GitHub Copilot 发布 HydraFusion：多模型编排达到前沿质量

一直以来，为开发者提供最适合当前任务的基础模型始终是我们的目标。今年年初，我们发布了 Auto model selection 功能，让这一目标变得更加简单——它会审视你的任务，并将其匹配到最适合的模型。

今天，我们正式推出 Project HydraFusion，这是一项研究预览（research preview），通过运行时编排（runtime orchestration）提供前沿级别的智能。它会创建一个完整的执行计划，从多个供应商的模型中进行选择，完成起草、批判与修订，或者级联到更强大的模型来完成任务。

HydraFusion 在我们的整体战略中扮演着关键角色——实现本地模型、云端模型和组合模型之间的自动化语义路由。对开发者而言，这些复杂性都被隐藏在幕后：你像选择其他模型一样选择 HydraFusion，而它会为每个任务选择一种在性能、成本和延迟之间取得平衡的工作流。

HydraFusion 将工作流选择视为一个优化问题。它利用推理、代码生成、调试和工具使用的能力信号（capability signals）来选择最有效的执行模式，以满足质量标准。

对于每个请求，HydraFusion 目前会选择以下三种执行模式之一：

Single。由一个选定的模型直接解决任务。

Cascade。一个高效的模型先起草解决方案，然后由质量门（quality gate）决定是接受该方案还是升级到更强的模型。

Critique。一个模型先起草结果，来自不同模型家族的独立只读评审模型（遵循与 Rubber Duck 相同的评审模式）对其进行审查，然后起草模型修订一次。

图 1. HydraFusion 架构

每种模式对应不同的质量-成本权衡。当一个模型能够直接解决任务时，Single 模式保持速度和效率。Cascade 模式让高效模型先尝试，同时在候选方案未通过验收门时保留通往更强推理能力的路径。对于评审比另一次独立尝试更有价值的任务，Critique 模式提供了独立的视角。

在三个代理式编程（agentic coding）基准测试的离线评估中，HydraFusion 一致地展示了前沿级别的质量，同时大幅节省了预估成本。在 TerminalBench 2.1 上，相比 Claude Opus 5，它将已验证任务质量提升了 4.9 个百分点，同时预估成本降低了 67%。

让我们深入了解这一方法、结果以及基准测试的细节。

自适应多模型编排

开发者实际上已经在手动协调多个模型：为任务选择一个模型，请另一个模型审查工作，或者将困难问题升级给更有能力的模型。HydraFusion 将这一熟悉的过程引入运行时。你只需选择一次 HydraFusion，就可以专注于任务本身，而它会在幕后管理模型和工作流。

关键在于选择性。有些编程任务可以直接解决，而有些则受益于审查、修订或升级。HydraFusion 评估每个请求，选择预期能够满足需求的最不复杂的工作流——仅在可能改善结果时才调用额外的模型。这种自适应方法在质量、成本和延迟之间取得平衡。

随着模型前沿的不断推进，HydraFusion 也在进化。当 GitHub Copilot 中有新模型可用时，我们可以评估并将其纳入模型池，让它们的优势发挥在最适合的任务上。

将自适应多模型编排转化为一种可靠的编程体验，需要对执行、审查、成本和仓库状态进行精细控制。HydraFusion 围绕五个运行原则构建：

完整记账。聚合每个工作流环节的成本和使用量，包括起草、评审、修订、升级、重试和降级。

有界执行。为每个环节提供明确的超时和取消行为，使执行和成本保持在定义的限制内。

隔离评审。评审步骤在隔离的、无工具的上下文中运行，而解决器步骤使用共享工作区和正常的权限感知代理循环。这允许模型独立评估工作，而不会修改仓库。

故障安全应用。当工作流被取消或验证失败时不应用任何补丁，防止不完整的更改到达仓库。

经验证的路由。在执行开始前验证工作流定义、模型绑定、降级行为和模型可用性。

这些原则共同使多模型编排在仓库级工作中变得实用。运行时在内部记录每个环节的角色、结果、成本、延迟和诊断信息，以便在执行后理解工作流。对外，开发者收到一个连贯的响应和一个权限感知的变更集。

固定策略的 HydraFusion 在三个代理式编程基准测试上进行了评估——TerminalBench 2.1、DeepSWE 和 CheckpointBench（这是我们基于真实 GitHub Copilot 会话的内部基准测试），使用 Claude Opus 5 和 GPT-5.6 Sol 作为比较基线。每种策略使用相同的任务输入、工具、执行限制、定价假设、评分条件和缺失结果处理方式。评估指标为已验证任务质量（确认为正确回答的任务占比）以及完整的预估工作流成本。成本计算包括每个调用的环节，如起草、评审、修订、升级、重试和降级。以下结果展示了调优后的最佳 HydraFusion 配置。

基准测试	成本对比 Opus 5	质量对比 Opus 5
TerminalBench 2.1	低 67%	+4.9 个百分点
DeepSWE	低 36%	-1.5 个百分点
CheckpointBench	低 65%	-0.1 个百分点

