SWE-1.7 de Cognition: el modelo de Devin que roza la frontera a 1000 tokens/segundo (2026)

¿Qué es SWE-1.7?

SWE-1.7 es el modelo más capaz que Cognition (los creadores de Devin) ha entrenado hasta la fecha. Lanzado el 8 de julio de 2026, mismo día que Grok 4.5, este modelo está construido específicamente para software engineering y tareas de coding agéntico de larga duración.

Lo que hace a SWE-1.7 único no es que sea el modelo más inteligente del mercado —Claude Fable 5 y GPT-5.6 Sol le superan en algunos benchmarks—, sino que ofrece rendimiento cercano a la frontera a una fracción del coste, corriendo a 1000 tokens por segundo en Cerebras dentro de Devin.

¿Qué problema resuelve?

Los modelos frontier de OpenAI y Anthropic son potentes pero caros. SWE-1.7 aborda un problema diferente:

• Coste: Ofrecer rendimiento cercano a GPT-5.5 y Claude Opus 4.8 a una fracción del coste por rollout
• Long-horizon tasks: Tareas de coding que duran horas, no minutos. SWE-1.7 fue entrenado con rollouts de hasta 6 horas
• Velocidad: 1000 tokens/segundo en Cerebras permite streaming en tiempo real del razonamiento del agente
• Eficiencia de tokens: El modelo aprende a comprimir su razonamiento en tareas que domina y a extenderlo solo en tareas difíciles

Origen técnico: Kimi K2.7 + RL de Cognition

SWE-1.7 parte de Kimi K2.7 Code (modelo open source de Moonshot AI / Kimi), que ya había undergone extensive RL post-training. Sobre esa base, Cognition aplicó su propio pipeline de RL con mejoras significativas:

• Mejor infraestructura: Multi-cluster training con weight deltas comprimidos enviados cross-continental
• Training más estable: Menos picos de loss, mejor convergencia
• Higher-quality data: Datos de mayor calidad para RL
• Nuevas técnicas para long-horizon: Self-compaction y alternating length penalty

El resultado: SWE-1.7 mejora 12 puntos sobre Kimi K2.7 Code en FrontierCode 1.1 (42.3% vs 30.1%), desafiando la idea de un "post-training ceiling".

Características principales

1. Self-compaction para tareas largas

El mayor desafío de las tareas de coding agéntico es que el contexto se agota. SWE-1.7 resuelve esto con self-compaction:

1. Cuando el agente se acerca al límite de contexto, resume su estado de trabajo
2. Se reinicia desde ese resumen auto-generado
3. Durante el training, el modelo aprende simultáneamente a escribir mejores resúmenes y a trabajar desde ellos

Esto permite que los rollouts alcancen hasta 6 horas de duración, muy por encima del contexto raw del modelo.

2. Alternating length penalty

En lugar de penalizar siempre las respuestas largas, el training alterna entre dos fases:

• Unconstrained phase: El modelo optimiza solo para éxito de la tarea. Puede pensar todo lo que necesite
• Budget phase: Se penalizan soluciones que exceden un budget de coste (tokens, turns, tiempo en tool calls)

Resultado: el modelo comprime su razonamiento en tareas que ya domina, pero mantiene razonamiento extenso en tareas difíciles.

3. Multi-cluster training

El RL no necesita toda la compute en un solo datacenter. Cognition corre el trainer en un cluster US y envía weight deltas comprimidos a rollout clusters en tres continentes. Para un modelo de 1T parámetros, un update cross-continental completa en 1-2 minutos y pausa la inferencia solo 3-4 segundos.

4. 1000 tokens/segundo en Cerebras

SWE-1.7 se sirve a través de Cerebras a ~1000 TPS. Esto es 10-20x más rápido que la inferencia típica en GPU. El agente puede stream su razonamiento en tiempo real mientras trabajas, en lugar de desaparecer por minutos y volver con un patch terminado.

