A GitHub Copilot Fusion több modell összehangolásával csökkenti a kódolás költségét
A GitHub október 28-án bemutatta a Copilot Fusiont, amely nem önálló mesterségesintelligencia-modellként, hanem futás közbeni koordinációs rendszerként működik. A feladat jellegétől függően választ a rendelkezésre álló modellek közül, illetve több modell munkáját is összehangolhatja. A cél, hogy a fejlesztőknek ne kelljen minden egyes kódolási, hibakeresési vagy eszközhasználati feladathoz külön modellt kiválasztaniuk, miközben az elvégzett munka költsége is csökken.
Az Artificial Analysis mérése szerint a Fusion Max egy feladatra átlagosan 5,59 dollárt költött, szemben a Claude Opus 5.5-t használó Claude Code Max 11,42 dollárjával. Ez nagyjából 51 százalékos megtakarítás, miközben a Coding Agent Indexen elért 60 pontos eredmény csak két ponttal maradt el a Claude Code 62 pontjától. A Fusion a feladatokat körülbelül 40 százalékkal gyorsabban teljesítette, és 7,2 millió tokent használt, hozzávetőleg feleannyit, mint a Claude Code konfigurációja. A Devin Fusion 62 pontot ért el, feladatonként 8 dolláros átlagköltség mellett.
A rendszer három működési mintát kínál: a Single egy modellhez továbbítja a feladatot, a Cascade olcsóbb modellel kezd, majd szükség esetén erősebbre vált, a Critique pedig külön modellel ellenőrizteti és javíttatja az első választ. A Fusion Maxban Anthropic- és OpenAI-modellek is szerepelhetnek, a konkrét választás pedig a feladattól és a szervezeti szabályoktól függ. Satya Nadella akár 77 százalékos megtakarítást is említett, ez azonban egy külön, vállalati mérés eredménye, nem az Artificial Analysis átlaga.
Folytasd az appban — szavazz és szólj hozzá ➔