一个团队把 Agent 模型从 A 换成 B，任务成功率明显上升，最容易出现的结论是：新模型的权重更强，所以换到任何系统里都能得到同样提升。
这个结论通常越过了最关键的一步：Agent 的表现不是由模型名单独决定的，而是由模型检查点、后训练环境、运行时 Harness、验证器、推理预算和任务分布共同产生。
SWE-1.7 是一个很适合拆解这个问题的案例。Cognition 公开说明，它以已经接受大量强化学习后训练的 Kimi K2.7 为起点，继续进行大规模 RL；同时，SWE-1.7 直接在 Devin Harness 中训练，并把长任务自压缩、训练稳定性、数据质量和评测方法一起纳入系统。[1]
所以它能支持一个重要判断：强底座在真实软件工程环境中继续后训练，仍可能获得明显的系统内增量。
但它不能单独支持另一个更强的判断：这些增量已经被证明属于脱离 Devin 后仍能完整保留的裸模型能力。
这两句话之间的差距，就是 Agent 能力归因真正需要解决的问题。
一、先明确五个归因变量
第一是模型检查点。它承载底座预训练、已有后训练以及本轮继续训练写入权重的策略。模型是否更会探索代码库、失败后恢复、调用工具验证假设，首先会体现在这里。
第二是训练环境与学习信号。模型看到什么任务、能调用哪些工具、奖励函数接受什么结果、验证器是否能识别投机解法，都会决定权重最终吸收什么行为。
第三是运行时 Harness。它向模型暴露工具、状态、沙箱、上下文压缩、超时、恢复和并发机制。模型学会的策略，如果找不到相应的接口，也可能无法执行。
第四是验证器。它定义什么算完成，也定义什么行为会被奖励。只检查测试是否变绿，和同时检查回归、范围、测试有效性与代码质量，是两套不同的能力定义。
第五是预算策略。Token、工具轮次、上下文窗口、超时和人工接管都会影响最终成功率。高预算下的成功，不等于固定成本下的优势。
归因时真正需要观察的不是模型名有没有变化，而是：
在固定其他条件后，替换其中一个对象，任务结果、行为轨迹和资源消耗发生了什么变化？
二、SWE-1.7 的公开证据能证明什么
1. 强底座仍有后训练空间
Cognition 将 SWE-1.7 描述为基于 Kimi K2.7 继续训练的系统。官方报告给出了它与 Kimi K2.7 Code 在 FrontierCode 1.1 Main、Terminal-Bench 2.1 和 SWE-Bench Multilingual 上的对比结果。[1]
这些数字是厂商自报结果，不能替代第三方复现。但它至少说明：在 Cognition 的训练与评测体系里，强底座并没有因为已经做过大量 RL，就自动失去继续获得增量的空间。
这里可以得出的结论是：后训练空间仍然存在。
不能得出的结论是：差值全部来自某一个 RL 算法、某一批数据或某一种模型内部能力。 Cognition 同时提到了训练稳定性、基础设施、数据质量和长任务技术，公开材料没有提供逐项消融。[1]
2. 训练发生在 Devin，而不是抽象的工具调用里
Cognition 明确写道，SWE-1.7 直接在 Devin Harness 中训练。模型学习到的行动策略，很可能与 Devin 的工具、沙箱、状态表达和长任务流程存在耦合。[1]
这种耦合不是缺陷。真实环境后训练的价值，恰恰在于模型学习什么时候先搜索，什么时候读更多文件，什么时候写小脚本验证语义，什么时候停止猜测，什么时候扩大调查范围。
但它会影响迁移。目标系统至少要核对：工具名称和参数语义、结果格式、文件与进程状态、失败恢复、上下文压缩和验证反馈是否足够相近。
因此，SWE-1.7 更稳妥的表述是：Cognition 在 Devin 所代表的软件工程环境中，把一个强底座继续训练成了更适合这类环境的 Agent 检查点。
3. 自压缩是模型策略与运行时协议的联合能力
自压缩不能简单归到模型或 Harness 的某一侧。
模型需要学会选择哪些状态必须保留、怎样写摘要、怎样从摘要恢复；运行时则需要检测上下文边界、触发压缩、保存原始状态，并把摘要作为新的工作上下文重新启动执行。[1]
只有前者，没有触发与恢复接口，自压缩不会自动发生；只有后者，没有经过相应训练的模型，摘要可能丢失约束，恢复后也可能重复工作。
Meta 对 Muse Spark 1.1 的公开描述也把主从 Agent、上下文管理和压缩策略放在同一系统边界里。[4]这说明部分过去由运行时编排的策略正在进入训练目标，但运行时仍然提供行动接口。
真正应该问的是：模型承担了多少信息选择与恢复策略，运行时承担了多少触发、持久化和重建职责；换掉其中一侧后，能力还能保留多少。
