가 중국 오픈모델을 기반으로 상용 제품을 냈다는 뜻입니다. 이런 조합이 점점 늘고 있어요.

SWE-2가 무엇인가

SWE-2는 코드를 쓰는 일에 특화된 모델입니다. 이름의 SWE는 소프트웨어 엔지니어링을 줄인 말이에요.

코그니션의 자율 코딩 에이전트 데빈 안에서 돌아갑니다. 데빈은 일을 설명하면 스스로 계획을 세우고, 코드를 쓰고, 테스트를 돌리고, 고치는 것까지 하는 도구예요.

SWE-2는 그 데빈의 머리를 바꾼 셈입니다.

왼쪽에서 들어온 불규칙한 어두운 조각들이 중앙의 각진 청록 입체를 지나 오른쪽으로 가지런한 사면체 줄이 되어 나오는 모습 — 코드 작업을 처리하는 에이전트를 표현한 개념 이미지

베이스는 키미 K3 — 2.8조 파라미터 오픈모델입니다

키미 K3는 문샷AI가 2026년 7월에 공개한 모델입니다. 파라미터가 2조 8,000억 개로, 공개된 모델 중에서는 가장 큰 축에 듭니다.

가중치가 공개돼 있으니 누구나 가져다 고칠 수 있어요. 코그니션이 그렇게 했습니다.

바닥부터 훈련시키는 비용을 아끼고, 대신 코딩에 맞춰 다듬는 데 집중한 거예요.

프런티어코드 50.0점, 페이블 5.1은 50.9점

가장 주목받은 수치입니다. 프런티어코드 1.1 메인에서 SWE-2가 50.0점을 받았어요.

같은 시험에서 앤스로픽 페이블 5.1은 50.9점입니다. 0.9점 차이예요.

오픈AI의 GPT-5.6 솔은 47.5점이었습니다. SWE-2가 그 위에 있습니다.

거의 같은 높이의 가느다란 두 기둥이 나란히 서 있고 왼쪽만 밝게 빛나는 모습 — 0.9점 차이의 벤치마크 격차를 표현한 개념 이미지

0.9점 차이를 어떻게 읽어야 하나

0.9점은 작아 보이지만 벤치마크에서는 순위가 갈리는 폭입니다. 그렇다고 체감 성능이 크게 다르다고 보기도 어려워요.

중요한 건 이 점수를 「얼마에 냈느냐」입니다. 값이 같다면 0.9점 낮은 쪽을 고를 이유가 없죠.

코그니션이 강조한 것도 점수가 아니라 값입니다. 다음 항목에서 보겠습니다.

값은 64% 쌉니다 — 기준점은 태스크당 3.28달러

코그니션은 프런티어코드 비교 지점에서 SWE-2가 페이블 5.1보다 64% 싸다고 밝혔습니다.

기준이 된 건 페이블 5.1 미디엄으로, 프런티어코드 과제 하나당 3.28달러가 들었어요.

GPT-6 아스트라와 비교하면 약 4분의 1 값입니다. 성능을 조금 내주고 값을 크게 줄인 자리를 잡은 거예요.

크기가 크게 다른 두 정육면체가 검은 바닥에 떨어져 놓였는데 각각 아래 드리운 청록 빛 원의 크기는 똑같은 모습 — 같은 성능을 훨씬 적은 비용으로 내는 상황을 표현한 개념 이미지

딥SWE 73.0점과 터미널벤치 2.1의 92.8점

다른 시험 성적도 나쁘지 않습니다. 딥SWE 1.1에서 73.0점, 터미널벤치 2.1에서 92.8점을 기록했어요.

터미널벤치 2.1의 92.8점은 특히 높은 수치입니다. 명령줄에서 작업을 끝내는 능력을 재는 시험이에요.

여기까지만 보면 상당히 좋은 모델처럼 보입니다. 그런데 다음 항목이 문제입니다.

터미널벤치 4에서 27.3점 — 약점이 분명합니다

더 어려운 터미널벤치 4에서는 27.3점에 그쳤습니다.

