Vad hände
GIGAZINE rapporterar att Cognition, företaget bakom Devin, släppte Fusion, en sele designad för att förbättra hur avancerade AI-modeller planerar, utför, granskar och återhämtar sig från fastnade uppgifter. Systemet parar en avancerad modell för planering och granskning med en billigare modell för exekvering, samtidigt som två agenter körs parallellt med separata sammanhang och verktyg.
GIGAZINE rapporterar att Cognition utvecklade och släppte Fusion som en sele för OpenAI:s GPT-6 Astra och Anthropic:s Claude Fable. Artikeln beskriver en sele som det lager som förser modeller med bruksanvisningar, regler för verktygsanvändning och villkorlig förgrening, vilket potentiellt påverkar om en agent slutför en uppgift eller fastnar i en slinga.
Enligt GIGAZINE kombinerar Fusion en toppmodern modell för planering och granskning med en kostnadseffektiv modell för utförande. Cognition rekommenderade GPT-6 Astra och Claude Fable som de avancerade modellerna och identifierade Cognitions SWE-2-kodningsmodell som det billigare exekveringsalternativet. Artikeln säger att kombinationen fungerade bäst med Claude Fable 5.1.
GIGAZINE rapporterar ett benchmarkpoäng på 62,2 för Claude Fable 5.1 med Claude Code, jämfört med 61,7 för Claude Fable 5.1 i kombination med den billigare modellen och Fusion. Den senare kombinationen rapporterades som 36 % billigare. För GPT-6 Astra står det i artikeln att Fusion uppnådde prestanda motsvarande Codex samtidigt som kostnaderna minskade med 39 %.
Artikeln tillskriver utvärderingar till AI-analysföretagen Artificial Analysis och Vals AI. Det står att Fusion driver två agenter parallellt, var och en med oberoende sammanhang och verktyg, och utbyter endast sammanfattningar, resultat och feedback snarare än hela konversationen. GIGAZINE säger att detta tillvägagångssätt i större utsträckning använder snabb cachning. Källan tillhandahåller inte hela benchmarkmetoden, absoluta priser eller tillgänglighetsvillkor.
Källinformation: gigazine.net ↗
Varför det spelar roll
Om de rapporterade resultaten håller kan Fusion minska kostnaderna för att använda frontier AI-agenter utan en jämförbar förlust i kodningsprestanda. Det är viktigt för utvecklare och organisationer som kör verktygsanvändande system i stor skala, där modellinferens och upprepade agentförsök kan bli stora utgifter. Resultaten rapporteras av GIGAZINE och utvärderas av Artificial Analysis och Vals AI, men källan ger inte tillräcklig metodik för att oberoende bedöma jämförelserna.
De rapporterade resultaten tyder på att agentarkitektur väsentligt kan påverka ekonomin för frontiermodeller. Ett system som delegerar exekvering till en billigare modell samtidigt som det behåller en starkare modell för planering och granskning kan sänka kostnaderna för programvaruagenter utan att användarna behöver överge modeller med högre kapacitet.
Kostnadsminskningar är särskilt relevanta för kodningsagenter, som kan göra många verktygsanrop, upprepa misslyckade försök eller upprätthålla långa sammanhang. Om de är oberoende reproducerbara kan de rapporterade minskningarna på 36 % och 39 % påverka hur företag utformar arbetsflöden för produktionsagenter och väljer mellan egenutvecklade selar.
Bevisen är fortfarande begränsad i den tillhandahållna rapporten. GIGAZINE ger utvalda poäng och procentuella besparingar men inte uppgiftsuppsättningen, antal körningar, prisantaganden, latens, felfrekvenser eller jämförelseförhållanden. Den påstådda likvärdigheten med Codex och de angivna effektivitetsvinsterna bekräftas därför inte oberoende här.
Interaktiv mekanism: hur det faktiskt fungerar
Utforska den underliggande tekniken bakom denna utveckling interaktivt.
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?
Vad du ska titta på härnäst
Nyckelfrågorna är vem som har tillgång till Fusion, vilka modeller och verktyg den stöder, om den är allmänt tillgänglig och hur dess kostnader beräknas. Ytterligare rapportering bör klargöra benchmarkuppgifterna, baslinjerna, urvalsstorlekarna, prompt-cache-antaganden och om resultaten överförs utöver kodning. Källan använder också både "SWE-2" och "SWR-2" för den lägre kostnadsmodellen, en inkonsekvens som bör lösas.
Åtkomstvillkoren är inte dokumenterade i källan. Det är okänt om Fusion är offentligt nedladdningsbart, tillgängligt via Cognitions produkter, begränsat till utvalda användare eller erbjuds genom ett annat kommersiellt arrangemang. Prissättning och eventuella obligatoriska modellabonnemang är också okända.
Uppföljningsrapportering bör fastställa om Fusion stöder modeller utöver GPT-6 Astra och Claude Fable, om användare kan tillhandahålla sina egna verktyg och uppmaningar och hur mycket av besparingarna som beror på snabb cachelagring eller specifik leverantörsprissättning.
Benchmarknamnet innehåller en inkonsekvens på källnivå: artikeln identifierar den billigare kodningsmodellen som SWE-2 men hänvisar senare till "SWR-2." Den beteckningen bör verifieras innan jämförelsen behandlas som ett exakt produktpåstående.
Oberoende testning bör undersöka framgångsfrekvenser för kodning, latens, tillförlitlighet, sammanhangshantering och prestanda för andra uppgifter än det rapporterade riktmärket. Parallella agenter kan också öka orkestreringskomplexiteten eller den totala verktygsaktiviteten även när modellkostnaderna sjunker.