El proyecto experimental decide en tiempo real qué modelo debe escribir, revisar o corregir el código. GitHub asegura que puede elevar la calidad mientras reduce el coste de ejecución.
GitHub quiere que los desarrolladores dejen de tener que decidir constantemente qué modelo de inteligencia artificial utilizar para cada tarea. La plataforma ha presentado HydraFusion, un proyecto experimental para Copilot capaz de coordinar diferentes modelos de IA durante una misma petición de programación.
La idea supone ir un paso más allá de la selección automática de modelos introducida anteriormente en GitHub Copilot. En lugar de escoger simplemente una IA antes de comenzar, HydraFusion puede diseñar un flujo de ejecución con varios modelos, incluidos sistemas locales, modelos alojados en la nube y motores de distintos proveedores.
El objetivo es encontrar automáticamente el mejor equilibrio entre calidad, velocidad y coste.
HydraFusion convierte Copilot en un orquestador de modelos
HydraFusion analiza las capacidades disponibles en aspectos como razonamiento, generación de código y utilización de herramientas antes de decidir cómo resolver una petición.
El sistema dispone de tres estrategias principales.
La más sencilla consiste en enviar directamente el trabajo a un único modelo. Para tareas más complejas puede utilizar una cascada: una IA eficiente genera inicialmente la respuesta y un mecanismo de control decide si es suficientemente buena o debe escalarse a un modelo más potente.
La tercera alternativa introduce una idea especialmente interesante: un modelo genera el código y otro perteneciente a una familia diferente actúa como crítico independiente. Después de recibir esa evaluación, el primer sistema puede corregir su propuesta.
De esta forma, Copilot deja de depender necesariamente de una única respuesta generada por un único modelo.
GitHub asegura reducir un 67% el coste en una prueba
Los primeros resultados publicados por GitHub apuntan a mejoras importantes, aunque conviene recordar que proceden de evaluaciones internas de la propia compañía.
En TerminalBench 2.1, HydraFusion habría mejorado en 4,9 puntos porcentuales la calidad de las tareas verificadas frente a la evaluación de referencia realizada con Claude Opus 5, mientras que el coste estimado habría sido un 67% inferior.
La propuesta resulta especialmente relevante para el futuro de los agentes de programación. Utilizar siempre el modelo más potente disponible puede ofrecer buenos resultados, pero también dispara el consumo de tokens y el coste.
HydraFusion intenta sustituir esa estrategia por otra más selectiva: utilizar modelos económicos cuando sean suficientes y reservar los más potentes para los problemas que realmente los necesitan.
Un modelo puede escribir y otro revisar el código
GitHub también ha introducido medidas destinadas a evitar que la coordinación entre varias IA termine provocando problemas dentro del repositorio.
Las fases de revisión funcionan de forma aislada, de modo que el modelo encargado de comprobar el trabajo pueda hacerlo sin modificar directamente el estado del proyecto.
Además, el sistema contabiliza el consumo generado en cada fase, establece límites de ejecución y aplica mecanismos para impedir que un parche llegue al repositorio cuando el proceso haya sido cancelado.
También comprueba previamente la disponibilidad de los servicios necesarios antes de comenzar la ejecución.
HydraFusion llega como función experimental de Copilot
Por ahora, HydraFusion es una tecnología experimental, por lo que sus resultados y funcionamiento podrían evolucionar antes de una eventual integración estable dentro de Copilot.
Según la información anunciada, puede probarse desde la interfaz de línea de comandos de Copilot en todos los planes de suscripción, después de actualizar el software y habilitar las funciones experimentales.
La facturación se realiza en función de los tokens consumidos por cada modelo utilizado, aplicando sus correspondientes precios.
El movimiento anticipa, además, hacia dónde puede dirigirse buena parte de la industria de la IA. La batalla ya no consiste únicamente en determinar qué empresa tiene el mejor modelo, sino en conseguir que diferentes modelos especializados colaboren y que un sistema superior decida cuándo merece la pena utilizar cada uno.
Para los programadores, esa evolución podría acabar siendo más importante que otra mejora incremental de un modelo concreto: Copilot podría pasar de ser un asistente basado en una IA a convertirse en el director de un equipo de inteligencias artificiales que escriben, comprueban y corrigen código entre ellas.
