Devin 现在最高可节省 40% 成本（3 分钟阅读）

# Devin 现在的成本效益提升了最高达 40% 来源：https://devin.ai/blog/more-efficient-devin 我们很高兴地宣布，Devin 现在的使用成本大幅降低：[Fusion](https://cognition.com/blog/devin-fusion) 和 Normal 模式降低 30%~40%，Ultra 模式降低 15%~20%，而 [Devin Review](https://app.devin.ai/review) 的成本最高降低了 70%。 这些改进源于我们整合了最新一代模型（包括 [SWE-2](https://cognition.com/blog/swe-2)），并对 Devin 的 Cloud 运行框架进行了工程优化，以充分发挥这些模型的能力。这意味着你的 Devin 用量可以用得更久、走得更远。 在降低费用的同时，我们在 Devin 的每种模式中都保持或提升了智能水平。事实上，Devin Fusion 目前在 [FrontierCode 1.1](https://cognition.com/frontiercode) 上表现领先，在 **Extended 上得分为 68.8**，平均每任务成本仅 **$0.60**。 #### FrontierCode 1.1 Extended 得分与成本对比 $0$0.50$1$1.50$2$2.50$3每任务平均成本（美元）565860626466687072得分Devin Fusion68.8 · $0.60Opus 5.5（high）65.2 · $0.90Fable 5.1（medium）63.6 · $2.68GPT-6 Astra（high）63.1 · $2.62SWE-2（high）60.1 · $0.64GPT-6 Sol（high）59.6 · $0.87 ## 模型无关性带来优势 Devin 从所有最新模型中汲取最优能力。不同的模型各有优势，新模型的发布也能在既定成本下拓展可能性的边界。Opus 5.5 和 GPT-6 Sol 以极具性价比的方式带来了更强的智能水平，GPT-6 Astra 在计算机操作方面表现出色，而 GPT-6 Luna 则大幅降低了辅助任务的成本。加上我们自研的 SWE-2 以及众多其他模型，这些能力让我们可以为 Devin 的每个环节灵活选择最合适的模型。 Fusion 正是将这种灵活性付诸实践：将一个能力出众的主模型与一个更具成本效益的搭档模型配对，在智能和效率两方面同时获益。Devin Review 能够针对 diff 分析、Bug 定位和变更分类挑选最合适的模型。最后，Normal 和 Ultra 模式同样受益于这种灵活性，让我们能够根据模型在规划、测试、调试、迁移等方面的优势进行选择。 ## 更高效的运行框架 在模型升级之外，我们持续改进 Devin 的框架，以充分利用新模型的能力。借助近期的几次发布，我们优化了框架，使 Devin 能够在每一步完成更多工作，并最大化利用已缓存的上下文。 ### 更少但更聪明的工具调用 新一代模型越来越擅长将多个动作作为一个整体进行推理，而不是逐轮处理每一个小操作。对于格式化代码、代码检查和运行测试这类操作序列，模型可以在一次工具调用中同时请求全部三项，然后对结果进行综合推理。模型需要的轮次更少，用于协调工作的 token 也更少，从而降低了整个会话的完成成本。 批量处理工具调用与命令 已有上下文本轮新增本轮不再需要 请求发送给模型已发送 第 1 轮 目前为止的会话 8K 第 2 轮 + 格式化、代码检查、测试 15K 第 3 轮 无需发送 – 第 4 轮 无需发送 – 总计 2 轮 从 4 轮减少到 2 轮，发送的 token 减少 49% 23K 示意图：格式化、代码检查和测试。每行代表一次发送给模型的请求；token 数量为四舍五入后的示例值。 我们进一步优化了 Devin 将多条 shell 命令合并为一次调用、并行执行独立工具调用的方式，充分利用了新模型能够在每轮中规划更多工作的能力。独立的步骤可以并行运行，而经过规划的操作序列可以连续执行，无需在命令之间回到模型。 ### 充分利用缓存 大语言模型是无状态的。对于 Devin 这样的编码智能体，每次请求都必须包含模型决定下一步操作所需的上下文：指令、相关代码和先前的操作历史。如果每一轮都从头处理这些不断增长的历史记录，速度会很慢，成本也会很高。Prompt 缓存可以避免重复处理大量工作：当一个请求的开头与之前的请求相匹配时，模型可以复用这段共享前缀的已保存计算结果，而无需重新处理相同的输入。模型依然可以访问完整的上下文，但复用缓存的方式成本更低、速度更快。 智能体会话中的 Prompt 缓存 从头处理从缓存读取 请求发送给模型已发送从头处理 第 1 轮 指令 + 任务 7K 7K 第 2 轮 + 读取代码 16K 9K 第 3 轮 + 运行测试 20K 4K 第 4 轮 + 编辑代码 23K 3K 第 5 轮 + 运行测试 27K 4K 总计 从头处理的 token 减少 71% 93K 27K 示例会话。每行代表一次发送给模型的请求；token 数量为四舍五入后的示例值。 充分利用缓存需要精心的框架设计。共享前缀必须保持不变，缓存有其生命周期限制，且缓存的计算结果是特定于模型和供应商的。Devin 的框架在这些约束下针对上下文复用进行了优化，因此随着各供应商的缓存成本不断降低，Devin 也会持续受益。Opus 5.5 的缓存读取成本比 Opus 5 低 60%，而 GPT-6 Sol 和 GPT-6 Luna 的缓存读取价格相比各自的 5.6 前代产品都降低了一半。在一个需要跨多轮携带长历史记录的任务中，这些节省会不断累积。 ## 今天就从 Devin 中释放更大价值 更高效的 Devin 现已在 [devin.ai](https://app.devin.ai/) 上线，你可以用它来推进最有挑战性的工作，从 Devin 用量中获取更大价值。 我们迫不及待地想看看你会构建出什么。