GitHub тестирует HydraFusion: Copilot сам собирает workflow из нескольких моделей

Не выбрать модель, а собрать способ решения

GitHub представила Project HydraFusion — исследовательский режим GitHub Copilot, который во время выполнения строит план из моделей разных поставщиков. Пользователь выбирает HydraFusion как обычную модель, а система решает, достаточно ли одного ответа, нужна ли эскалация к более сильной модели или независимая критика с последующей правкой.

Это следующий шаг после Auto model selection. Обычный router сопоставляет задачу с одной подходящей моделью; HydraFusion оптимизирует весь workflow с учётом качества, стоимости и задержки. Внутренняя сложность скрыта от разработчика: наружу возвращается единый результат и один permission-aware набор изменений.

Три режима исполнения

В режиме Single одна выбранная модель решает задачу напрямую. Cascade сначала отдаёт работу более эффективной модели, затем quality gate принимает результат или передаёт задачу более сильной. Critique поручает черновик одной модели, а независимую read-only проверку — модели из другого семейства; после этого первая модель получает одну возможность исправить ответ.

Селективность здесь важнее самого числа моделей. HydraFusion старается выбрать наименее сложный workflow, который, по её оценке, достигнет нужного уровня качества, и добавляет вызовы только там, где они должны улучшить результат. Поэтому compound workflow не является обязательным для каждого запроса и не превращается в постоянную дорогую панель из агентов.

Как защищают репозиторий и бюджет

GitHub перечисляет пять принципов реализации. Complete accounting учитывает стоимость всех ветвей — черновика, критики, правки, эскалации, retry и fallback. Bounded execution задаёт timeout и отмену для каждого этапа. Isolated review запускает критика без инструментов, тогда как solver работает с общим workspace через обычный permission-aware agent loop.

Fail-safe application не применяет patch, если workflow отменён или не прошёл проверку. Validated routing заранее проверяет определения workflow, привязки моделей, fallback и доступность моделей. Промежуточные черновики пользователю не показываются: они могут быть пересмотрены или отброшены, поэтому интерфейс отображает этапы, но ждёт одного связного финального ответа.

Что показали benchmarks

В контролируемой offline-оценке GitHub сравнила настроенную конфигурацию HydraFusion с Claude Opus 5 и GPT-5.6 Sol на TerminalBench 2.1, DeepSWE и внутреннем CheckpointBench. Для всех запусков фиксировались одинаковые входы, инструменты, лимиты, цены, условия проверки и обработка отсутствующих результатов; стоимость включала каждый вызванный этап workflow.

Относительно Opus 5 на TerminalBench 2.1 HydraFusion показала на 4,9 процентного пункта больше проверенных решений при оценочной стоимости ниже на 67%. На DeepSWE качество оказалось ниже на 1,5 пункта при экономии 36%, а на CheckpointBench — ниже на 0,1 пункта при экономии 65%.

Эти цифры нельзя автоматически переносить на повседневную разработку. GitHub подчёркивает, что результаты относятся к конкретным ревизиям benchmarks, пулу моделей, routing policies и ценовым предположениям при одинаковом medium reasoning level. Research preview как раз должен проверить качество, latency, reliability, caching efficiency, cost и safety на реальных задачах.

Как настраивали router

Routing policies улучшали итеративно на трёх наборах задач. Для внутреннего CheckpointBench GitHub использовала траектории реальных Copilot-сессий, привязанные к публичным репозиториям и неизменяемым commit, чтобы разговоры можно было воспроизводить. Вместо ручной настройки порогов команда применяла beam search и сравнивала кандидатов с замороженной базовой линией по качеству, стоимости и типам отказов.

Развитие не было линейным: два сбоя evaluation harness в августе дали некорректные запуски, которые исключили из тренда, исправили и повторили. Это важная оговорка к красивым итоговым таблицам: качество оркестратора зависит не только от моделей, но и от воспроизводимого evaluation pipeline.

Как попробовать и где пределы preview

HydraFusion доступна пользователям всех GitHub Copilot plans через экспериментальный режим Copilot CLI. Нужно обновить CLI командой /update, включить /experimental on и выбрать HydraFusion (Research Preview) через /model. Использование тарифицируется по фактически потреблённым токенам каждой задействованной модели по её стандартной ставке.

GitHub рекомендует начинать с крупных, хорошо очерченных coding tasks, которые можно сформулировать одним запросом и передать autopilot mode. Многоходовые долгие сессии пока названы следующим направлением работы. Модели, workflow, доступность, название и поведение preview могут измениться, поэтому HydraFusion сейчас правильнее воспринимать как проверку идеи динамической оркестрации, а не как обещание стабильного универсального превосходства.