GitHub apresentou o Project HydraFusion como prévia de pesquisa, após o Auto model selection, que permite aos desenvolvedores selecionar automaticamente o modelo adequado para suas tarefas. O HydraFusion conclui as tarefas selecionando, em tempo de execução, entre modelos de vários provedores e encaminhando-as para elaboração de rascunhos, crítica, correção ou modelos mais poderosos. O sistema faz o roteamento automático entre modelos locais, em nuvem e compostos, levando em conta o equilíbrio entre desempenho, custo e latência.
O HydraFusion pode ser usado no GitHub Copilot CLI, acessível por meio de /experimental para usuários de todos os planos do GitHub Copilot. Os usuários precisam atualizar com o comando /update, ativar o recurso /experimental e selecionar a opção HydraFusion (Research Preview) no menu /model. A cobrança baseia-se nos preços padrão por token dos modelos utilizados.
O sistema escolhe um dos três modos de operação para cada solicitação: “Single”, em que um único modelo produz diretamente a solução; “Cascade”, em que o rascunho de um modelo eficiente passa por controle de qualidade e, se necessário, é encaminhado para um modelo mais poderoso; e “Critique”, em que a saída de um modelo é analisada por um crítico independente de uma família de modelos diferente e reorganizada.
Em avaliações offline realizadas em três benchmarks de programação, o HydraFusion apresentou qualidade de nível frontier com baixo custo estimado. No TerminalBench 2.1, aumentou em 4.9 pontos a qualidade verificada das tarefas em comparação com o Claude Opus 5, ao mesmo tempo que reduziu o custo estimado em 67%.
Por que isso é importante
Essa abordagem muda a forma de trabalho baseada em um único modelo nos processos de programação, reduzindo a necessidade de os desenvolvedores escolherem um modelo para cada tarefa. O roteamento de modelos locais, em nuvem e compostos com base em desempenho, custo e latência permite, especialmente aos usuários do Copilot CLI, aproveitar diferentes opções de qualidade e recursos dentro do mesmo fluxo de trabalho. Embora os resultados de benchmarks offline indiquem que o objetivo é alcançar alta qualidade com um custo estimado mais baixo, essas conclusões, por si só, não explicam como o sistema, que se encontra em fase de prévia de pesquisa, se traduzirá em condições reais de uso. Para os usuários, a principal questão ainda em aberto é como esse roteamento, que varia conforme o tipo de tarefa, afetará o custo total com base nos preços padrão por token e a experiência cotidiana de desenvolvimento.