Devin подешевел на 30–40%, а Fusion возглавил FrontierCode 1.1 с 68,8 балла

Devin стал заметно дешевле. По данным разработчиков, в режимах Fusion и Normal цена упала на 30–40%, в Ultra на 15–20%, а в Devin Review до 70%. Интеллект при этом, как утверждается, сохранён или улучшен во всех режимах. Devin Fusion вышел на первое место в FrontierCode 1.1 Extended с результатом 68,8 при среднем расходе $0,60 на задачу.

Более дешёвый агент и более сильный агент обычно требуют компромисса. Здесь авторы утверждают, что получили оба результата сразу. Сама цифра в таблице выглядит убедительно, но замеры опубликованы самим вендором, и в сравнении участвует его собственная модель SWE-2. Проверять стоит на своих задачах.

Модели: подбор под задачу

Две трети экономии дают модели, остальное приходится на инженерию вокруг них. Devin не привязан к одному провайдеру и выбирает модель под конкретный этап работы. По описанию команды:

• Opus 5.5 и GPT-6 Sol дают более сильный интеллект при хорошем соотношении цены и качества.
• GPT-6 Astra лучше других работает с компьютером (computer use).
• GPT-6 Luna заметно удешевляет вспомогательные задачи.
• SWE-2 — собственная модель команды.

Fusion строится на паре из способной ведущей модели и более дешёвого помощника. Devin Review подбирает модели отдельно для разбора диффов, поиска багов и категоризации изменений. Normal и Ultra выбирают их под планирование, тестирование, отладку и миграции.

Бенчмарк: счёт против цены

FrontierCode 1.1 Extended, средняя стоимость задачи и балл:

• Devin Fusion: 68,8 балла, $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 обходит Opus 5.5 на 3,6 балла и стоит на треть дешевле. Против Fable 5.1 и GPT-6 Astra он выигрывает в цене более чем в четыре раза. Заметно и то, что одиночная SWE-2 почти не дороже Fusion, но отстаёт на 8,7 балла. Именно пара моделей даёт прирост качества.

Обвязка: меньше ходов, больше кэша

Второй источник экономии — harness, то есть слой, который управляет циклом агента. Новые модели лучше планируют несколько действий сразу. Раньше форматирование, линтинг и тесты шли тремя отдельными ходами. Теперь модель может запросить все три в одном вызове и осмыслить результаты вместе. В иллюстративном примере команды это 2 хода вместо 4 и на 49% меньше отправленных токенов. Независимые вызовы теперь выполняются параллельно, а запланированные последовательности идут подряд без возврата к модели.

Вторая часть связана с кэшированием промпта. LLM не хранят состояние, поэтому каждый запрос агента несёт всю историю: инструкции, код, прошлые действия. Если начало запроса совпадает с предыдущим, провайдер переиспользует вычисления для общего префикса. В демонстрационной сессии из пяти ходов с кэшем с нуля обрабатывается 27K токенов вместо 93K, то есть на 71% меньше. Это тоже схематичные округлённые цифры, а не замер на реальных задачах.

У подхода есть ограничения. Общий префикс должен оставаться неизменным, кэш живёт недолго и привязан к конкретной модели и провайдеру. Поэтому harness приходится проектировать аккуратно. Зато он выигрывает от удешевления чтения кэша: у Opus 5.5 оно на 60% дешевле, чем у Opus 5, а у GPT-6 Sol и Luna цена вдвое ниже, чем у предшественников из линейки 5.6. На длинных сессиях с большой историей эти скидки накапливаются.

Что делать командам

Тем, кто уже платит за Devin, имеет смысл пересчитать бюджет: те же задачи теперь стоят меньше, особенно в Review. Если автоматическая проверка pull request была слишком дорогой, скидка до 70% меняет расчёт. Стоит прогнать на своём репозитории пару типовых задач в Normal и Fusion, сравнить итоговую стоимость и долю принятых правок и только потом переключать режим по умолчанию.

Тем, кто строит собственных агентов, урок практичнее. Держите стабильный префикс запроса, чтобы кэш работал. Позволяйте модели группировать команды в один вызов. Назначайте дешёвые модели на вспомогательные шаги. Обновление уже доступно на devin.ai.