AREX Feed Article
Artificial Analysis 实测 Devin Fusion：68.1 分，每任务成本比 Opus 5.5 版 Claude Code 低 31%
指数发布方 Artificial Analysis 于 2026 年 10 月 21 日 05:10 UTC 了自己执行的 Devin Fusion 测试结果：被测对象是 Cognition 的 Devin Fusion CLI，主力模型 Claude Opus 5.5 (max)、辅助模型 GPT-6 Luna (high)，在 Artificial Analysis Coding Agent Index 上得 68.1 分。
这个分数排在同榜 Claude Code 配 Claude Sonnet 5.5 (max) 的 68.4 分之后，比 Muse Code 配 Muse Wonder Full (max) 的 68.0 分高 0.1。与同样以 Opus 5.5 为主力的 Claude Code（66.0 分）相比，它每任务成本 $9.01 对 $13.04，平均耗时 55 分钟对 65 分钟。
按帖文描述，Fusion 让一个前沿 lead（主力）模型与一个更低成本的 sidekick（辅助）模型并行工作，两者各有独立的上下文和工具，lead 保留规划、委派与最终审阅。AA 写明，这一成绩反映的是两个模型合作的结果，成本也把两个模型的 API 开销算在一起。
Cognition 在里给出的分工示意，AA 测试的正是这种 lead 加 sidekick 的并行结构。
0.4 分区间里的三组配置
帖文开头说这一配置「得 68 分」，比 Opus 5.5 版 Claude Code 高 2 分、每任务成本低 31%；正文随后给出的数字是 68.1。两个数字的参照物不同：相对 66.0 分的基线上浮 2.1 分，相对 68.4 分的 Sonnet 5.5 配置则低 0.3 分。帖文把这三组描述为在榜首紧咬，最高与最低之间只隔 0.4 分。
X 用户 在 AA 发帖约两小时后引用这组数字，称 Claude Code 里的 Sonnet 5.5（max）以 68.4 比 68.1「压过」Devin Fusion；他把 Sonnet 5.5 称为 Anthropic「更小」的模型，认为它单打独斗就追上了两模型的前沿组合。这是单个用户的评价，不是评测结论。
三项等权，终端任务的失分被另外两项盖过
AA 的写明，当前标注为 v1.5 的指数由三项基准等权合成：Datacurve 的 DeepSWE v1.1（113 项任务）、Laude Institute 的 Terminal-Bench 4.0（66 项任务）和 Scale AI 的 SWE-Atlas-QnA（124 项任务）。每项基准对每个任务做三次尝试，取 pass@1（单次尝试通过率）的平均。
按帖文给出的分项复算，Devin Fusion 在 DeepSWE v1.1 得 72.6%、SWE-Atlas-QnA 得 69.6%、Terminal-Bench 4.0 得 62.1%，三项算术平均正好是 68.1。作为对照的 Opus 5.5 版 Claude Code 分别是 68.4%、66.4%、63.1%，平均 65.97，四舍五入即 66.0。Fusion 在终端任务上低 1.0 个百分点，靠另外两项分别高出 4.2 和 3.2 个百分点拉回，净差 2.1 分。
| 指标 | Devin Fusion（Opus 5.5 max + GPT-6 Luna high） | Claude Code（Opus 5.5 max） |
|---|---|---|
| Coding Agent Index | 68.1 | 66.0 |
| DeepSWE v1.1 | 72.6% | 68.4% |
| Terminal-Bench 4.0 | 62.1% | 63.1% |
| SWE-Atlas-QnA | 69.6% | 66.4% |
| 每任务 API 成本 | $9.01 | $13.04 |
| 每任务平均耗时 | 55 分钟 | 65 分钟 |
AA 的在同一配置行给出取整后的 68 分、DeepSWE v1.1 73%、Terminal-Bench 4.0 63%、SWE-Atlas-QnA 69%、每任务 55.0 分钟，与帖文的分项对得上；成本一栏写的是 $9.02，比帖文多 1 美分。这些分数由 AA 自己执行、按自家指数口径合成，属于单一评测方的结果。
$9.01 里算进了两个模型的 API 开销
帖文注明，列出的成本是按 token 计费的 API 成本，不是订阅价格。以 Opus 5.5 版 Claude Code 的 $13.04 为分母，$9.01 低 30.9%，帖文取整写作 31%。
省下来的钱出自哪一侧，帖文没有交代。它没有给出两个模型各自的费用，也没有给出各自的 token 用量；对比页的这一配置行给出每任务 12.9M token 的总用量。在两个模型并行、各自带上下文的情况下，成本优势究竟来自主力模型少干活、辅助模型单价更低，还是两者兼有，这组数字回答不了。
换一组搭档，分数相差 9.1 分
68.1 只对应一种搭配。AA 对比页上，Devin Fusion CLI 换用 Claude Fable 5.1 XHigh 加 SWE-2 Medium 得 62 分、每任务 $7.90；换用 GPT-6 Astra XHigh 加 SWE-2 Medium 得 59 分、每任务 $4.54。同一套 harness（智能体框架）内，主力与辅助模型的选择把分数拉开了 9.1 分，$9.01 约为 $4.54 的两倍。
帖文给出的是三项基准各三次尝试的平均值，没有多次运行之间的分布。0.3 分和 0.1 分的差距是否超出运行波动，需要这组分布数据才能判断。