A San Francisco-székhelyű Cognition a világ első autonóm mesterségesintelligencia-fejlesztője, a Devin megalkotásával vált világhírűvé. A vállalat célja az MI (például a Devin Desktop és a Devin Fusion révén) mérnöki problémák megoldására és hatékonyságnövelésre történő alkalmazása.

Abból indulnak ki, hogy a technológia célja a humán kapacitás bővítése, viszont nem az értelmes munka helyettesítésével, hanem azáltal, hogy az MI exponenciális együttműködőként kooperál emberekkel, segítve őket mélyebben gondolkodni és gyorsabban haladni. 

Szoftvereket fejlesztenek, mert azok az élet szinte minden aspektusát alakítják. Segítik a mérnököket, hogy inkább építészként működjenek: stratégiát dolgozzanak ki, rendszereket tervezzenek és a problémamegoldásra összpontosítsanak, míg az ágensek elvégzik a repetitív munkát.

A Devin a felhasználó kódbázisában és az általa már használt eszközökkel dolgozva önállóan tervezi, írja, teszteli és leszállítja az éles kódot (production code), azaz a már sikeresen tesztelt, és élő, valós környezetben ténylegesen használatban lévő szoftverkódot.  

A nemrég kiadott Devin Fusion többmodelles rendszer, nagyteljesítményű MI-modell és egy olcsóbb „segítő” modell között irányítja a feladatokat, miközben kódgenerálás során is fenntartja a csúcskategóriás teljesítményt. 

Az architektúra két párhuzamos ágenst futtat – az egyik drága modellel kezeli a tervezést és a végső felülvizsgálatot, míg a másik költséghatékony modellel kezeli a rutinfeladatokat. Mindkettő fenntartja saját gyorsító-tárazott kontextusát, hogy elkerülje a modellváltáskor jelentkező, költséges gyorsítótár (cache) kihagyásokat.

A FrontierCode-on, a Cognition valós minőséget mérő kódolási benchmarkján a Fusion a vezető modelleknél (GPT-5.5, Opus 4.8 stb.) harmincöt százalékkal alacsonyabb költségeket generált, miközben a teljesítményüket is elérte. 

A rendszer dinamikus, munkamenet közbeni útválasztást is végez: a könnyű osztályozók a végrehajtás során figyelik a feladat nehézségét, és a kontextus tömörítése során az időzítési változások révén modelleket válthatnak, vagy frissíthetik a segítőt extra gyorsítótár-büntetések nélkül. 

A belső tesztek alapján a Cognition egyesített lekérési kérelmeinek nyolcvannyolc százalékát teljes egészében az automatizált útválasztó kezelte. Ez pedig azt jelenti, hogy a megközelítés nemcsak benchmarkok esetében, hanem tényleges mérnöki feladatoknál is működik.