El 4 de noviembre, Cognition —la empresa detrás del coding agent Devin— lanzó SWE-2 Flash, un modelo que promete resolver tareas de desarrollo tres veces más rápido y a una quinta parte del precio de su modelo insignia, SWE-2. Está disponible gratis dentro de Devin Desktop y el CLI hasta el 30 de noviembre. Si trabajas con coding agents todos los días —como hacemos en Geek Vibes— esto importa no porque sea "otro modelo más", sino porque es la señal más clara hasta ahora de que la economía de los agentes de código está a punto de cambiar: lo que hoy le cobras a un cliente por una tarea de refactor o testing automatizado podría costarte una fracción en unos meses. Pero antes de reconfigurar tu stack hay que separar lo que Cognition demostró de lo que solo afirma.
¿Qué es SWE-2 Flash y qué cambia?
Flash no nació desde cero: es un post-entrenamiento sobre Inkling-Small, el modelo de pesos abiertos que Thinking Machines Lab liberó el 30 de julio de 2026 (276 mil millones de parámetros totales, 12 mil millones activos, arquitectura mixture-of-experts). Ahí está el verdadero cambio de fondo: el SWE-2 original corría sobre Kimi K3, un modelo mucho más grande (2.8 billones de parámetros totales, 104 mil millones activos). Cambiar a una base diez veces más chica es, en buena parte, de dónde sale la ganancia de velocidad y costo — no es magia nueva, es una decisión de arquitectura.
Cognition piensa a Flash para el trabajo rutinario: automatizaciones, code review, desarrollo de features chicas y actualización de documentación. El trabajo pesado sigue siendo territorio de SWE-2. Y por ahora Flash solo vive dentro de Devin (Desktop y CLI): no hay endpoint de API propio, no hay model ID público, no hay tarjeta de precios. La única cifra de costo que dio Cognition es relativa —"una quinta parte de SWE-2"— no un precio por token que puedas meter en una hoja de cálculo.
Los números que sí puedes creer (y los que no)
Cognition publicó su propia tabla de benchmarks comparando Flash con su base (Inkling-Small) y con SWE-2:
- Terminal-Bench 4.0: 20.0 para Flash vs. 27.3 para SWE-2 — Flash pierde con claridad.
- FrontierCode 2.0 (benchmark propio de Cognition): 24.0 para Flash vs. 23.8 para SWE-2 — empate técnico.
- DeepSWE 1.1: 60.1 para Flash vs. 73.0 para SWE-2 — otra vez pierde.
El titular de marketing de Cognition es que Flash "supera a todos los modelos de pesos abiertos americanos, incluso a modelos tres veces más grandes". Es cierto en una sola comparación directa (Terminal-Bench 2.1 contra Flint v1.0, 89.2 contra 54.9), pero en las demás tablas los márgenes son de empate técnico, o el modelo que le gana en Terminal-Bench 4.0 (DeepSeek V4.1 Flash) ni siquiera es americano. La cifra de velocidad —200 tokens por segundo contra 60 de SWE-2— sale de reproducir transcripciones de sesiones acortadas a velocidad simulada, no de cronometrar un endpoint en vivo. Nada de esto es falso, pero tampoco es una medición independiente: es Cognition calificando su propio examen.
Por qué Cognition no suelta los pesos del modelo
Este es el dato que más nos llamó la atención del lanzamiento. Cognition sometió a Flash a un entrenamiento de seguridad específico, y su desempeño en ExploitBench saltó de 11.3% —el nivel de la base, Inkling-Small— a 34.8% después del post-entrenamiento. En otras palabras: el mismo proceso que lo hace mejor escribiendo código también lo hace notablemente mejor encontrando y explotando vulnerabilidades. Por eso Cognition está reteniendo los pesos del modelo —algo poco usual en una empresa que suele apoyarse en bases de pesos abiertos— y en su lugar promete un "programa de distribución segura" para socios de industria y labs de investigación, todavía sin fecha ni proceso de aplicación públicos.
Lo que esto significa para agencias, developers y tu producto
Para una agencia que entrega trabajo con coding agents —como hacemos nosotros en Geek Vibes todos los días— hay tres lecturas prácticas que valen más que la nota de prensa:
- La ventana gratis (hasta el 30 de noviembre) es para probar, no para prometer. Es el momento de correr tus propias tareas reales —no los benchmarks de Cognition— contra Flash y contra tu stack actual, midiendo tiempo y calidad con tus propios criterios de aceptación. Nunca construyas el pricing de un cliente sobre una promesa de "3 veces más rápido" que todavía no verificaste tú mismo.
- Sin API ni precio público, esto todavía no es una pieza de infraestructura. Vive únicamente dentro de Devin. Si tu flujo de trabajo depende de poder llamar a un modelo específico desde tu propio pipeline o CI/CD, Flash no es (todavía) esa pieza — es una función dentro del producto de otra empresa, con el riesgo de dependencia que eso implica.
- El salto en ExploitBench es una señal, no solo una curiosidad técnica. Si un modelo entrenado para escribir mejor código automáticamente se vuelve mejor encontrando exploits, es razonable esperar que los clientes enterprise empiecen a preguntar qué modelo de coding agent usas y qué controles de seguridad tiene detrás, no solo qué tan rápido entrega el trabajo. Vale la pena tener una respuesta lista antes de que te la pregunten en una llamada de procurement.
La carrera por hacer los coding agents más rápidos y más baratos ya va en serio, y eso eventualmente va a bajar lo que cuesta producir código con agentes — buena noticia para el negocio de cualquier agencia. Pero la velocidad con la que las empresas publican sus propios benchmarks también está subiendo, y ahí es exactamente donde entra el trabajo de un equipo que sabe separar el dato verificable de la cifra de marketing antes de apostarle el flujo de trabajo de un cliente.
Si estás evaluando qué coding agent conviene meter en tu flujo de trabajo —o cómo defender ante un cliente por qué eliges uno sobre otro— escríbenos a hello@geekvibes.agency. En Geek Vibes probamos estas herramientas contra trabajo real, no contra benchmarks de vendor, antes de ponerlas en producción.
