Dedicated Coding Model
汎用モデルをやめたら、
10倍速くなった。
コーディングAIエージェント「Devin」が、専用チューニングした新モデルSWE-1.7に切り替えた。Cerebras製チップ経由で毎秒およそ1,000トークン——汎用モデルでは出せなかった速度域に、Proプランなら追加料金なしで手が届く。
Kimi K2.7を土台に、
もう一段RLを重ねた
ゼロから作らず、既にRL済みの基盤モデルにコーディング特化のRLを追加する——という積み上げ方。
Devinを開発するCognitionは2026年7月、新モデルSWE-1.7を同社ブログで発表した。土台はMoonshot AI製のKimi K2.7 Code。すでに大規模な強化学習(RL)を経たこのベースモデルに、Cognitionがエージェント的ソフトウェア工学に向けたRLをさらに重ねて仕上げている。学習の安定化、より高品質な学習データ、複数クラスタにまたがるロールアウト基盤に加え、コンテキスト長を超える長時間タスクでも作業状態を要約して継続する「self-compaction」という技術も採用された。
ベンチマークではClaude Opus 4.8にわずかに及ばないものの、GPT-5.5をSWE-Bench Multilingualで上回り、FrontierCode 1.1 Mainでは約1点差まで肉薄しているとVKTRは報じている。フロンティアモデルに全面的に並ぶわけではないが、コストと性能のバランス(Paretoライン)で優位に立つ設計だ。
なぜ、専用モデル化が
今効いてくるのか
エージェント運用が本格化するほど、「1回の応答速度」の重みは増す。
これまで汎用の大規模言語モデルは、速度・コスト・精度のどれかを犠牲にする「中途半端な妥協」を強いられがちだった。専用チューニングは投資対効果が読みにくく、後回しにされてきた領域でもある。SWE-1.7は、GPUではなくCerebras製の推論専用チップに載せることで、この妥協の構造そのものを崩しにいった事例だ。エージェントが何百回もツール呼び出しを繰り返す長時間タスクでは、1回あたりの応答速度の差が体感時間に直結する。
誰に、どう効くのか
エンジニアにとっては最も直接的な恩恵がある。Proプラン利用者は追加料金なしでこの速度を使えるため、大きめのリファクタや長時間の自律タスクを回す際の待ち時間ストレスが大きく減る計算だ。一方でライトユーザー・単発の質問利用には体感差はほぼない。速度が効くのは「エージェントを長時間・高頻度で動かす」使い方に限られる。
ベンダー選定を担う立場からは、Claude Code・GitHub Copilot(MAI-Code)など他のコーディングエージェントとの比較軸に「速度あたりコスト」が新たに加わったと読める。中国発Kimiシリーズをベースにした点も、オープン系ベースモデルの実用化が進んでいることを示す一例だ。
速さは、正解率の代わりにはならない。
だが、正解までの距離を縮める。
次に何をすべきか
Proプランで長時間タスクを試す
依存関係の大規模更新や広範囲リファクタなど、これまで待ち時間がネックだったタスクから試すと差を体感しやすい。
ベンチマークの数点差を過大評価しない
Opus 4.8との差はわずかとされるが、実務での差はタスクの種類によって変わる。自社のコードベースで小さく検証する。
速度あたりコストで他社と比較する
Claude CodeやGitHub Copilot系の専用モデルとも、単純な精度比較ではなく「速度×コスト×精度」の3軸で見る。
精度は「僅差で劣る」が本当
SWE-1.7はベンチマークでOpus 4.8にわずかに及ばないというのが現状の評価であり、「フロンティアモデルと同等」と言い切るのは早計だ。速度と引き換えに精度をどこまで妥協できるかは、タスクの重要度によって判断が分かれる。また、Cerebras依存という構成上、Cerebras側の供給・価格戦略の変化がDevin側のコストや速度に波及するリスクも残る。