Cognition lanza Fusion en Devin: combinar dos modelos reduce hasta un 39% el coste de las tareas

Cognition ha añadido a Devin Desktop y CLI el modo Fusion, en el que dos modelos trabajan a la vez en una misma tarea. Un modelo frontier actúa como «líder»: planifica, resuelve las ambigüedades y verifica el resultado. Otro más barato, el «sidekick», explora el código, hace los cambios y ejecuta los tests.

Según la compañía, con la combinación Fable 5.1 + SWE-2 el coste de la tarea es un 36% inferior al de Claude Code sobre Fable 5.1 ($7,90 frente a $12,36 en la comparación normalizada), y la puntuación final es casi la misma: 61,7 frente a 62,2.

Para GPT-6 Astra junto con SWE-2, el ahorro es del 39% respecto a Codex ($4,54 frente a $7,47), con 58,9 puntos frente a 61,6.

Por qué no es un enrutamiento convencional

La idea clásica es dar las tareas sencillas a un modelo barato y las complejas a uno caro. Cognition explica por qué esto funciona mal. La complejidad no se puede determinar a partir del primer prompt: «arregla el bug» puede significar una sola línea o una rearquitectura del producto, y eso solo se ve después de estudiar el código. Además, cambiar de modelo a mitad de tarea rompe el prompt cache, y reprocesar el contexto se paga precisamente a la tarifa del modelo caro.

Fusion evita ambos problemas. Trabajan dos agentes en paralelo, cada uno con su contexto persistente y su propio conjunto de herramientas. Entre ellos no se transmite toda la conversación, solo briefs, resultados y feedback. El líder formula para el sidekick una tarea con restricciones y criterios de éxito, y no se ahoga en las salidas intermedias de las herramientas. La caché se conserva en ambos. El usuario habla siempre con el modelo frontier, que puede quedarse con el trabajo en cualquier momento si el sidekick no da la talla.

Las cifras de los benchmarks

Cognition comparó Fusion con los modelos individuales junto con Artificial Analysis y Vals AI. Puntuaciones y coste en dólares por prueba:

• DeepSWE 1.1: Fable 5.1 — 64,3 ($14,63); Fusion sobre Fable — 63,1 ($7,88, −46%). Astra — 67,6 ($7,88); Fusion sobre Astra — 67,3 ($4,69, −40%).
• Terminal-Bench 4: Fable — 57,6 ($17,46); Fusion — 56,1 ($13,37, −23%). Astra — 55,6 ($10,08); Fusion — 50,0 ($6,06, −40%).
• SWE-Atlas QnA: Fusion sobre Fable obtiene 65,9 frente a 64,8 del modelo individual, con un coste de $5,00 en lugar de $7,57 (−34%).
• Vals Code Migration: Fusion sobre Fable — 57,3 frente a 54,6, con un coste un 41% menor; en Astra el ahorro es del 20%, pero la puntuación cae de 67,7 a 61,3.
• FrontierCode 1.1 Extended: con Fable, la calidad es de 63,5 frente a 63,6 con un coste un 38% menor; con Astra, el ahorro es de solo el 11%.

El panorama es desigual. En Terminal-Bench y Code Migration la combinación Astra + SWE-2 muestra una caída de calidad apreciable, así que hablar de «nivel frontier en todas las tareas» exige cautela. Además, los datos los publica la propia Cognition, aunque con la participación de evaluadores externos.

Los modelos caros pueden abaratar el sistema

La conclusión más interesante tiene que ver con el precio por tarea, no por token. Cuando Cognition sustituyó Opus 4.8 por Fable 5 como líder, las sesiones resultaron de media un 9% más baratas pese a que el precio por token era el doble, y la puntuación en FrontierCode subió. Fable delegaba antes y redactaba briefs más precisos, mientras que Opus microgestionaba al sidekick y rehacía su trabajo.

Lo mismo vale para el ejecutor. SWE-2 cuesta $0,75 por millón de tokens frente a los $0,20 de GPT-5.6 Luna (+275%), pero el coste final en FrontierCode apenas cambia: $2,34 frente a $2,39, y la puntuación es mayor: 63,4 frente a 62,0. Un sidekick potente gasta menos turnos y requiere menos rondas de revisión.

El harness, eso sí, se ajusta para cada pareja. A un sidekick débil hay que darle briefs más detallados, conviene no dejarle cuestionar el plan y es mejor no delegarle la investigación que influye en el plan. A un ejecutor potente se le pueden dejar los detalles de implementación y encargarle el reconocimiento inicial del código.

Qué probar

Devin CLI se puede instalar con el comando curl -fsSL https://cli.devin.ai/install.sh | bash. En Fusion se eligen dos modelos: Cognition recomienda Fable 5.1 como líder y SWE-2 como sidekick. Si llevas la cuenta de lo que gastas en agentes, conviene probar dos o tres combinaciones con tus propias tareas y comparar no las tarifas, sino el coste final de la tarea completada. Esto es especialmente relevante en migraciones rutinarias y en bases de código grandes, donde el sidekick asume el grueso del trabajo.