GitHub Copilot Fusion-ი კოდირების ამოცანებისთვის მოდელის შერჩევასა და ორკესტრაციას ასრულებს

GitHub-მა წარადგინა GitHub Copilot Fusion-ი, სისტემა, რომელიც კოდირების ამოცანებისთვის მოდელის შერჩევასა და ორკესტრაციას ასრულებს, რათა დეველოპერებს ეს არ მოუწიოთ. ხელსაწყო აერთიანებს Project HydraFusion-ის ორკესტრაციასა და Copilot Auto Model Selection-ს და ახლა უკვე ზოგადად ხელმისაწვდომია. GitHub-მა ის ოთხშაბათს, GitHub Universe-ზე სან-ფრანცისკოში გამოაცხადა.

რას აკეთებს Copilot Fusion-ი

აზროვნების, კოდის გენერაციის, გამართვის ან ინსტრუმენტების გამოყენების შემცველ ამოცანებში დეველოპერებს შეუძლიათ გადასცენ გადაწყვეტილება იმაზე, თუ რომელი მოდელები გამოიყენონ და როგორ იმუშაონ ერთად. GitHub-ის ცნობით, დეველოპერებს შეუძლიათ აირჩიონ Copilot Fusion-ი და მისცენ Copilot-ს უფლება, ინტელექტუალურად გადამისამართოს და ორკესტრირებდეს, თუ რომელ მოდელებს იყენებს. სხვადასხვა ამოცანას სხვადასხვა მოდელი უფრო მოარგებს შესაძლებლობებისა და ღირებულების მიხედვით, ამიტომ სისტემას შეუძლია მუშაობის პროცესში მოდელი შეცვალოს, როცა ეს ნაბიჯი მოითხოვს.

ამოცანის მოთხოვნების გაანალიზებისა და მოდელის შერჩევის შემდეგ Copilot Fusion-ი შემდეგ ნაბიჯებს ორკესტრირებს. ეს შეიძლება იყოს ერთი მოდელი, რომელიც ყველაფერს აკეთებს, კასკადური პროცესი, სადაც ხარისხის შემოწმება ერთი მოდელის პასუხს აფასებს და შემდეგ მას იღებს ან ესკალაციას უკეთებს, ან კრიტიკის პროცესი, სადაც ერთი მოდელი მეორის ნამუშევარს განიხილავს. GitHub-ის ცნობით, ეს შეიძლება შეამციროს დეველოპერების გონებრივი დატვირთვა, რომლებმაც შეიძლება ყურადღების შესუსტებისას არაეფექტური მოდელები აირჩიონ.

შედეგი და ღირებულება

GitHub-ის ცნობით, მან გააუმჯობესა შესრულება Project HydraFusion-ის კვლევითი წინასწარი ვერსიის 2026 წლის სექტემბერში გაშვების შემდეგ. Artificial Analysis Coding Agent Index-ზე Copilot Fusion Max-მა 60 ქულა დააფიქსირა, რაც Claude Code with Opus 5.5 Max-ის შედეგისგან ორ ქულამდე განსხვავდება. GitHub-ის ცნობით, Fusion Max-მა ეს შედეგი დაახლოებით ნახევარი საშუალო API ღირებულებით თითო ამოცანაზე, დაახლოებით ნახევარი ტოკენის გამოყენებით და თითო ამოცანაზე დაახლოებით 40%-ით ნაკლებ დროში მიაღწია.

GitHub-ის ცნობით, ეს შედარებადი საბენჩმარკო შედეგია. The New Stack-ისთვის მოწოდებულ განცხადებაში AT&T-ის მთავარი პროგრამული ინჟინერი ჰარი პოხრელი აღნიშნავს, რომ Copilot Fusion Standard-მა AT&T-ში ტოკენების გამოყენების ეფექტურობა გააუმჯობესა, ზედმეტი ხარჯები შეამცირა და უფრო მაღალი ღირებულების სამუშაოსთვის რესურსი შეინარჩუნა.

კონტროლი და ხელმისაწვდომობა

დეველოპერები ირჩევენ ძალისხმევის დონეს, ხოლო Copilot Fusion-ი მოდელის შერჩევასა და ორკესტრაციას ასრულებს. Fusion Standard-ი ყოველდღიური კოდირებისთვისაა, Fusion High-ი უფრო რთული ამოცანებისა და უფრო ღრმა აზროვნებისთვის, ხოლო Fusion Max-ი ყველაზე მომთხოვნი და რთული სამუშაოსთვის. საწარმოს ადმინისტრატორებს შეუძლიათ აკონტროლონ, თუ რომელი მოდელების არჩევა შეუძლია Copilot Fusion-ს, გამორთონ გარკვეული მოდელები Copilot Fusion-ისთვის ისე, რომ ისინი მთლიანი დეველოპერული გუნდისთვის არ გამოირთოს.

ადმინისტრატორებს ასევე შეუძლიათ თითოეული მოდელის პოლიტიკის მდგომარეობა დამოუკიდებლად შეცვალონ და განსაზღვრონ, არის თუ არა Copilot Fusion-ი Copilot-ის მომხმარებლებისთვის ნაგულისხმევი მოდელი. GitHub-ის ცნობით, პროდუქტი მისი ხედვის ნაწილია, რომ GitHub-ი გახდეს მსოფლიოში ყველაზე სრულყოფილი პროგრამული მიწოდების სისტემა, დეველოპერები მოდელების არჩევანს უტოვებენ სისტემას, მაგრამ სამუშაოს მიმართულებასა და შედეგზე პასუხისმგებლობას ინარჩუნებენ.

მოდელების მარშრუტიზაციის ტენდენცია

Copilot Fusion-ი გამოვიდა GitHub Copilot-ის აპლიკაციასთან, Copilot Projects-თან და Copilot Automations-თან ერთად. GitHub-ის ცნობით, მოდელის შერჩევის სისტემისთვის გადაცემას დეველოპერებს მეტი დრო და ყურადღება შეიძლება მისცეს სხვა სამუშაოსთვის. ამ თვეში Ramp-მა აღწერა მოდელის შერჩევის Open SWE-ში, თავის ღია წყაროს კოდირების აგენტში, გადატანა, ხოლო Replit-მა ინტელექტუალური მოდელის მარშრუტიზაცია ყველა ანგარიშზე ნაგულისხმევად გახადა.

წყაროები: The New Stack