GitHub Copilot推出HydraFusion，多模型协作成本降67%

GitHub Copilot推出了HydraFusion研究预览功能，尝试通过运行时协调多个模型提升编码任务的处理能力。该项目延续了自动模型选择思路，但进一步把开发工作流视为可优化的执行计划，并根据任务需要调用不同供应商的模型，完成从生成到验证的完整流程。

HydraFusion会利用面向复杂操作设计的能力信号分析输入提示，覆盖多步推理、自动生成代码、结构化调试和高级工具调用等场景。系统随后按照任务复杂度与上下文，在三种运行方式之间进行选择：单一模式直接交给能力足够的模型，以降低延迟；级联模式先由效率更高的模型生成方案，再经过质量门控，不合格时升级给更强模型；评审模式则增加一个来自独立模型族、且没有工具权限的只读评审模型，原起草模型会依据评审意见完成一次结构化修改。

为满足生产环境的稳定性要求，项目设置了五项运行约束。系统会记录起草、评审、修改、升级、重试和回退各阶段的令牌消耗；通过超时与取消机制划定执行边界；将评审过程隔离在无工具环境中，避免评审模型直接修改代码；验证失败或任务取消时拒绝应用补丁；在启动运行前检查模型是否可用以及模型绑定关系，从而降低路由失败风险。

在针对三个代理式编码基准的受控离线测试中，HydraFusion的选择性调度在保持或提升质量的同时减少了预估成本。以TerminalBench 2.1为例，与Claude Opus 5相比，HydraFusion完成验证任务的质量高出4.9个百分点，预估成本则下降67%。

另一项内部测试使用CheckpointBench进行多轮评估。该平台基于可重放的真实GitHub Copilot代理编码会话构建，会话对应公开代码库及不可变提交。测试显示，HydraFusion的平均会话得分与Claude Opus 5这一参考基准几乎一致，仅低0.1个百分点，同时将预估工作流成本降低65%。

目前，HydraFusion仍处于研究预览阶段，已通过GitHub Copilot CLI的“/experimental”配置向各个用户层级开放。开发者更新CLI后，可执行“/experimental on”，再在“/model”选择界面中启用HydraFusion。使用过程中，费用将按照实际调用的底层模型所适用的标准Token费率计算。