Devin

Devin kann mit GPT-6 Astra eigene Arbeit selbstständig testen und verifizieren – das reduziert den manuellen Review-Aufwand für Engineers und beschleunigt den Auslieferungsprozess.

SWE-2 reduziert die Schritte pro Aufgabe gegenüber SWE-1.7 um 58 % und senkt die Kosten um 81 %, bei gleichzeitig höherer Punktzahl – relevant für Teams, die Coding-Agenten kosteneffizient einsetzen wollen. Der neue RL-Algorithmus trainiert alle Reasoning-Effort-Stufen in einem einzigen Lauf, was die gesamte Pareto-Frontier verbessert.

Der hohe Cash-Burn von bis zu 800 Mio. USD jährlich und die teure Nvidia-Infrastruktur zeigen, wie kapitalintensiv der KI-Coding-Markt ist. Eigene Open-Source-basierte Modellentwicklung soll langfristig Abhängigkeit von OpenAI und Anthropic reduzieren – ein Muster, das viele AI-Builder verfolgen.

Für Gründer und Developer-Experience-Teams zeigt der Tracker konkret, in welchen Kategorien Modelle wie Astra, Fable oder Grok dominante Erstempfehlungen liefern – und welche 28 von 161 Kategorien einen universellen Konsens aller Modelle aufweisen. Zudem belegt die Analyse, dass technische AEO-Praktiken (z.B. Markdown Content-Negotiation) messbar beeinflussen, ob Modelle Inhalte überhaupt lesen.