#Cognition
这个主题在过往早报中的出现记录。深度条目直达研究报告，其余条目回到当日 edition。
- 融资动态2026-09-26 · 周六重要度 4/5
Cognition称Devin年化收入运行率突破10亿美元
Cognition 9月25日称年化收入运行率突破10亿美元，并把增长归因于Devin进入多家工程团队。
这是AI编码公司从工具订阅走向企业收入指标的信号。ARR仍是公司自报口径，更需要观察留存、毛利和大客户扩张。
- 开发工具2026-09-17 · 周四重要度 2/5
单源称｜Devin推出代码扫描
Cognition在X上称Devin Code Scans可按目标审计代码库问题，报告发现并打开PR，底层使用Agentic MapReduce。
- 这是一条单源产品信号，适合观察但不宜放大成行业结论。
- 若后续有文档和案例，它会把代码审计从静态规则扩展到目标导向调查。
- 产品上新2026-07-02 · 周四重要度 4/5深度报告 →
Cognition Devin Security Swarm:用 Agentic MapReduce 把 AI 安全扫描从 token 成本问题转成并行工程问题
Cognition 发布 Devin Security Swarm——在复杂代码库中查找安全漏洞的更便宜、更准确的新方案,基于全新架构 Agentic MapReduce。Map 阶段并行派出多个 Devin 子 agent 同时扫描不同模块/文件树;Reduce 阶段汇总各子 agent 的发现,交叉验证、消除重复、聚类可疑路径。相比传统单 agent 顺序扫描,Agentic MapReduce 把扫描时间与 token 成本并行化,把『AI 做安全的成本曲线』从『单一 agent 的长上下文负担』转成『可水平扩展的并行工程问题』。这是 Devin 从通用软件工程 agent 向『AI 做安全』垂直延伸的标志——继 6-30 Devin Fusion(多 agent 协作通用软件工程)之后,Cognition 把多 agent 范式推到安全扫描场景,意味着 agent 厂商正在从『通用软件工程』走向『垂直 agent marketplace』(安全/数据/SRE/财务)。
- 产品上新2026-07-02 · 周四重要度 4/5
Cognition Devin Security Swarm:Agentic MapReduce 架构把 AI 安全扫描做成并行任务,成本更低、准确度更高
Cognition 发布 Devin Security Swarm——在复杂代码库中查找安全漏洞的更便宜、更准确的新方案,基于全新架构 Agentic MapReduce。Map 阶段:并行派出多个 Devin 子 agent 同时扫描不同模块/文件树;Reduce 阶段:汇总各子 agent 的发现,交叉验证、消除重复、聚类可疑路径。相比传统单 agent 顺序扫描,Agentic MapReduce 把扫描时间与 token 成本并行化,定位漏洞更便宜、更准确。这是 Devin 从通用软件工程 agent 向「AI 做安全」垂直延伸的标志——继 6-30 Devin Fusion(多 agent 协作通用软件工程)之后,Cognition 把多 agent 范式推到安全扫描场景。
- Devin Security Swarm 真正的价值不在「又一款 AI 安全工具」,而在 Agentic MapReduce 把 AI 安全扫描从「单 agent token 成本问题」转成「并行扫描的工程问题」
- 这是 OpenAI Deep Research、Devin Fusion、AgentKit 等『harness 化』范式在垂直场景的又一次落地。
- 头条2026-06-30 · 周二重要度 5/5深度报告 →
Cognition 发布 Devin Fusion:混合模型 harness,把『Fable 级智能』的成本压低 35%,把『能跑 benchmark』与『能写生产代码』两条曲线明确分开
Cognition AI 于 2026-06-29 通过官方 X 账号推出 Devin Fusion——一种新型混合模型 harness,专门解决『传统 routing 能过 benchmark 却写不出能合并的代码』的痛点。Cognition 自报,在内部测试中 Devin Fusion 把达到 Fable 级智能的成本压低了约 35%,且产出的代码质量仍是『你想 merge 的那种』。Cognition 借此把『能跑 benchmark 的模型』与『能写生产代码的模型』明确分开——这是 agent 工程化中『benchmark 与生产之间的距离』这一核心问题的正面回应。
- Devin Fusion 的本质不是新模型,而是『承认 benchmark 与生产之间的距离,索性把它做成产品』
- 这是 agent 工程从『选模型』下沉到『配 harness』的拐点。