Copilot Fusion 试验端云模型智能路由

GitHub Copilot Fusion 开始把本地模型纳入智能路由：选择 Standard 后，Copilot 可以在受支持的设备端模型和云端模型之间分配请求，不必每次手动切换。这项能力目前处于需要主动开启的实验预览阶段。

对程序员来说，变化是本机算力有了接入日常 AI 编程流程的入口。但入口能否使用，取决于操作系统、Copilot 客户端和模型配置方式。尤其要分清：接入了本地模型，不代表能自动路由，更不代表会话可以离线运行。

选 Standard，就能让本地和云端自动分工吗

可以，但前提是本地模型符合路由条件，并且开启了实验能力。

此次更新覆盖 GitHub Copilot CLI、GitHub Copilot app 和 Visual Studio Code。模型准备好后，在 Copilot Fusion 中选择 Standard，Copilot 就能在符合条件的本地模型和云端模型之间选择；用户也可以直接指定本地模型用于当前会话。

自动路由解决的是每次请求手动选模型的问题。

不过，公告没有解释具体分配规则：哪些请求会留在本地，哪些会交给云端，设备负载是否参与判断，都没说清。原文提到可以参考 October 7th 的首次公告，但本次内容没有提供速度、回答质量或资源消耗的实测数据。

Windows 托管安装，与自行接入有什么区别

Windows 上提供了托管下载和配置入口，支持的设备可以通过 Windows ML provider 安装 MAI Code 1.1 Flash。

三个客户端的开启方式不同：

• Copilot CLI 需要启用 experimental mode，再打开 /model，按照提示完成配置。
• Copilot app 需要在 Settings > Model providers 配置 Windows ML provider，在 Settings > Experiments 开启 Local model auto routing，然后启动新会话。
• VS Code 需要启用 chat.copilot.localModel.enabled。

公告同时说明，Windows 上的 Windows ML local models 默认开启。它与需要主动启用的实验路由是不同配置，不能据此认为自动路由已经默认生效。

托管安装仅限 Windows，但 Copilot CLI 的本地自动路由也支持 Windows、macOS 和 Linux 上手动配置的模型。用户可以通过本地 OpenAI-compatible server 接入 MAI Code 1.1 Flash 或 Qwen3.8 Flash Next。这里的兼容指服务接口兼容 OpenAI，并不表示模型来自 OpenAI。

自行接入时，模型下载、推理运行环境和设备资源都由用户负责。完成受支持的 local-model provider 配置、启用实验性本地路由后，再选择 Standard。

还有一个容易踩坑的边界：通过 BYOK（bring your own key）添加或发现模型，不会自动让它获得 Copilot Fusion 路由资格。 Copilot app 虽然也能通过 BYOK 连接并直接选择兼容的本地模型，但它目前的智能路由只支持托管的 Windows ML 模型。

我的判断

这次更新的实用之处，是把本地模型纳入现有 Copilot 使用流程。相较于每次手动挑选模型，Standard 减少了操作；直接指定本地模型，则更适合需要明确控制当前会话模型的场景。

但自动选择是否更快、更省钱、回答更好，公告没有对照数据，不能替它下结论。不同设备能否流畅运行，也需要结合实际资源判断，原文没有给出统一硬件门槛。

另一个边界比安装步骤更重要：本地推理不等于离线会话。 Copilot Fusion 仍在云端作出路由决策，不能仅凭模型运行在本机，就认定整个过程不联网。公告也没有完整交代路由阶段的数据流转细节。

此外，本地模型的安全保护可能与 Copilot 提供的云端模型不同。对团队而言，能成功接入只是第一步，还需要验证它在实际任务中的输出表现。

能拿来做什么

• Windows 用户可以先按所在客户端的配置路径接入 MAI Code 1.1 Flash，再用熟悉的代码任务观察 Standard 的使用表现。
• macOS 或 Linux 上使用 Copilot CLI 的开发者，可以通过本地 OpenAI-compatible server 接入公告列出的模型，并确认它符合自动路由条件。
• 排查「模型已添加却没有参与路由」时，先区分 BYOK 接入、直接选择和 Fusion 路由资格，避免反复检查同一个配置入口。
• 团队试用时，可以用同一组代码任务比较直接选择本地模型与 Standard 的结果，记录耗时、资源占用和修改质量，再决定是否纳入日常流程。