GitHub лише щойно переконливо довів, що найкращий AI-асистент для кодування — це не одна модель. Це регулювальник руху, який знає, яку модель викликати і коли.
Компанія оголосила про проект HydraFusion 4 вересня 2026 року як дослідницький попередній варіант у GitHub Copilot. Система є шаром оркестрації багатомодельних рішень, який динамічно вибирає різні шаблони виконання ШІ для оптимізації якості, витрат і швидкості.
Як працює HydraFusion
На своїй основі HydraFusion працює за трьома схемами виконання: Single, Cascade та Critique. Схема Single направляє завдання до однієї моделі. Схема Cascade з’єднує кілька моделей разом, збільшуючи складність за необхідності. Схема Critique додає ізольований етап оцінки, під час якого окрема модель оцінює вихід іншої моделі перед його відправленням.
Це розширює попередню функцію автоматичного вибору моделі GitHub, яка дозволяла Copilot вибирати модель за користувачів. Різниця полягає в тому, що Auto здійснював статичні вибори. HydraFusion є динамічною і може змінювати підхід у процесі виконання завдання, якщо ситуація цього вимагає.
GitHub визначив чотири дизайн-принципи, що керують системою: повний облік витрат (відстеження справжніх витрат кожного рішення щодо маршрутизації), обмежене виконання (запобігання неконтрольованому використанню обчислювальних ресурсів), ізольовані етапи огляду (збереження критики окремо від генерації) та безпечне застосування змін (забезпечення того, щоб зміни у коді не викликали регресій).
Бенчмаркові показники
GitHub протестував HydraFusion проти Claude Opus 5 за трьома тестами: TerminalBench 2.1, DeepSWE та CheckpointBench.
На TerminalBench 2.1 HydraFusion перевершила Opus 5 на +4,9 бала якості, при цьому витрати зменшилися приблизно на 67%. На DeepSWE HydraFusion набрала на 1,5 бала менше, ніж Opus 5, але зі зниженням витрат на 36%. На CheckpointBench різниця склала лише 0,1 бала позаду Opus 5, при цьому витрати скоротилися на 65%.
Варто зазначити: це власні результати тестування GitHub на їхній власній системі. Незалежна перевірка з боку третіх сторін значно посилила б ці твердження. Але самі тести — TerminalBench 2.1, DeepSWE та CheckpointBench — є визнаними оціночними рамками в сфері штучного інтелекту для програмування.
Зростаюча консенсусна думка галузі
GitHub не працює в вакуумі. OpenRouter розробив свої роутери Auto та Pareto, які також спрямовані на баланс якості та витрат між кількома постачальниками моделей. Nvidia опублікувала шаблони LLM Router у складі свого підприємницького інструментарію AI.
Офіційні повідомлення GitHub не стверджують жодних прямих партнерств чи схвалень від Nvidia або OpenRouter щодо HydraFusion.
Що це означає для розробників та ринку штучного інтелекту для кодування
HydraFusion зараз є дослідницьким попереднім випуском, доступним обмеженій аудиторії для отримання відгуків до будь-якого ширшого розгортання. GitHub активно збирає відгуки розробників, щоб удосконалити те, як система обробляє реальні робочі процеси кодування.
Щодо конкурентного середовища, перевага в 4,9 бала на TerminalBench 2.1, досягнута за частку витрат, — це той результат, який заставляє команди закупівель переглянути вибір постачальників. Конкуренти з однією моделлю під тиском або відповідати цій ефективності, або продемонструвати переваги якості, достатні для обґрунтування премії.