5. SWE-1.7 Lightning

Variante optimizada para baja latencia, también en Cerebras. Misma inteligencia que SWE-1.7 pero con menor latencia aún.

6. Modelos auxiliares: swe-grep y swe-check

La familia SWE de Cognition incluye modelos especializados:

• SWE-1.7: Modelo principal para coding agéntico
• SWE-1.7 Lightning: Versión rápida en Cerebras
• swe-grep: Powers context retrieval y Fast Context
• swe-check: Quick Review con revisiones ligeras optimizadas para issues comunes

Benchmarks

Benchmark	SWE-1.7	Kimi K2.7 Code	GPT-5.5	Claude Opus 4.8	GLM-5.2	SWE-1.6
FrontierCode 1.1 Main	42.3%	30.1%	43.0%	46.5%	24.5%	9.4%
Terminal-Bench 2.1	81.5%	72.7%	84.2%	86.9%	81.0%	39.7%
SWE-Bench Multilingual	77.8%	73.5%	76.8%	84.4%	74.5%	58.3%

Comparación con SWE-1.6

El salto generacional es masivo:

Benchmark	SWE-1.7	SWE-1.6	Mejora
FrontierCode 1.1 Main	42.3%	9.4%	+32.9 pts
Terminal-Bench 2.1	81.5%	39.7%	+41.8 pts
SWE-Bench Multilingual	77.8%	58.3%	+19.5 pts

Precios y planes de Devin

SWE-1.7 (free preview)

SWE-1.7 está disponible gratis para usuarios paid de Devin hasta el 8 de agosto de 2026. No consume cuota durante el preview.

SWE-1.7 Lightning (Cerebras)

Tipo	Precio por 1M tokens
Input	$2.50
Cached input	$1.00
Output	$12.50

Planes de Devin

Plan	Precio	Incluye
Free	$0/mes	Cuota ligera, modelos limitados, inline edits y tab completions ilimitados
Pro	$20/mes	Cuota aumentada, acceso a OpenAI/Claude/Gemini frontier, SWE-1.6 gratis, Devin Cloud
Max	$200/mes	Cuota significativamente mayor, sin cap diario
Teams	$80/mes mínimo	Miembros ilimitados, $40/mes por full seat, on-demand credits compartidos

El sistema de usage es quota-based (no credits): cuota diaria y semanal que se refresca automáticamente. Si excedes, puedes comprar extra usage a precio de API.

Cómo usar SWE-1.7

En Devin Web

1. Ve a app.devin.ai
2. Inicia sesión con tu cuenta
3. Selecciona SWE-1.7 en el model selector
4. Empieza una sesión y da tu tarea

En Devin Desktop

1. Descarga Devin Desktop desde devin.ai/desktop
2. Instala la aplicación
3. Inicia sesión
4. Selecciona SWE-1.7 o SWE-1.7 Lightning en el model selector

En Devin CLI

# Instalar Devin CLI
npm install -g @devin-ai/cli

# O via curl
curl -fsSL https://devin.ai/install | bash

# Iniciar sesión
devin login

# Seleccionar modelo SWE-1.7
devin config set model swe-1.7

# Ejecutar una tarea
devin "Refactoriza el módulo de autenticación para usar JWT en lugar de sessions"

Comportamiento del modelo

SWE-1.7 exhibe comportamientos notables comparado con su base Kimi K2.7:

• Explora más: Examina el codebase más a fondo antes de editar
• Prueba edge cases: Probea casos límite y inputs adversariales
• Escribe tests: Crea pequeños scripts Python para testear semánticas ambiguas en lugar de adivinar
• Change scope más amplio: Puede tocar más archivos y añadir más tests de lo estrictamente necesario (trade-off que Cognition está trabajando para ajustar)
• Mejor alineación: Significativamente más aligned y trustworthy que K2.7 u otros modelos open source

