GitHub testuje HydraFusion, router AI łączący kilka modeli w jedno zadanie kodowania

GitHub uruchomił 4 września 2026 roku podgląd badawczy Project HydraFusion, funkcji w GitHub Copilot, która nie wybiera jednego modelu AI do zadania programistycznego, tylko układa dla niego cały plan wykonania z udziałem kilku modeli naraz. Firma twierdzi, że to sposób na obniżenie kosztów agentów kodujących bez utraty jakości, którą dotąd dawały wyłącznie najdroższe modele klasy frontier.

Jak działa router modeli

HydraFusion opiera się na trzech wzorcach wykonania. Pierwszy, Single, kieruje zadanie do jednego modelu, gdy priorytetem jest szybkość. Drugi, Cascade, zaczyna od tańszego modelu, a bramka jakości decyduje, czy wynik jest wystarczający, czy trzeba eskalować do mocniejszego modelu. Trzeci, Critique, polega na tym, że jeden model przygotowuje rozwiązanie, drugi niezależnie je ocenia, a pierwszy poprawia kod na podstawie tej recenzji.

System decyduje, którego wzorca użyć, na podstawie sygnałów dotyczących wymaganego rozumowania, generowania kodu, debugowania i pracy z narzędziami. W praktyce oznacza to, że proste zadanie może trafić do jednego taniego modelu, a złożony refaktoring uruchomi całą kaskadę z udziałem modeli różnych dostawców.

Dlaczego GitHub w ogóle to buduje

Koszt uruchamiania agentów kodujących na najdroższych modelach klasy frontier, takich jak Claude Opus 5, stał się w tym roku jednym z głównych tematów w branży. Firmy korzystające z Copilota, Cursora czy Codexa płacą za tokeny zużywane przez agentów wykonujących wieloetapowe zadania, a rachunki potrafią rosnąć szybciej niż budżety inżynieryjne. HydraFusion to odpowiedź na tę presję: zamiast rezygnować z jakości na rzecz tańszych modeli, GitHub próbuje uzyskać zbliżony efekt kombinując modele w locie.

Wierzymy, że kolejny realny skok jakości agentów kodujących nie przyjdzie z samej inteligencji modelu, tylko z połączenia frontierowej inteligencji z orkiestracją w czasie działania - zespół GitHub Copilot

Co pokazują benchmarki

GitHub testował HydraFusion na trzech benchmarkach agentowego kodowania: TerminalBench 2.1, DeepSWE i CheckpointBench, porównując wyniki z Claude Opus 5. Na TerminalBench 2.1 router wypadł lepiej niż sam Opus 5, jednocześnie kosztując dwie trzecie mniej. Na pozostałych dwóch testach wynik był minimalnie gorszy niż u Opus 5, ale różnica mieściła się w granicach 1,5 punktu, a oszczędność kosztowa sięgała 65-36 procent.

Warto zaznaczyć, że to wewnętrzne testy GitHuba, bez niezależnej weryfikacji przez zewnętrzne laboratoria czy badaczy. Firma sama przyznaje, że system najlepiej sprawdza się na razie w zadaniach jednoprzebiegowych, wykonywanych na podstawie jednego polecenia, a optymalizacja pod scenariusze wieloetapowe, z wieloma turami poprawek, ma dopiero nadejść.

Zasady bezpieczeństwa systemu

HydraFusion działa według pięciu zasad, które GitHub opisuje jako warunek dopuszczenia takiego systemu do produkcji: pełne rozliczanie kosztów na każdym etapie przepływu pracy, ograniczone czasowo wykonanie zadań, izolowane procesy recenzji między modelami, mechanizm zabezpieczający przed wdrożeniem niekompletnych zmian w kodzie oraz wcześniejsza walidacja trasy wykonania przed jej uruchomieniem.

Dostęp do funkcji wymaga aktualizacji GitHub Copilot CLI komendą /update, włączenia trybu eksperymentalnego poleceniem /experimental on, a następnie wybrania HydraFusion (Research Preview) w menu /model. Rozliczanie odbywa się w tokenach, według standardowych stawek każdego z używanych modeli, więc korzystanie z rutera samo w sobie nie generuje dodatkowej opłaty abonamentowej.

Co to oznacza dla programistów

Dla zespołów, które już dziś rozliczają wydatki na agentów kodujących w tokenach, HydraFusion to potencjalna metoda na obniżenie rachunków bez przesiadki na wyraźnie słabszy model. To także sygnał, że kierunek rozwoju narzędzi programistycznych AI przesuwa się z wyścigu o pojedynczy najlepszy model w stronę orkiestracji wielu modeli w ramach jednego zadania, podobnie jak wcześniej robiły to niektóre startupy specjalizujące się w routingu modeli.

Na razie funkcja pozostaje podglądem badawczym bez ogólnej dostępności ani daty pełnego wdrożenia, a GitHub zbiera opinie programistów przed dalszym rozwojem. To oznacza, że polskie zespoły korzystające z Copilota mogą już teraz przetestować router na własnych repozytoriach, ale bez gwarancji, że obecne zachowanie systemu utrzyma się w wersji finalnej.