GitHub 不再挑模型，转而搭建工作流：HydraFusion 把成本压低至多三分之二，质量基本持平
HydraFusion 在运行时为每个请求决定哪些模型参与、以什么顺序参与。三项基准中成本下降 36% 到 67%；质量在一项上提高 4.9 分，在另外两项上几乎没有变化。
GitHub 以研究预览的形式开放了面向 Copilot 的 Project HydraFusion。9 月 4 日的这篇文章所述的思路超出了“选模型”：对每一个请求，系统在运行时构建哪些模型参与、以什么顺序参与。
三种执行模式
- 单一：一个模型直接解决任务。
- 级联：一个高效模型先出草稿；一道质量闸决定是接受它，还是升级到更强的模型。
- 批评：一个模型出草稿，由另一个模型家族的独立评审者审阅，出草稿的模型再修改一次。
系统会选择预期能满足需求的最不复杂的工作流，只有在很可能改善结果时才发起额外的模型调用。
三项基准，三种不同答案
GitHub 以 Claude Opus 5 与 GPT-5.6 Sol 作为基线进行测量。三项结果如下：
| 基准 | 成本（对比 Opus 5） | 质量 |
|---|---|---|
| TerminalBench 2.1 | 低 67% | +4.9 分 |
| DeepSWE | 低 36% | −1.5 分 |
| CheckpointBench | 低 65% | −0.1 分 |
也就是说，真正的结果不是“更好”，而是“质量大致相当，成本明显更低”。GitHub 自己的措辞也指向同一方向：“在三项智能体编码基准的离线评测中，HydraFusion 始终展现出前沿水平的质量，并带来可观的预估成本节省。”
CheckpointBench 是 GitHub 基于真实 Copilot 会话的内部基准。该公司还在文中指出，TerminalBench 2.1 已相对饱和，因此更广泛的验证很重要。
公司自己写下的限度
- 该系统目前适合首轮、单次提示的编码任务；多轮性能优化尚在计划中。
- 过程可见性有限：中间草稿会被保留到最终结果出来。
- 文中原样写着这样一句提醒：“随着我们从预览中学习，结果、模型、工作流、可用性、名称与产品行为都可能发生变化。”
如何试用
HydraFusion 可在 GitHub Copilot CLI 中通过 /experimental 使用，面向所有 Copilot 套餐。计费按其所用模型消耗的 token 计算，采用每个模型的标准费率。
为何重要
在企业侧，选模型一直被当作一次性固定决策：团队挑一个模型，所有活都走它。HydraFusion 把这个决策放到每个请求上，成本正是从这里降下来的。简单的活留在便宜模型上，难的活升级到贵的模型，有争议的活交给第二个模型家族去挑毛病。
企业采购要读的那一行不是质量列，而是成本下降 36% 到 67%。而这一测量的前提是离线评测；这份收益能否在真实仓库、工具故障和人工评审中站住，目前尚未展示。