SWE-1.7 vs otros modelos frontier

Aspecto	SWE-1.7	GPT-5.6 Sol	Grok 4.5	Claude Fable 5
Base	Kimi K2.7 + RL Cognition	Propietario OpenAI	Propietario SpaceXAI	Propietario Anthropic
FrontierCode 1.1	42.3%	—	—	—
Terminal-Bench 2.1	81.5%	91.9% (ultra)	83.3%	84.3%
SWE-Bench Multilingual	77.8%	—	—	—
Velocidad	1000 TPS (Cerebras)	~750 TPS (Cerebras)	~80 TPS	~60 TPS
Coste Lightning	$2.50/$12.50	$5/$30	$2/$6	~$5/$25
Long-horizon	6h rollouts (self-compaction)	Ultra mode (4 paralelos)	Estándar	Estándar
Disponibilidad	Devin (Web/Desktop/CLI)	ChatGPT, Codex, API	Grok Build, Cursor, API	Claude Code, API
Gratis	Sí (hasta 8 ago 2026)	No	Grok Build (limitado)	No

Devin como plataforma multi-modelo

Devin no solo usa SWE-1.7. Es una plataforma multi-modelo que soporta:

• SWE-1.7 y SWE-1.7 Lightning (modelos propios)
• SWE-1.5 (modelo anterior, gratis para todos los usuarios)
• Claude Opus 4.8, Claude Fable 5, Claude Sonnet 5
• GPT-5.5, GPT-5.4
• Gemini 3.1 Pro
• Modelos open source leading

Esto significa que puedes usar Devin Desktop como tu centro de comando y cambiar de modelo según la tarea, igual que con OpenCode/MiMo o OpenRouter.

Cuándo usar SWE-1.7

Usa SWE-1.7 si...

• Quieres frontier-class coding a fracción del coste
• Haces tareas de coding largas (horas, no minutos)
• Valoras la velocidad (1000 TPS en Cerebras)
• Usas Devin como tu agente principal
• Quieres probar gratis durante el preview
• Necesitas self-compaction para tareas que exceden el contexto

Usa GPT-5.6 Sol si...

• Quieres el SOTA absoluto en coding agent (80 AA Coding Agent Index)
• Necesitas computer use o browsing
• Usas Codex o el ecosistema OpenAI

Usa Grok 4.5 si...

• Quieres la mejor relación coste/velocidad del mercado
• Usas Cursor o Grok Build
• $2/$6 por 1M tokens es tu punto dulce

Usa Claude Fable 5 si...

• Quieres máxima accuracy en SWE-Bench Pro (80%)
• Refactors multi-archivo complejos
• Usas Claude Code

Usa GLM-5.2 si...

• Quieres open source con self-hosting
• Usas ZCode o vLLM
• Coste mínimo con 1M de contexto

Impacto en el ecosistema

El 8 de julio de 2026 fue un día histórico para el coding AI: tres lanzamientos frontier en 24 horas:

• Grok 4.5 (SpaceXAI) — Mejor valor coste/velocidad
• SWE-1.7 (Cognition/Devin) — Frontier-class a coste reducido, 1000 TPS
• GPT-5.6 (OpenAI, 9 de julio) — SOTA en coding agent y computer use

Esto significa que los desarrolladores tienen ahora cuatro opciones frontier para coding agéntico (cinco contando GLM-5.2 open source), cada una con ventajas distintas.

Conclusión

SWE-1.7 demuestra que el RL post-training sobre bases open source puede producir modelos cercanos a la frontera a una fracción del coste. La técnica de self-compaction es una innovación real para long-horizon tasks, y los 1000 TPS en Cerebras cambian la experiencia de usar un agente de coding.

Si ya usas Devin, SWE-1.7 es una mejora gratuita durante el preview. Si no usas Devin, vale la pena probarlo solo por SWE-1.7: es uno de los modelos más eficientes para coding agéntico de 2026.

Para un stack completo: usa SWE-1.7 en Devin para tareas largas y asíncronas, GPT-5.6 Sol o Grok 4.5 vía OpenRouter para tareas interactivas, Claude Code con Fable 5 para refactors difíciles, y GLM-5.2 en vLLM para self-hosting económico.