4. 验证器不只是测量工具，也是训练行为的来源
Cognition 将数据质量拆成验证器质量、任务难度和防作弊。训练任务要减少错误接受与错误拒绝，沙箱还要隔离评分路径，避免 Agent 直接利用答案或环境漏洞。[1]
这意味着 SWE-1.7 学到的“更彻底调查、主动验证、处理隐藏约束”，不只是模型规模自然增长，也可能来自训练环境反复拒绝表面正确但不完整的方案。
FrontierCode 的公开方法同时关注正确性、回归安全、测试质量、改动范围和代码质量；FrontierCode 1.1 还调整了阻断条件与公平互联网使用规则。[2][3]
所以 Agent 分数不是对模型能力的中性读数。验证器选择了哪些行为会被计为能力。
5. 榜单回答的是系统比较，不是裸模型消融
SWE-1.7 的评测中，不同模型可以使用各自适配的 Agent 系统：Anthropic 模型使用 Claude Code，OpenAI 模型使用 Codex，其他模型使用 Devin CLI。[1]
这种设置适合回答采购问题：哪个完整产品系统在我的任务上最好？但它不能直接回答归因问题：在固定 Harness、验证器和预算后，哪个模型检查点贡献了增量？
把第一类榜单直接用于第二类判断，会把产品适配、工具能力和预算差异错误记到模型权重名下。
三、四组反事实测试
测试 1：同模型换 Harness
固定模型检查点、任务、初始仓库、验证器和总预算，只替换 Devin 类 Harness 与目标自研 Harness。重点记录工具映射失败、结果格式误解、压缩恢复失败、人工接管、改动范围和墙钟时间。
如果优势在原生 Devin 中明显、换到目标 Harness 后大幅缩小，优先检查工具协议、状态表达和恢复接口，而不是直接判定模型宣传失真。
测试 2：同 Harness 换模型
固定 Harness、系统指令、工具、验证器、预算、任务和超时，只替换模型检查点。这是最接近业务采购的证据：如果新模型在固定环境中同时提高成功率、降低人工接管，且没有显著扩大范围或成本，升级才有直接依据。
测试 3：固定模型与 Harness，更换验证器
先对同一批轨迹做离线重评，分别使用功能测试验证器和同时检查回归、范围、测试有效性与质量的强验证器。
如果弱验证器通过、强验证器失败的比例很高，说明原指标主要奖励“测试变绿”。这时应该先补验证器和验收标准，而不是急着换模型。
测试 4：固定任务，改变预算与上下文策略
至少比较两个现实预算档位，记录成功率、单位成功成本、压缩恢复成功率、遗忘约束、循环次数、工具时间和 P95 时延。
如果优势只在高预算、长超时或原生压缩下成立，它仍可能是有价值的产品能力，但采购与架构决策必须把这些运行条件一起纳入。
四、实验结果如何决定下一笔投入
| 结果 | 更可能的瓶颈 | 投入方向 |
|---|---|---|
| 固定 Harness 后新模型稳定提升 | 模型检查点 | 升级模型或增加强模型路由 |
| 原生 Harness 强，目标 Harness 明显衰减 | 工具、状态或恢复适配 | 改 Harness、工具协议和压缩恢复 |
| 强验证器使成绩大幅下降 | 验证器定义过窄 | 补验证器和离线重评 |
| 提升只在高预算下出现 | 运行时计算与上下文策略 | 优化预算、压缩、缓存和升级条件 |
| 固定条件下没有稳定增量 | 榜单优势未迁移 | 保持现有模型，重新检查任务匹配 |
小团队不需要复刻厂商的大规模 RL。最低限度也应完成三件事：固定 Harness 的模型 A/B；同一轨迹的强验证器离线重评；两个现实预算档位的复测。
五、最稳妥的结论
SWE-1.7 可以支持以下判断：强底座继续在真实软件工程环境中进行 RL，仍可能获得明显的系统内增量；长任务、工具探索、验证和压缩恢复已经被纳入学习过程；这些能力与 Devin Harness、训练验证器和预算策略存在明确关系。
但公开材料没有提供完整的跨 Harness、跨检查点、验证器和预算消融，因此无法给出各层净贡献比例，也不能保证它在自研 Agent 中复制 Devin 内的提升。
Agent 时代最危险的归因方式，是把完整系统的成功全部写在模型名下；第二危险的方式，是看到系统依赖后又否认模型训练的增量。
正确做法不是在“模型更重要”和“Harness 更重要”之间选边，而是固定条件、逐项替换，然后只在证据允许的范围内下结论。
主要来源
[3] Cognition：FrontierCode 1.1
[5] Cursor：Grok 4.5