GitHub a présenté Project HydraFusion en aperçu de recherche, après Auto model selection, qui permet aux développeurs de sélectionner automatiquement le modèle adapté à leurs tâches. HydraFusion accomplit les tâches en sélectionnant, au moment de l’exécution, parmi les modèles de plusieurs fournisseurs, en les faisant rédiger, critiquer, corriger ou en les transférant à des modèles plus puissants. Le système effectue automatiquement le routage entre les modèles locaux, cloud et composites, en tenant compte de l’équilibre entre performances, coûts et latence.
HydraFusion est disponible dans GitHub Copilot CLI, auquel les utilisateurs de tous les forfaits GitHub Copilot peuvent accéder via /experimental. Les utilisateurs doivent effectuer une mise à jour avec la commande /update, activer la fonctionnalité /experimental et sélectionner l’option HydraFusion (Research Preview) dans le menu /model. La facturation repose sur les tarifs standards par token des modèles utilisés.
Pour chaque requête, le système sélectionne l’un des trois modes de fonctionnement suivants : « Single », dans lequel un seul modèle produit directement une solution ; « Cascade », dans lequel le brouillon d’un modèle efficace fait l’objet d’un contrôle qualité et est transféré à un modèle plus puissant si nécessaire ; et « Critique », dans lequel la sortie d’un modèle est examinée puis remaniée par un critique indépendant issu d’une autre famille de modèles.
Lors d’évaluations hors ligne menées sur trois benchmarks de codage, HydraFusion a affiché une qualité de niveau frontier pour un coût estimé inférieur. Sur TerminalBench 2.1, il a augmenté de 4,9 points la qualité vérifiée des tâches par rapport à Claude Opus 5, tout en réduisant le coût estimé de 67 %.
Pourquoi c’est important
Cette approche transforme les pratiques de codage reposant sur un modèle unique en réduisant la charge que représente, pour les développeurs, le choix d’un modèle pour chaque tâche. L’orientation entre des modèles locaux, cloud et composites en fonction des performances, du coût et de la latence permet notamment aux utilisateurs de Copilot CLI de bénéficier, au sein d’un même flux de travail, de différentes options en matière de qualité et de ressources. Si les résultats des benchmarks hors ligne montrent que l’objectif est d’atteindre une qualité élevée à un coût estimé inférieur, ces conclusions ne suffisent pas à elles seules à expliquer ce qu’il en sera dans l’utilisation réelle de ce système présenté comme une préversion de recherche. Pour les utilisateurs, la principale question qui reste en suspens est de savoir comment cette orientation, qui varie selon le type de tâche, influera sur le coût total fondé sur les tarifs standard des tokens et sur l’expérience quotidienne de développement.