같은 시험에서 페이블 5.1은 55.8점, GPT-6 아스트라는 57.9점이에요.

30점 가까운 격차입니다. 쉬운 시험에서는 붙지만 어려운 시험에서는 크게 벌어진다는 뜻이에요.

높은 청록 기둥들이 늘어선 가운데 한가운데 하나만 뚝 낮고 거의 빛나지 않는 모습 — 특정 시험에서 드러난 약점을 표현한 개념 이미지

30점 격차가 말해주는 것

이 격차는 SWE-2를 고를 때 가장 먼저 봐야 할 숫자입니다.

일상적인 수정, 정형화된 작업에서는 프런티어 모델과 비슷하게 일할 가능성이 높아요. 값도 훨씬 쌉니다.

하지만 여러 단계를 밟아야 하는 까다로운 문제에서는 확실히 밀립니다. 어려운 일을 자주 맡길 계획이라면 값이 싸다는 이유만으로 고르기 어려워요.

단일 RL 런으로 세 등급을 한꺼번에 훈련했습니다

훈련 방식에도 새로운 점이 있습니다. 코그니션은 강화학습을 한 번만 돌려서 세 가지 노력 등급을 동시에 만들었다고 밝혔어요.

보통은 등급마다 따로 훈련합니다. 빠른 버전, 보통 버전, 꼼꼼한 버전을 각각 만드는 식이죠.

한 번에 처리하면 훈련 비용이 크게 줄어듭니다. 이게 값을 낮춘 원인 중 하나로 보입니다.

하나의 청록 광원에서 세 갈래 빛줄기가 동시에 뻗어 크기가 다른 팔면체에 각각 닿는 모습 — 한 번의 훈련으로 세 등급을 만든 방식을 표현한 개념 이미지

파레토 비용 페널티라는 아이디어

그 훈련에 쓴 개념이 「파레토 정보를 반영한 비용 페널티」입니다.

쉽게 말하면 훈련 중에 답의 질뿐 아니라 그 답을 내는 데 든 비용까지 같이 점수에 반영한 거예요.

좋은 답을 내되 값이 많이 들면 감점을 받습니다. 그러니 모델이 「싸게 잘하는 법」을 배우게 됩니다. 값이 64% 내려간 배경에 이 설계가 있어요.

토큰당 가격을 밝히지 않았습니다

여기서 아쉬운 점이 나옵니다. 코그니션은 토큰당 가격을 공개하지 않았어요.

「64% 싸다」는 과제 단위 비교입니다. 특정 벤치마크를 푸는 데 든 총액을 비교한 값이에요.

다른 작업에서도 같은 비율로 싸다는 보장은 없습니다. 토큰 가격이 없으면 내 작업에 얼마가 들지 미리 계산할 수 없어요.

매끈한 큰 정육면체의 절반만 청록빛을 받고 나머지 절반은 완전한 어둠에 잠긴 모습 — 공개되지 않은 가격 정보를 표현한 개념 이미지

오픈웨이트도 없고 단독 API도 없습니다

베이스는 오픈모델인데 결과물은 공개하지 않았습니다. SWE-2의 가중치는 받을 수 없어요.

단독 API도 제공하지 않습니다. 다른 도구에 끼워 넣을 수 없다는 뜻이에요.

공개된 모델을 가져다 쓰고 결과는 닫아 두는 구조입니다. 라이선스상 문제는 없더라도 마음이 편하지만은 않은 대목이에요.

데빈 안에서만 돕니다 — 데스크톱과 CLI

쓸 수 있는 곳은 데빈뿐입니다. 지금은 데빈 데스크톱과 명령줄 도구에서 돌아가요.

데빈 웹과 퓨전에는 순차적으로 열린다고 했습니다.

자체 호스팅도 안 됩니다. 코드를 밖으로 내보내기 어려운 환경이라면 아예 후보에서 빠집니다.

