GitHub presentó Project HydraFusion como vista previa de investigación después de Auto model selection, que permite a los desarrolladores seleccionar automáticamente el modelo adecuado para sus tareas. HydraFusion completa las tareas mediante la selección en tiempo de ejecución entre los modelos de varios proveedores y recurriendo a la elaboración de borradores, la crítica, la corrección o la transferencia a modelos más potentes. El sistema realiza un enrutamiento automático entre modelos locales, en la nube y compuestos, teniendo en cuenta el equilibrio entre rendimiento, coste y latencia.
HydraFusion puede utilizarse en GitHub Copilot CLI, al que los usuarios de todos los planes de GitHub Copilot pueden acceder a través de /experimental. Los usuarios deben actualizarlo con el comando /update, activar la función /experimental y seleccionar la opción HydraFusion (Research Preview) en el menú /model. La facturación se basa en los precios estándar por token de los modelos utilizados.
El sistema selecciona uno de tres modos de funcionamiento para cada solicitud: “Single”, en el que un único modelo genera directamente la solución; “Cascade”, en el que el borrador de un modelo eficiente pasa por un control de calidad y, si es necesario, se transfiere a un modelo más potente; y “Critique”, en el que un crítico independiente de una familia de modelos diferente examina y reorganiza la salida de un modelo.
En evaluaciones offline realizadas con tres benchmarks de programación, HydraFusion mostró una calidad de nivel frontier con un coste estimado bajo. En TerminalBench 2.1, aumentó 4.9 puntos la calidad verificada de las tareas frente a Claude Opus 5, al tiempo que redujo el coste estimado en 67 %.
Por qué es importante
Este enfoque está cambiando la forma de trabajar basada en un único modelo en los procesos de programación, al reducir la carga de que los desarrolladores tengan que elegir un modelo para cada tarea. El enrutamiento de modelos locales, en la nube y compuestos según el rendimiento, el coste y la latencia permite, especialmente a quienes utilizan Copilot CLI, beneficiarse de distintas opciones de calidad y recursos dentro del mismo flujo de trabajo. Aunque los resultados de los benchmarks offline muestran que se busca una alta calidad con un coste estimado más bajo, estos hallazgos no explican por sí solos cómo se traducirá en el uso real el sistema, que se encuentra en fase de vista previa de investigación. La principal cuestión que sigue abierta para los usuarios es cómo afectará este enrutamiento, que varía según el tipo de tarea, al coste total basado en los precios estándar de los tokens y a la experiencia diaria de desarrollo.