待验证50% 置信事实精确时间

SWE-2基于Kimi K3进行后训练（post-trained），并采用强化学习（RL）方法，同时对成本与能力两个维度进行优化

1

来源数

50%

置信度

长期有效

时效性

2026/9/13

首次发现

来源

Cognition推出SWE-2编程模型：性能逼近顶尖，成本直降64%

涉及实体

SWE-2model Kimi K3model 强化学习concept

相关事实

待验证月之暗面称Kimi K3的框架和数据训练方法使整体扩展效率较上一代Kimi K2提升约2.5倍72% 相似待验证Kimi K3的智能水平并非依赖堆算力路线，而是通过更精巧的架构与训练策略实现71% 相似待验证HY3引入了改进的抗幻觉技术、更可靠的工具调用能力，并使用更高质量后训练数据和强化的强化学习策略68% 相似待验证Kimi K2.6能根据问题复杂度自适应调整输出长度，这一能力通过Post Training阶段的长度校准技术实现67% 相似待验证后训练优化包括指令微调、RLHF或DPO策略调整、系统提示词工程改进及工具调用和多模态融合能力强化66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/918904

API

curl https://kongchang.com/api/v1/knowledge/claims/918904

MCP

get_claim(id=918904)