코그니션, 키미 K3 기반 코딩 모델 'SWE-2' 출시..."페이블 5.1 맞먹는 성능"

코그니션이 새로운 AI 코딩 모델 'SWE-2'를 출시하며 코딩 분야의 혁신을 이끌고 있습니다. 이 모델은 문샷 AI의 '키미 K3'를 기반으로 한 사후학습을 통해 개발되었으며, 성능과 비용 면에서 뛰어난 경쟁력을 보여줍니다. 코그니션은 SWE-2가 기존의 '페이블 5.1'에 버금가는 성능을 발휘하면서도 추론 비용은 최대 64% 낮춘 점을 강조하고 있습니다.

혁신적인 모델, SWE-2의 특징

SWE-2는 코그니션이 이전에 선보인 'SWE-1.7'보다 약 3배 큰 모델인 키미 K3를 활용해 강화학습을 통해 발전했습니다. 코그니션의 자체 벤치마크인 '프론티어코드 1.1 메인'에서 SWE-2는 50.0%의 정답률을 기록하며, 이는 페이블 5.1의 50.9%와 불과 0.9%포인트 차이에 불과합니다. 특히 SWE-2는 연산 및 추론 비용을 대폭 줄여 효율성을 높였다는 점에서 주목할 만합니다. 기본 모델인 키미 K3의 성능을 뛰어넘으며, 전작 SWE-1.7에 비해 8%포인트 높은 성능을 달성했습니다.

SWE-2의 개발 과정에서 가장 눈에 띄는 점은 추론 수준에 따른 비용과 성능을 동시에 최적화했다는 것입니다. 사용자는 '중간', '높음', '최대' 수준의 추론 강도를 선택할 수 있지만, SWE-2는 하나의 강화학습 과정에서 이들 수준을 함께 훈련하여 비용과 성능의 균형을 맞췄습니다. 이러한 접근은 필요한 부분에 집중하는 '집중 탐색(focused exploration)' 능력을 강화하는 데 기여했습니다.

데이터 처리와 학습 효율성의 개선

코그니션은 SWE-2의 학습 효율을 높이기 위해 인프라 개선에도 집중했습니다. 여러 요청을 묶어 GPU에서 처리하는 방식을 도입하여 처리량을 10~20% 증가시켰고, NVFP4 및 FP8 연산을 통해 메모리 사용량을 최적화했습니다. 또한, 더 어려운 코딩 문제를 다룰 수 있도록 다양한 저장소에서 데이터를 확보하고 이전 모델의 결과를 활용해 검증기의 오류를 줄이는 방식으로 학습 효율성을 강화했습니다.

모델은 구현 과정에서 테스트 범위를 더 잘 확보할 뿐만 아니라, 특정 도구를 사용할 수 없을 때 대체 방법을 찾는 능력도 보여주었습니다. 사용자의 요구를 단순히 수용하는 것이 아니라 스스로 검증하고 결과를 확인하는 경향도 강화되었습니다.

SWE-2의 향후 전망

현재 SWE-2는 코그니션의 AI 코딩 에이전트 '데빈' 서비스 내부에서만 사용 가능하며, 사용자 직접 다운로드는 지원하지 않습니다. 하지만 데빈 데스크톱 및 CLI에서의 사용이 가능하며, 향후 웹과 퓨전(Fusion) 플랫폼으로도 확대될 예정입니다. 이러한 발전은 코딩 작업의 효율성을 한층 높여줄 것으로 기대됩니다.

코그니션의 SWE-2는 AI 코딩 에이전트 시장에서의 경쟁력을 더욱 강화하고, 향후 다양한 개발 환경에서 그 사용 범위를 넓힐 것으로 예상됩니다. 이는 개발자들에게 더 나은 툴을 제공함으로써, 코드 작성 및 수정의 효율성을 크게 향상시킬 것입니다. 앞으로의 발전이 기대되는 이유입니다.