GitHub Copilot Fusion:本地与云端模型动态路由的实验性预览
GitHub 发布 Copilot Fusion 实验性预览:按任务复杂度与设备资源在本地轻量模型与云端前沿模型间动态路由,并支持级联审查;Fusion Max 在编码智能体基准约 60 分,任务 API 成本显著低于对照配置。
面向编码智能体,模型选择本身正在变成运行时基础设施:不必每次手点模型名,而是由编排层按任务难度、时延与成本做分流。
据 @HYJsfn9h 整理的公开信息(帖文时间约 2026-10-29),GitHub 正式发布 Copilot Fusion 实验性预览更新,首次强调打通设备端本地推理与云端大模型的混合动态路由。开发者无需手动逐次切换模型;Fusion 运行时可依据任务复杂度与本地设备资源,决定在本地运行轻量化代码模型(帖文举例包括基于 Windows ML 的 MAI Code 1.1 Flash,或本地部署的 Qwen3.8 Flash Next),或把任务分流到云端前沿大模型。
在多模型编排方面,帖文提到 Fusion 支持级联审查(高效模型生成草案,再由裁判模型验证)以及并行评审修正机制。基准侧:其 Fusion Max 在权威代码智能体基准上约得 60 分,接近顶尖 Claude Code 搭配 Opus 5.5 Max 的水平,同时平均任务 API 成本被描述为直降近 50%。同窗其他英文转述还给出对照数字:Artificial Analysis Coding Agent Index 上 Fusion Max 60 分、约 $5.59/任务,对照 Claude Code 约 62 分、约 $11.42/任务(具体以评测方口径为准)。
对已经在用 Copilot / Claude Code / 本地小模型的团队,Fusion 的意义主要是把“选模型”从人工习惯变成可观测的路由策略,并尝试用级联降低高成本模型的调用比例。原帖未完整展开:预览准入范围、支持的 IDE 与操作系统、本地模型安装方式、数据是否仍按企业租户策略出域,以及基准任务集与计费是否含本地侧成本。落地前应核对 GitHub 官方文档与企业策略,不宜把第三方转述分数当作采购承诺。
本稿翻译整理自公开社交帖,不构成产品可用性或成本保证。