表 1. HydraFusion 在三个代理式基准测试上的质量和成本，相对 Opus 5。

这些受控离线结果特定于所评估的基准测试版本、工作流配置、模型池和定价假设，所有模型均以相同的中等推理水平进行评估。通过这个研究预览，我们将验证这些结果如何转化为真实开发者工作负载，并利用发现进一步优化 HydraFusion 的生产质量、延迟、可靠性、缓存效率、成本和安全性。

TerminalBench 2.1 在终端环境中评估编程代理处理复杂多步骤任务的能力。

图 2 比较了 HydraFusion 和 Opus 5 在已验证任务质量和预估工作流成本上的表现。

DeepSWE 评估具有挑战性的仓库级软件工程任务，这些任务需要导航大型代码库、理解跨文件依赖关系并产生端到端修复。在这个基准测试上，HydraFusion 与 Opus 5 仅相差 1.5 个百分点，而成本降低了 36%，展示了在复杂现实工程任务中令人信服的质量-成本权衡。

CheckpointBench 是一个内部多轮基准测试，源自真实的 GitHub Copilot 代理式编程会话。每个对话都锚定到特定的公开仓库和不可变提交，确保每个会话都是可回放的。基准测试在语言、任务类型、难度上保持平衡，并经过质量筛选，最终形成一个紧密反映生产代理式会话的真实评估集。在这个基准测试上，HydraFusion 与 Opus 5 仅相差 0.1 个百分点，成本降低了 65%。

早期内部测试验证了这一结果。

到目前为止，HydraFusion 的推理和任务解决能力与 Opus 相当甚至更好。

逐步优化 HydraFusion

HydraFusion 的路由策略是基于开发者如何在真实编程任务中使用 GitHub Copilot 而形成的。为了使这些工作流可重现，我们从真实的 Copilot 编程会话轨迹中策划了 CheckpointBench。我们在 CheckpointBench、DeepSWE 和 TerminalBench 2.1 上反复优化 HydraFusion，在整个评估集上而非单一基准测试上进行优化。

HydraFusion 的按能力得分（per-capability scores）为比较候选路由策略提供了一致的基础。我们使用束搜索（beam search）来构建最优决策策略，而非手动调优阈值。每个候选方案在质量、成本和失败模式上针对冻结基线进行测量，因此改进在稳定的基础上进行评估。

TerminalBench 2.1 提供了最完整的运行序列，使其成为观察这一迭代改进过程的最清晰视角。进展并非线性的。在 8 月 11 日至 8 月 25 日之间，评估工具中的两次操作失败产生了无效运行。这些失败被排除在性能趋势之外，经过修正后，HydraFusion 配置继续取得收益。截至 8 月 25 日，HydraFusion 已达到记录系列中最强的运行点。

这一开发记录展示了策略如何通过反复实验得到改进。TerminalBench 2.1 是开发过程中使用的多个基准测试之一。其相对饱和使得更广泛的验证变得重要，因此三基准测试评估也包含了 DeepSWE 更具挑战性的仓库级任务。研究预览将这一学习循环扩展到真实开发者工作负载。

尝试研究预览

对于这个预览版，第一轮单提示编程任务是最佳起点。接下来我们将专注于更强的多轮性能和更长的迭代会话。

这个预览版旨在了解哪些任务受益于组合工作流，以及编排如何在实践中影响延迟和成本。要获得最佳体验，目前可以从你可以在单个提示中以自动驾驶模式交给 Copilot 的实质性、范围明确的编程任务开始。通过 Copilot CLI 中的 /feedback 或 GitHub Community 讨论分享你的发现，包括它的优势、不足之处以及你希望看到的后续内容。

HydraFusion 仍是一项活跃的研究工作。随着我们从预览版中学习，结果、模型、工作流、可用性、名称和产品行为可能会发生变化。我们相信，编程代理的下一个真正收益将来自将前沿智能与运行时编排相结合。HydraFusion 是我们对这一想法的首次实践：从选择最佳模型转向动态构建解决每个任务的最佳方式。

非常感谢 GitHub 和 Microsoft 的研究人员、工程师、产品经理和设计师，他们策划了训练数据、构建了训练流水线、评估套件、客户端体验和服务架构。我们特别感谢 GitHub Copilot CLI、Copilot API 和 VS Code 团队克服了无数挑战，将这个研究预览带给我们的客户。

Aashna Garg，首席应用科学家，Code AI

Shengyu Fu，合作伙伴应用科学经理，Code AI

Carlos Castro，合作伙伴架构师，GitHub Copilot

Siddharth Singha Roy，研究科学家 II，Code AI

Andy Salerno，首席软件工程师，GitHub Copilot

GitHub 是世界上最好的开发者体验，也是唯一一个在每个步骤中都融入了安全性的 AI 驱动平台，让你能够自信地创新。

GitHub Copilot 应用入门：同时运行多个代理

了解如何在 GitHub Copilot 应用中运行并行代理，体验它从令人畏惧变得强大有力的那一刻。

解码新的 AI 术语：循环、工具链、团队、爬山……我的天！

从循环工程到工具链、团队和开放权重，GitHub Podcast 解析了出现在开发者对话中的 AI 术语。

我们如何在不牺牲任务质量的前提下让 AI 编程更具成本效益

为什么更短的输出反而可能成本更高，以及 GitHub Copilot 如何在整个编程任务中减少浪费的工作。