닫힌 어두운 상자 안에 갇힌 청록 광채가 가느다란 이음새로만 새어 나오는 모습 — 특정 제품 안에서만 쓸 수 있는 제약을 표현한 개념 이미지

10월 10일까지 유료 요금제에 무료입니다

코그니션은 SWE-2를 한 달간 무료로 풀었습니다. 데빈 프로, 맥스, 팀즈 요금제 전부가 대상이에요.

프로 요금제는 월 20달러입니다. 그 값에 이 모델을 쓸 수 있다는 뜻이죠.

기한은 2026년 10월 10일까지입니다. 써 보실 생각이라면 이 기간 안에 확인해 보시는 게 좋겠어요.

코그니션은 어떤 회사인가

코그니션은 자율 코딩 에이전트 데빈으로 알려진 회사입니다.

데빈은 개발자를 돕는 도구라기보다 개발 업무 일부를 대신하는 쪽을 지향해 왔어요. 일을 설명하면 계획부터 풀리퀘스트까지 스스로 처리합니다.

그 방향 때문에 기대와 논란을 함께 받아 온 회사이기도 합니다.

평평한 어두운 층이 여러 겹 쌓이고 모든 가로 이음새를 따라 청록 빛이 흐르는 모습 — 인수로 층층이 쌓인 회사 구조를 표현한 개념 이미지

윈드서프 인수가 바꾼 것

2025년 7월, 코그니션은 AI 코드 에디터 윈드서프를 인수했습니다.

복잡한 과정이 있었어요. 구글이 윈드서프 대표와 핵심 엔지니어들을 24억 달러 규모 라이선스 계약으로 데려갔고, 오픈AI의 30억 달러 인수 시도는 무산된 뒤였습니다. 코그니션은 남은 제품과 팀, 지식재산을 가져갔어요.

이 인수로 연간 반복 매출 약 8,200만 달러와 기업 고객 350곳 이상이 따라왔습니다.

470억 달러 밸류와 ARR 10억 달러 근접

코그니션의 기업가치는 2026년 9월 기준 470억 달러로 보도됐습니다. 같은 해 5월의 260억 달러에서 크게 올랐어요.

연간 반복 매출은 10억 달러에 가까워지고 있습니다. 2026년 5월 기준 약 4억 9,200만 달러였던 것에서 계속 늘었어요.

이 속도가 자기 모델을 만들 여력의 배경입니다.

작고 흐린 오각기둥 옆에 같은 비율의 거대한 청록 오각기둥이 서 있는 모습 — 급격히 커진 기업가치를 표현한 개념 이미지

커서와의 삼파전 구도

AI 코딩 도구 시장은 여러 회사가 서로 다른 각도로 붙고 있습니다.

커서를 만드는 애니스피어는 2026년 2월에 연간 반복 매출 20억 달러를 넘겼고, 약 500억 달러 가치로 자금을 모은다는 보도가 나왔어요.

코그니션은 「사람을 돕는 도구」가 아니라 「일을 대신하는 에이전트」 쪽에 서 있습니다. 같은 시장처럼 보여도 겨누는 자리가 다릅니다.

왜 자기 모델을 만드나 — 빌려 쓰는 비용의 문제

남의 모델을 빌려 쓰면 매출이 늘수록 모델 값도 같이 늘어납니다. 마진이 구조적으로 눌려요.

게다가 모델 회사가 값을 올리거나 정책을 바꾸면 그대로 영향을 받습니다. 실제로 공급이 끊긴 사례도 있었어요.

자기 모델이 있으면 그 위험이 줄어듭니다. SWE-2는 성능 경쟁이라기보다 경영 판단에 가까운 선택입니다.

어두운 정육면체 두 개 가운데 하나만 바깥에서 들어온 청록 빛줄기를 받아 윗면이 환하게 빛나는 모습 — 빌려 쓰는 모델과 자체 모델의 차이를 표현한 개념 이미지

중국 오픈모델 위에 올라타는 흐름

이런 사례가 SWE-2 하나가 아닙니다. 법률 AI 회사 하비도 키미 K3를 기반으로 자체 모델을 냈어요.

중국 회사들이 대형 모델을 공개하는 동안, 미국 회사들이 그 위에 자기 제품을 올리는 구도가 생겼습니다.

