在 AI 编程工具竞争日益激烈的背景下，GitHub 于 2026 年 9 月 4 日正式推出 Project HydraFusion——一个通过多模型动态编排实现前沿代码质量的 研究预览功能。该项目现已集成到 GitHub Copilot CLI 中，所有用户均可体验。
从手动选模型到自适应编排
长期以来，开发者需要在不同模型之间手动切换：选一个合适的模型处理任务，必要时再换用更强的模型审查或优化结果。这一过程费时费力，且依赖开发者的经验判断。
HydraFusion 将这一流程搬到了运行时（runtime）。用户只需在 Copilot CLI 中选择 HydraFusion，系统便会自动评估任务复杂度，从多个模型提供商中选取最优的执行方案。用户无需关心背后的模型调度逻辑，可以专注于自己的编码任务本身。
三种执行模式：Single、Cascade、Critique
HydraFusion 的核心架构围绕三种执行模式展开，分别对应不同的质量与成本权衡场景：
Single 模式：一个选定的模型直接完成编码任务。这是最简洁快速的路径，适用于大多数可直接解决的简单或中等复杂度任务。
Cascade 模式：先用效率较高的模型生成初版方案，再由质量门（quality gate）判断是否需要升级到更强的模型。如果初版通过验收，流程结束；如果不通过，系统自动切换至更高能力的模型进行处理。
Critique 模式：一个模型生成初版结果，另一个来自不同模型家族的独立审查者（read-only critic）进行点评，生成模型随后根据反馈修订一次。这一模式参考了 Ruber Duck（橡皮鸭）调试法的思路——外部视角的独立审视往往能发现自身忽略的问题。
评测结果：质量提升 4.9 个百分点，成本降低 67%
根据 GitHub 发布的离线评测数据，HydraFusion 在三个智能体编程基准测试中均展现出前沿级质量，同时显著降低了估算成本。
在 TerminalBench 2.1 基准上，HydraFusion 相比 Claude Opus 5 基线在已验证任务质量上提升了 4.9 个百分点，估算工作流成本则降低了约 67%。这一数据意味着：在保持甚至超越最强单模型效果的同时，整体费用仅为原来的三分之一左右。
GitHub 官方指出，随着 Copilot 接入的新模型越来越多，HydraFusion 的模型池也将持续扩展，每个模型的特长都会被更好地分配到最适合的任务上。
如何启用 HydraFusion
HydraFusion 目前以研究预览形式向所有 GitHub Copilot 用户开放。使用方法如下：
- 运行
/update安装最新版本的 Copilot CLI - 运行
/experimental on开启实验性功能 - 运行
/model，选择 “HydraFusion (Research Preview)”
使用费用按各模型实际消耗的 token 量计算，每个模型按各自标准费率计费。
适应性与未来展望
HydraFusion 项目的核心理念是”选择性”（selectivity）：并非所有任务都需要最强的模型，也并非所有任务都适合快速通道。系统会对每次请求进行评估，选择预期能以最小复杂度满足需求的执行路径。
这种自适应编排策略在保持质量的同时，也为成本控制提供了结构性保障。随着 AI 模型能力的不断提升和模型种类日渐丰富，多模型协同将成为代码智能助手的重要方向。GitHub 表示，将在后续持续将新模型纳入评估体系，让 HydraFusion 的能力池不断壮大。
目前 GitHub 已在 GitHub Community 开放反馈渠道，开发者遇到问题或有功能建议可直接在社区中提交。