> ## Content Index > Fetch the complete content index at: https://www.digitalbrain.news/llms.txt > Use this file to discover other available public pages before exploring further. # Cognition lanza Devin Fusion y baja el coste un 46% juntando dos modelos - URL: https://www.digitalbrain.news/noticias/cognition-devin-fusion-46-por-ciento-menos-coste/ - Published: 2026-09-12T07:16:06.000Z - Updated: 2026-09-12T07:17:46.000Z - Description: Cognition ha lanzado Devin Fusion, una arquitectura de agente de programación que pone dos modelos a trabajar a la vez: uno caro que planifica… - Author: Ramón Pérez Coronado - Tags: #noticias, cognition, devin, coding, agentes-ia Cognition ha lanzado Devin Fusion, una arquitectura de agente de programación que pone dos modelos a trabajar a la vez: uno caro que planifica y otro barato que ejecuta. [Según su anuncio](https://cognition.com/blog/local-fusion?ref=digitalbrain.news), el montaje baja el coste un 46% en su banco de pruebas sin perder rendimiento. ## Puntos clave - Un modelo frontera hace de lider y se encarga de planificar y razonar. Un modelo más barato hace de ejecutor y escribe el código. - Los dos corren en paralelo, con contextos persistentes separados. El planificador sigue pensando mientras el ejecutor trabaja. - Hasta un 39% más de eficiencia frente a un montaje de un solo modelo. - Un 46% menos de coste en las condiciones concretas de su [benchmark](https://www.digitalbrain.news/glosario/#benchmark). - En el Artificial Analysis Coding Agent Index v1.5, Fusion iguala a Fable 5.1 y supera a [GPT-6](https://www.digitalbrain.news/glosario/#gpt) Astra. - La pareja recomendada por Cognition es Fable 5.1 como lider y SWE-2 como ejecutor. ## La idea, sin la jerga Un agente de programación normal usa el mismo modelo para todo: entender el problema, decidir el plan, escribir el código, ejecutarlo y comprobar el resultado. Eso significa pagar precio de modelo frontera por tareas que no lo necesitan. Fusion parte el trabajo. El modelo caro decide qué hay que hacer. El barato lo teclea. La parte que no es obvia es el paralelismo. Los dos modelos mantienen su propio contexto y no se bloquean entre sí, así que el planificador puede estar preparando el siguiente paso mientras el ejecutor todavía está con el anterior. De ahí sale el 39% de eficiencia, más que del precio por [token](https://www.digitalbrain.news/guias/que-es-un-token-en-ia/). ## Los números y su letra pequeña El 46% de ahorro es de Cognition, medido en su propio banco de pruebas y en condiciones que ellos eligen. Es un dato válido, pero no es independiente. El de terceros sí lo es: en el Artificial Analysis Coding Agent Index v1.5, Fusion queda a la altura de Fable 5.1 y por encima de GPT-6 Astra. Ese índice lo mantiene alguien que no vende el producto. La combinación recomendada es Fable 5.1 arriba y [SWE-2 abajo](https://www.digitalbrain.news/noticias/cognition-swe-2-kimi-k3-terminal-bench-92-8/), el modelo propio que Cognition lanzó hace un día sobre Kimi K3\. Tiene todo el sentido comercial: el ejecutor es suyo. ## GPT-6 Astra entra en Devin por otra puerta En paralelo, [OpenAI](https://www.digitalbrain.news/glosario/#openai) y Cognition han anunciado que GPT-6 Astra ya está disponible en Devin Desktop y Devin CLI, y forma parte de la mezcla de modelos de Devin Cloud. El papel que le han dado es específico: que Devin pruebe su propio trabajo. Según Cognition, en FrontierCode 1.1 Astra queda a 0,4 puntos de Fable 5 con un 64% menos de coste, y marca el mejor resultado de su banco interno de testing, generando pruebas más completas e informes más claros. Que el modelo que revisa sea distinto del que escribe no es un detalle menor. Un modelo que se corrige a sí mismo tiende a validar sus propios errores. ## Por qué importa Este es el cambio más práctico del año en agentes de código, y no tiene que ver con capacidad. Durante dos años la conversación fue "qué modelo es mejor". La respuesta de Fusion es que la pregunta estaba mal planteada: lo que importa es qué modelo para qué parte de la tarea. Planificar y ejecutar tienen exigencias distintas y precios distintos. Si en tu empresa hay agentes corriendo contra la API, ese es el ejercicio que toca hacer. Mira qué porcentaje de tus llamadas a modelo frontera son decisiones reales y cuántas son ejecución mecánica. En la mayoría de montajes que se ven por ahí, la segunda cifra es la grande, y se está pagando a precio de la primera. Fuente original: [cognition.com](https://cognition.com/blog/local-fusion?ref=digitalbrain.news) --- **Relacionado** [![Cognition lanza SWE-2 sobre Kimi K3 y marca 92,8% en Terminal-Bench 2.1](https://storage.ghost.io/c/6d/e3/6de31f63-d0a8-45df-9c6a-481016520347/content/images/size/w300/format/webp/2026/09/cognition-swe-2-kimi-k3-terminal-bench-92-8.jpg)Cognition lanza SWE-2 sobre Kimi K3 y marca 92,8% en Terminal-Bench 2.1](https://www.digitalbrain.news/noticias/cognition-swe-2-kimi-k3-terminal-bench-92-8/)[![Cognition cierra 2.000 millones a una valoración de 48.000 y quema 800 al año en cómputo](https://storage.ghost.io/c/6d/e3/6de31f63-d0a8-45df-9c6a-481016520347/content/images/size/w300/format/webp/2026/09/cognition-48000-millones-ronda-2000-millones.jpg)Cognition cierra 2.000 millones a una valoración de 48.000 y quema 800 al año en cómputo](https://www.digitalbrain.news/noticias/cognition-48000-millones-ronda-2000-millones/)[![Meta lanza Muse Spark 1.3 y saca 75,4 en DeepSWE, por delante de Opus 5](https://storage.ghost.io/c/6d/e3/6de31f63-d0a8-45df-9c6a-481016520347/content/images/size/w300/format/webp/2026/09/meta-muse-spark-1-3-deepswe-75-4-supera-opus-5.webp)Meta lanza Muse Spark 1.3 y saca 75,4 en DeepSWE, por delante de Opus 5](https://www.digitalbrain.news/noticias/meta-muse-spark-1-3-deepswe-75-4-supera-opus-5/)