Apa yang terjadi
GIGAZINE melaporkan bahwa Cognition, perusahaan di belakang Devin, merilis Fusion, sebuah sistem yang dirancang untuk meningkatkan cara model AI tingkat lanjut merencanakan, melaksanakan, meninjau, dan memulihkan dari tugas-tugas yang terhenti. Sistem ini memasangkan model kelas atas untuk perencanaan dan peninjauan dengan model eksekusi yang lebih murah, sambil menjalankan dua agen secara paralel dengan konteks dan alat yang terpisah.
GIGAZINE melaporkan bahwa Cognition mengembangkan dan merilis Fusion sebagai harness untuk GPT-6 Astra Anthropic dan Fable Claude Claude. Artikel ini menjelaskan harness sebagai lapisan yang memasok model dengan instruksi pengoperasian, aturan penggunaan alat, dan percabangan bersyarat, yang berpotensi memengaruhi apakah agen menyelesaikan tugas atau terjebak dalam satu lingkaran.
Menurut GIGAZINE, Fusion menggabungkan model perencanaan dan peninjauan mutakhir dengan model pelaksanaan yang hemat biaya. Cognition merekomendasikan GPT-6 Astra dan Claude Fable sebagai model lanjutan, dan mengidentifikasi model pengkodean SWE-2 Cognition sebagai opsi eksekusi yang lebih murah. Artikel tersebut mengatakan kombinasi tersebut memiliki kinerja terbaik dengan Claude Fable 5.1.
GIGAZINE melaporkan skor 62,2 untuk Claude Fable 5.1 dengan Claude Code, dibandingkan dengan 61,7 untuk Claude Fable 5.1 yang dikombinasikan dengan model berbiaya lebih rendah dan Fusion. Kombinasi terakhir dilaporkan 36% lebih murah. Untuk GPT-6 Astra, artikel tersebut mengatakan Fusion mencapai kinerja yang setara dengan Codex sekaligus mengurangi biaya sebesar 39%.
Artikel tersebut mengaitkan evaluasi dengan perusahaan analisis AI, Artificial Analysis dan Vals AI. Dikatakan bahwa Fusion menjalankan dua agen secara paralel, masing-masing dengan konteks dan alat independen, dan hanya bertukar ringkasan, hasil, dan umpan balik, bukan percakapan penuh. GIGAZINE mengatakan pendekatan ini lebih memanfaatkan cache cepat. Sumber ini tidak memberikan metodologi lengkap, harga absolut, atau ketentuan ketersediaan.
Mengapa itu penting
Jika hasil yang dilaporkan tetap sama, Fusion dapat mengurangi biaya penggunaan agen AI frontier tanpa kehilangan kinerja pengkodean yang sebanding. Hal ini penting bagi pengembang dan organisasi yang menjalankan sistem penggunaan alat dalam skala besar, di mana inferensi model dan upaya agen yang berulang dapat menjadi pengeluaran yang besar. Hasilnya dilaporkan oleh GIGAZINE dan dievaluasi oleh Analisis Buatan dan Vals AI, namun sumber tersebut tidak memberikan metodologi yang cukup untuk menilai perbandingan secara independen.
Hasil yang dilaporkan menunjukkan bahwa arsitektur agen dapat mempengaruhi keekonomian model frontier secara signifikan. Sebuah sistem yang mendelegasikan eksekusi ke model yang lebih murah sambil mempertahankan model yang lebih kuat untuk perencanaan dan peninjauan dapat menurunkan biaya agen perangkat lunak tanpa mengharuskan pengguna untuk meninggalkan model dengan kemampuan lebih tinggi.
Pengurangan biaya sangat relevan untuk agen pengkodean, yang mungkin melakukan banyak panggilan alat, mengulangi upaya yang gagal, atau mempertahankan konteks yang panjang. Jika dapat direproduksi secara independen, pengurangan sebesar 36% dan 39% yang dilaporkan dapat memengaruhi cara perusahaan merancang alur kerja agen produksi dan memilih antara pemanfaatan hak milik.
Bukti-bukti yang ada masih terbatas pada laporan yang diberikan. GIGAZINE memberikan skor yang dipilih dan penghematan persentase tetapi tidak memberikan kumpulan tugas, jumlah proses, asumsi harga, latensi, tingkat kegagalan, atau kondisi perbandingan. Oleh karena itu, kesetaraan yang diklaim dengan Codex dan peningkatan efisiensi yang dinyatakan tidak dikonfirmasi secara independen di sini.
Mekanisme Interaktif: Cara Kerja Sebenarnya
Jelajahi teknologi yang mendasari di balik perkembangan ini secara interaktif.
crm_get_transaction(id='4092').An agent must create a draft calendar event for Tuesday at 2 p.m. Which evidence would establish the requested result?
Apa yang harus ditonton selanjutnya
Pertanyaan kuncinya adalah siapa yang dapat mengakses Fusion, model dan alat apa yang didukungnya, apakah Fusion tersedia secara umum, dan bagaimana biayanya dihitung. Pelaporan lebih lanjut harus memperjelas tugas , baseline, ukuran sampel, asumsi prompt-cache, dan apakah hasilnya ditransfer melampaui pengkodean. Sumber tersebut juga menggunakan “SWE-2” dan “SWR-2” untuk model berbiaya rendah, sebuah inkonsistensi yang harus diselesaikan.
Kondisi akses tidak didokumentasikan dalam sumbernya. Tidak diketahui apakah Fusion dapat diunduh secara publik, tersedia melalui produk Cognition, terbatas pada pengguna tertentu, atau ditawarkan melalui pengaturan komersial lainnya. Harga dan langganan model apa pun yang diperlukan juga tidak diketahui.
Pelaporan tindak lanjut harus menentukan apakah Fusion mendukung model selain GPT-6 Astra dan Claude Fable, apakah pengguna dapat menyediakan alat dan petunjuknya sendiri, dan seberapa besar penghematan bergantung pada cache cepat atau harga penyedia tertentu.
Penamaan mengandung inkonsistensi tingkat sumber: artikel tersebut mengidentifikasi model pengkodean yang lebih murah sebagai SWE-2 tetapi kemudian merujuk pada “SWR-2.” Penunjukan tersebut harus diverifikasi sebelum memperlakukan perbandingan sebagai klaim produk yang tepat.
Pengujian independen harus memeriksa tingkat keberhasilan pengkodean, latensi, keandalan, penanganan konteks, dan kinerja pada tugas selain tolok ukur yang dilaporkan. Agen paralel juga dapat meningkatkan kompleksitas orkestrasi atau aktivitas alat total bahkan ketika biaya model turun.