[](https://devin.ai/ja) [](https://devin.ai/ja/blog) # Devinのコスト効率が最大40%向上しました Cognition2026年9月28日5分で読めます Devinの利用コストが大幅に下がったことをお知らせします。[Fusion](https://cognition.com/blog/devin-fusion)モードとNormalモードでは30〜40%、Ultraモードでは15〜20%、[Devin Review](https://app.devin.ai/review)では最大70%安くなりました。 これらの改善は、[SWE-2](https://cognition.com/blog/swe-2)をはじめとする最新モデルを取り入れ、その力を最大限に引き出せるようDevin Cloudのハーネスを作り込んだことによるものです。その結果、同じDevinの利用量で、これまでよりもずっと多くのことができるようになります。 こうしたコスト削減と並行して、Devinのすべてのモードで知能を維持、あるいは向上させています。実際、Devin Fusionは現在[FrontierCode 1.1](https://cognition.com/frontiercode)で首位に立っており、**Extendedで68.8**というスコアを、平均**タスクあたり$0.60**で達成しています。 #### FrontierCode 1.1 Extendedスコア対コスト ## モデル非依存という強み Devinは、あらゆる最新モデルの長所を引き出します。モデルにはそれぞれ異なる強みがあり、新しいモデルが登場するたびに、一定のコストで実現できることも変わり得ます。Opus 5.5とGPT-6 Solは、優れたコストパフォーマンスを保ちながらより高い知能をもたらし、GPT-6 Astraは優れたコンピューター操作の能力を備え、GPT-6 Lunaは補助的なタスクのコストを大幅に引き下げます。自社開発のSWE-2やその他の多くのモデルとあわせて、これらのモデルにより、Devinの各部分に最適なモデルを柔軟に選べるようになっています。 Fusionはこの柔軟性を活かし、高性能なリードモデルと、よりコスト効率の高いサイドキックモデルを組み合わせることで、知能と効率の両面での進歩の恩恵を受けています。Devin Reviewは、差分の分析、バグの発見、変更の分類のそれぞれに最適なモデルを選択できます。さらに、NormalとUltraも同じ柔軟性の恩恵を受けており、計画立案、テスト、デバッグ、マイグレーションなど、それぞれの作業に強みを持つモデルを選べるようになっています。 ## より効率的なハーネス モデルのアップグレードと並行して、私たちはDevinのハーネスを継続的に改良し、新しいモデルの能力を活かせるようにしています。最近のリリースでは、Devinが1ステップごとにより多くのことを達成し、キャッシュされたコンテキストを最大限に活用できるようハーネスを改良しました。 ### より少なく、より賢いツール呼び出し 新しいモデルは、細かな操作を1ターンずつ順番に処理するのではなく、複数のアクションをまとめて推論するのが得意になってきています。コードのフォーマット、Lint、テストの実行といった一連の作業であれば、モデルは3つすべてを1回のツール呼び出しで要求し、その結果をまとめて推論できます。必要なターン数が減り、作業の調整に費やすトークンも少なくなるため、セッション全体を完了するためのコストが下がります。 ツール呼び出しとコマンドのバッチ処理 既存のコンテキストこのターンで追加不要になったターン モデルに送信するリクエスト送信量 ターン1 これまでのセッション 8K ターン2 \+ フォーマット、Lint、テスト 15K ターン3 不要 – ターン4 不要 – 合計 2ターン ターン数が4から2に減り、送信トークンは49%削減 23K 例：フォーマット、Lint、テスト。各行はモデルへの1回のリクエストを表し、トークン数は概数による例です。 さらに私たちは、Devinが複数のシェルコマンドを1回の呼び出しにまとめる方法や、互いに独立したツール呼び出しを並列で実行する方法にも改良を重ね、1ターンでより多くの作業を計画できる新しいモデルの能力を活かしています。独立したステップは並列で実行でき、計画済みの一連の処理は、コマンドの合間にモデルへ戻ることなく連続して実行できます。 ### キャッシュを最大限に活用する LLMはステートレスです。Devinのようなコーディングエージェントでは、モデルが次に何をすべきかを判断するのに必要なコンテキスト、つまり指示、関連するコード、それまでのアクションを、リクエストのたびに含める必要があります。増え続けるこの履歴を毎ターンゼロから処理していては、時間もコストもかかりすぎてしまいます。プロンプトキャッシュを使えば、こうした処理の多くを繰り返さずに済みます。リクエストの冒頭部分が以前のリクエストと一致していれば、モデルは同じ入力を処理し直す代わりに、その共通のプレフィックスについて保存済みの計算結果を再利用できます。モデルは引き続きそのコンテキストを参照できますが、再利用するほうがはるかに安価かつ高速です。 エージェントセッションにおけるプロンプトキャッシュ ゼロから処理キャッシュから読み込み モデルに送信するリクエスト送信量ゼロから処理 ターン1 指示 + タスク 7K 7K ターン2 \+ コードの読み込み 16K 9K ターン3 \+ テストの実行 20K 4K ターン4 \+ コードの編集 23K 3K ターン5 \+ テストの実行 27K 4K 合計 ゼロから処理するトークンが71%減少 93K 27K 例示用のセッションです。各行はモデルへの1回のリクエストを表し、トークン数は概数による例です。 キャッシュを最大限に活用するには、ハーネスを慎重に設計する必要があります。共通のプレフィックスは変更せずに保たなければならず、キャッシュの有効期間は限られており、キャッシュされた計算結果は特定のモデルとプロバイダーに固有のものです。Devinのハーネスは、こうした制約のなかでコンテキストを再利用できるよう最適化されているため、各プロバイダーでキャッシュが安くなるほど、その恩恵を受けられます。Opus 5.5のキャッシュ読み取りのコストはOpus 5より60%低く、GPT-6 SolとLunaはいずれも、前世代にあたる5.6のモデルと比べてキャッシュ読み取りの価格が半分になっています。長い履歴を多くのターンにわたって引き継ぐタスクでは、こうした削減が積み重なっていきます。 ## 今日から、Devinをもっと活用 より効率的になったDevinは、[devin.ai](https://app.devin.ai/)で本日からご利用いただけます。最も野心的な仕事に挑み、Devinの利用からこれまで以上の成果を引き出してください。 皆さんが何を作り上げるのか、楽しみにしています。 目次 [モデル非依存という強み](#モデル非依存という強み)[より効率的なハーネス](#より効率的なハーネス)[より少なく、より賢いツール呼び出し](#より少なくより賢いツール呼び出し)[キャッシュを最大限に活用する](#キャッシュを最大限に活用する)[今日から、Devinをもっと活用](#今日からdevinをもっと活用)