공개 모델의 성능이 상용 최상위와 크게 벌어지지 않으면서 생긴 변화예요.

라이선스와 공급망이라는 남는 문제

다만 짚어 둘 점이 있습니다. 오픈모델은 라이선스 조건이 제각각이에요. 상업적 사용 범위가 회사마다 다릅니다.

국가 간 기술 규제가 바뀌면 영향을 받을 수도 있습니다. 기반이 되는 모델을 계속 쓸 수 있다는 보장은 누구도 하지 않아요.

싸게 만드는 대신 다른 종류의 위험을 안는 구조입니다. 도입을 검토하신다면 이 부분을 함께 보시면 좋겠어요.

맞물린 어두운 고리들이 가로로 길게 이어지고 그중 한 고리만 청록빛으로 도드라지게 빛나는 모습 — 사슬처럼 이어진 공급망에서 한 고리의 조건이 다르다는 점을 표현한 개념 이미지

실제 사례 — 이 모델이 맞는 팀과 안 맞는 팀

반복적인 수정 작업이 많은 팀에는 잘 맞습니다. 테스트 고치기, 정형화된 리팩터링 같은 일이 그렇죠. 값이 4분의 1에서 3분의 1이면 차이가 큽니다.

반대로 까다로운 문제를 자주 맡기는 팀에는 권하기 어렵습니다. 터미널벤치 4의 30점 격차가 그 자리에서 드러날 거예요.

보안이나 규정 때문에 자체 호스팅이 필요한 조직도 후보에서 빠집니다. 데빈 밖으로 나올 수 없으니까요.

저시력 개발자 관점에서 본 코딩 에이전트

저시력 개발자에게 자율 에이전트는 양면이 있습니다. 화면을 오래 들여다보지 않고 일을 맡길 수 있다는 건 확실한 이점이에요. 코드를 눈으로 훑는 부담이 줄어듭니다.

반대로 결과를 검토하는 일은 그대로 남습니다. 에이전트가 고친 부분을 확인하려면 결국 코드를 읽어야 하는데, 변경 범위가 넓을수록 확인이 더 힘들어져요.

그래서 한 번에 큰 일을 맡기기보다 작게 나눠 맡기는 쪽이 낫습니다. 확인할 범위가 좁아지고, 어디서 잘못됐는지 찾기도 쉬워집니다.

두꺼운 어두운 사각 테두리가 또렷한 청록 정육면체 하나를 감싸고 주변은 완전히 검은 모습 — 확인 범위를 좁힌 작업 방식을 표현한 개념 이미지

핵심 정리

코그니션이 9월 12일 코딩 모델 SWE-2를 공개했습니다. 문샷AI의 키미 K3 위에 추가 훈련을 얹은 모델이에요.

프런티어코드 1.1 메인에서 50.0점으로 페이블 5.1의 50.9점에 0.9점 차까지 붙었고, 값은 64% 쌉니다. 딥SWE 73.0점, 터미널벤치 2.1은 92.8점이에요.

다만 터미널벤치 4에서 27.3점으로, 페이블 5.1의 55.8점과 30점 가까이 벌어집니다. 어려운 작업에서는 확실히 밀려요.

가중치와 단독 API가 없어 데빈 안에서만 쓸 수 있고, 토큰당 가격은 공개되지 않았습니다. 10월 10일까지 유료 요금제에 무료입니다.

참고하실 만한 것

코딩 도구를 고르실 때는 가장 좋은 성적이 아니라 내가 주로 맡기는 일의 난이도를 기준으로 보시면 좋습니다. 쉬운 일이 대부분이면 싼 모델로 충분하고, 어려운 일이 섞여 있으면 그때만 비싼 모델을 쓰는 방식도 있어요.

SVIL 연구소는 저시력 접근성 도구와 AI 개발 워크플로우를 만들고 기록합니다. 비슷한 고민이 있으시면 편하게 연락 주세요.

출처

협업문의 : kuroicode@gmail.com
블로그 : https://blog.svil.dev/
홈페이지 : https://svil.dev/