HydraFusion 更新及新的 Max 选项

HydraFusion 更新了模型池，改进了编排工作流，并推出了 HydraFusion Max。HydraFusion 和 HydraFusion Max 均可在 VS Code、GitHub Copilot 应用和 GitHub Copilot CLI 中使用，并仍处于研究预览阶段。HydraFusion 编排多个模型以生成单一响应，汇集它们的优势，因此你不必为每个任务选择单个模型。最新的前沿模型：HydraFusion 和 HydraFusion Max 从现在包括 Claude Opus 5.5、GPT-6 Astra、GPT-6.1 Sol 和 GPT-6 Luna 的模型池中提取。每个任务使用的模型根据编排工作流而变化。针对每个步骤的推理努力：以前，HydraFusion 仅使用每个模型的默认推理努力。通过此次更新，它明确针对每个阶段定制努力，对初始草稿使用中等努力，对审查使用高努力。这使起草保持高效，同时将更深入的推理用于检查和改进工作。优化 Cascade 和 Critique 工作流：Cascade：以前使用初始模型来解决问题，并在需要时升级到更强的模型。现在它可以包含一个判断步骤，检查初始工作，并仅在需要时请求修复。Critique：以前严重依赖文本摘要。现在它更多地依赖工具来直接检查实际工作区。Critique 现在还使用并行批评模型来检查工作。Cascade：以前使用初始模型来解决问题，并在需要时升级到更强的模型。现在它可以包含一个判断步骤，检查初始工作，并仅在需要时请求修复。Critique：以前严重依赖文本摘要。现在它更多地依赖工具来直接检查实际工作区。Critique 现在还使用并行批评模型来检查工作。HydraFusion Max 基于与 HydraFusion 相同的架构构建，并使用相同的工作流技术，但针对更高要求任务的前沿能力进行了调整。它在深度和彻底性最重要的地方应用更高的推理努力，同时仍然使用编排来考虑 token 效率。两种选项均支持所有三个客户端，因此无论你是在 VS Code、GitHub Copilot 应用还是终端中工作，都可以访问最新的 HydraFusion 体验。HydraFusion 和 HydraFusion Max 可在 Copilot Pro、Pro+、Business 和 Enterprise 计划中使用，并启用实验性或预览功能，但须遵守你组织的模型策略。在 HydraFusion 文档中了解更多信息。在 HydraFusion 讨论中分享你的反馈。

GitHub Copilot 的 HydraFusion 更新了模型池与编排工作流，并推出 HydraFusion Max。新模型池纳入 Claude Opus 5.5、GPT-6 Astra、GPT-6.1 Sol 和 GPT-6 Luna。推理努力按阶段分配，起草用中等、审查用高；Cascade 与 Critique 工作流也得到优化。HydraFusion Max 面向更高要求任务，在深度和彻底性上投入更高推理努力。两者均可在 VS Code、GitHub Copilot 应用和 CLI 使用，仍为研究预览，并面向 Copilot Pro、Pro+、Business、Enterprise 计划开放。

• HydraFusion 更新模型池并推出 Max 选项。
• 新模型池含 Claude Opus 5.5、GPT-6 系列等。
• 推理努力按阶段分配，起草中等、审查高。
• Cascade 增加判断步骤，Critique 用工具直查与并行批评。
• 均处研究预览，支持 VS Code、Copilot 应用和 CLI。

这是什么信号：GitHub Copilot 的 HydraFusion 从实验性多模型编排走向更成熟的“模型池+工作流+推理预算”组合，并推出 Max 档，意味着 AI 编程助手不再让用户单选模型，而是由系统按任务阶段动态调度。这背后是模型能力分化与成本效率之间的博弈：多个前沿模型并存，单一模型难以在所有任务上最优，编排层成为新的竞争点。

为什么重要：第一，模型池更新为 Claude Opus 5.5、GPT-6 Astra、GPT-6.1 Sol、GPT-6 Luna，说明 GitHub 在多模型供应商之间保持开放，避免绑定单一模型。第二，推理努力按阶段分配（起草用中等、审查用高），直接回应了 AI 编程中“既要快又要准”的矛盾。第三，Cascade 与 Critique 工作流加入判断步骤、工具检查、并行批评模型，从依赖文本摘要转向直接检查工作区，这能减少幻觉和表面修复。第四，HydraFusion Max 面向更高要求任务，在深度和彻底性上投入更高推理努力，同时考虑 token 效率，为高复杂度工程任务提供更可靠的选项。

对谁有价值：对使用 GitHub Copilot 的开发者、技术负责人和平台工程师最有价值。开发者可以不再手动挑选模型，把精力放在任务定义和结果验证上；技术负责人可以评估多模型编排对代码质量、审查效率和 token 成本的影响；平台工程师可以关注组织模型策略如何影响 HydraFusion 的可用性。对 AI 工具产品经理而言，这是“编排即产品”的典型案例。

可以怎么行动：1）在 Copilot Pro、Pro+、Business 或 Enterprise 计划中启用实验/预览功能，体验 HydraFusion 与 Max 的差异。2）在 VS Code、Copilot 应用或 CLI 中分别测试 Cascade 和 Critique 工作流，观察代码审查和修复建议的变化。3）针对高要求任务（如大型重构、复杂缺陷排查）试用 HydraFusion Max，对比默认 HydraFusion 的深度与 token 消耗。4）与组织管理员确认模型策略，确保允许使用新增的前沿模型。5）在 HydraFusion 讨论中反馈实际体验，帮助产品迭代。

风险或限制：仍为研究预览，功能和可用性可能变化；实验/预览功能需手动启用，且受组织模型策略限制；多模型编排可能增加延迟和 token 成本，虽然官方强调考虑 token 效率，但实际消耗需自行监控；不同模型的行为差异可能导致输出不稳定；Critique 使用并行批评模型，可能进一步增加资源消耗；对模型池中具体模型的依赖可能带来供应商风险。建议在关键生产流程中保持人工复核。

信息差价值：这条更新揭示了 GitHub Copilot 正在把“多模型编排”产品化，从简单模型切换到按阶段分配推理努力、判断步骤和并行批评。对开发者来说，提前理解 HydraFusion 的工作流逻辑，可以在模型选择、提示设计和结果验证上占据先机。

业务启发：AI 编程助手竞争正从“接入哪个模型”转向“如何编排模型”。企业若自建 AI 编码流程，可借鉴 Cascade 的升级/判断/修复模式，以及 Critique 的工具直查和并行评审，降低对单一模型能力的依赖，提升代码审查质量。

可沉淀动作：将 HydraFusion 的编排思路抽象为内部 AI 工作流模板，例如“起草-审查-修复”三段式，并在团队内建立模型策略与成本监控机制。同时，关注研究预览到正式发布的演进，及时将稳定能力纳入日常开发工具链。

• Allison 原帖