不同于传统单一模型全程处理任务的模式，HydraFusion 能根据需求动态选择并组合多个 AI 模型。系统可自动完成代码起草、审查和修订，或在简单路径无法满足要求时，将请求无缝转移至更强大的模型处理。
目前，该预览版已通过命令行界面（CLI）的实验性设置，向 GitHub Copilot 各订阅计划用户开放。用户可像选择其他模型一样启用 HydraFusion，底层系统将自动决定每项请求的最佳处理策略。
工作原理与模式
该编排系统将工作流选择视为优化问题，利用推理、代码生成、调试及工具使用等信号，选择能满足质量阈值的最低复杂度工作流。HydraFusion 主要采用三种模式：
单模型模式：由选定模型直接处理任务；
级联模式：低成本模型生成初步答案，系统决定接受或将其传递给更强模型；
批评模式：一模型起草结果，另一模型在只读环境中审查，随后由起草模型进行一次性修订。
为确保安全，审查阶段与代码仓库隔离，审查模型无法直接更改代码；而求解步骤在共享工作区中进行，遵循常规权限控制。执行过程中，中间草稿不会向用户展示，系统仅返回最终结果和变更集，并内部记录角色、成本、延迟等诊断信息。
性能与成本优势
GitHub 公布的离线评估结果显示，在相同任务输入、工具及定价假设下，HydraFusion 表现优异：
TerminalBench 2.1：相比 Claude Opus 5，验证任务质量提升 4.9 个百分点，预估工作流成本降低 67%；
DeepSWE：表现仅比 Opus 5 低 1.5 个百分点，成本降低 36%；
CheckpointBench：表现仅比 Opus 5 低 0.1 个百分点，成本降低 65%。
上述成本包含起草、审查、修订、升级、重试和回退等全流程费用。数据受基准版本、工作流设置及模型池等因素影响。
简化开发者工作流
HydraFusion 旨在降低开发者面对众多模型时的选择复杂性，自动替代手动切换模型或寻求第二意见的过程。GitHub 强调了五项运营原则：全步骤成本核算、有界执行（含超时和取消）、隔离审查、安全应用代码更改以及验证后的路由。
预览版定价基于实际调用模型消耗的令牌数，按标准费率收费，因此成本随系统选择的路径动态变化。GitHub 表示，当前版本最适合单次提示的单轮编码任务。随着研究深入，产品行为、模型及工作流等可能会发生调整。
" 您只需选择一次 HydraFusion，即可专注于任务，它将后台管理模型和工作流。"GitHub 称。
【星途科讯 图文丨欧阳布布 首发于 ZAKER 科技，转载请注明出处】
