Devin abarata sus precios un 30–40% y Fusion lidera FrontierCode 1.1 con 68,8 puntos

Devin es ahora notablemente más barato. Según sus desarrolladores, el precio ha bajado un 30–40% en los modos Fusion y Normal, un 15–20% en Ultra y hasta un 70% en Devin Review. La inteligencia, afirman, se mantiene o mejora en todos los modos. Devin Fusion ha alcanzado el primer puesto en FrontierCode 1.1 Extended con 68,8 puntos y un gasto medio de $0,60 por tarea.

Un agente más barato y un agente más potente suelen exigir un compromiso entre ambas cosas. Aquí, los autores sostienen que han conseguido las dos a la vez. La cifra de la tabla resulta convincente, pero las mediciones las publica el propio proveedor y en la comparación participa su modelo SWE-2. Conviene comprobarlo con las tareas de cada equipo.

Modelos: selección según la tarea

Dos tercios del ahorro vienen de los modelos; el resto, de la ingeniería que los rodea. Devin no depende de un único proveedor y elige el modelo según la fase del trabajo. Según la descripción del equipo:

• Opus 5.5 y GPT-6 Sol ofrecen más inteligencia con una buena relación entre precio y calidad.
• GPT-6 Astra es el que mejor se desenvuelve con el ordenador (computer use).
• GPT-6 Luna abarata de forma notable las tareas auxiliares.
• SWE-2 es el modelo propio del equipo.

Fusion se basa en una pareja formada por un modelo principal capaz y un asistente más barato. Devin Review elige modelos distintos para analizar diffs, buscar bugs y categorizar cambios. Normal y Ultra los seleccionan para planificación, pruebas, depuración y migraciones.

Benchmark: puntuación frente a precio

FrontierCode 1.1 Extended, coste medio por tarea y puntuación:

• Devin Fusion: 68,8 puntos, $0,60.
• Opus 5.5 (high): 65,2, $0,90.
• Fable 5.1 (medium): 63,6, $2,68.
• GPT-6 Astra (high): 63,1, $2,62.
• SWE-2 (high): 60,1, $0,64.
• GPT-6 Sol (high): 59,6, $0,87.

Fusion supera a Opus 5.5 por 3,6 puntos y cuesta un tercio menos. Frente a Fable 5.1 y GPT-6 Astra, gana en precio por más de cuatro veces. También llama la atención que SWE-2 en solitario cuesta casi lo mismo que Fusion, pero se queda 8,7 puntos por debajo. Es la pareja de modelos la que aporta la mejora de calidad.

Harness: menos turnos, más caché

La segunda fuente de ahorro es el harness, es decir, la capa que gestiona el ciclo del agente. Los nuevos modelos planifican mejor varias acciones a la vez. Antes, el formateo, el linting y las pruebas se ejecutaban en tres turnos separados. Ahora el modelo puede pedir los tres en una sola llamada y analizar los resultados en conjunto. En el ejemplo ilustrativo del equipo, esto supone 2 turnos en lugar de 4 y un 49% menos de tokens enviados. Las llamadas independientes se ejecutan ahora en paralelo, y las secuencias planificadas se encadenan sin volver al modelo.

La segunda parte tiene que ver con el almacenamiento en caché del prompt. Los LLM no guardan estado, así que cada solicitud del agente lleva consigo todo el historial: instrucciones, código y acciones previas. Si el inicio de la solicitud coincide con el de la anterior, el proveedor reutiliza los cálculos del prefijo común. En una sesión de demostración de cinco turnos, con caché se procesan desde cero 27K tokens en lugar de 93K, es decir, un 71% menos. También se trata de cifras esquemáticas y redondeadas, no de una medición sobre tareas reales.

El enfoque tiene limitaciones. El prefijo común debe permanecer inalterado, la caché dura poco y está ligada a un modelo y a un proveedor concretos. Por eso el harness hay que diseñarlo con cuidado. A cambio, se beneficia del abaratamiento de la lectura de caché: en Opus 5.5 es un 60% más barata que en Opus 5, y en GPT-6 Sol y Luna el precio es la mitad que el de sus predecesores de la línea 5.6. En sesiones largas con mucho historial, estos descuentos se acumulan.

Qué deben hacer los equipos

Quienes ya pagan por Devin deberían recalcular su presupuesto: las mismas tareas cuestan ahora menos, sobre todo en Review. Si la revisión automática de pull requests resultaba demasiado cara, un descuento de hasta el 70% cambia las cuentas. Conviene ejecutar en el propio repositorio un par de tareas típicas en Normal y en Fusion, comparar el coste final y la proporción de cambios aceptados, y solo entonces cambiar el modo por defecto.

Para quienes construyen sus propios agentes, la lección es más práctica. Mantengan estable el prefijo de la solicitud para que la caché funcione. Permitan que el modelo agrupe comandos en una sola llamada. Asignen modelos baratos a los pasos auxiliares. La actualización ya está disponible en devin.ai.