AI编程工具正在把“选哪个模型”变成一次任务内部的动态决策。GitHub 9月4日推出HydraFusion研究预览：开发者只提交一个任务，系统可让单个模型直接完成，也可先用较高效模型起草、不过关再升级，或让另一模型独立审查后修订。官方三项离线基准里，估算成本均下降；但质量只在一项测试中超过Claude Opus 5，说明编排的价值首先是质量与费用的重新配比。

不只选模型，而是先决定任务怎样被完成

HydraFusion会在调用模型前评估任务，再从三种路径中选择最简且可能达到质量线的一条。Single让一个模型独立解决，保留速度；Cascade让成本较低的模型先给出候选，由质量门判断是否接受，失败后才调用更强模型；Critique则让不同模型家族中的只读审查者检查初稿，原模型依据意见修订一次。

这与普通“自动选模”不同。后者仍把整项任务交给一个模型，HydraFusion选择的是模型组合与执行顺序。简单请求不必承担额外调用，复杂任务才增加审查或升级步骤。开发者在Copilot CLI中把它当作一个模型选择，底层却可能运行一条复合工作流；当前所有Copilot套餐均可通过实验开关使用，费用按实际调用模型的标准令牌价格计算。

五条运行原则，把并行智能变成可控交付

多一次模型调用，不只是多一份答案，也会增加成本、延迟和状态冲突。GitHub为此列出五条原则：汇总所有工作流环节的用量；为每一步设置超时与取消；把审查放进隔离、无工具的上下文；验证失败或流程取消时不应用补丁；执行前检查路由定义、模型可用性与回退绑定。

审查者不能修改仓库，只负责判断，求解模型仍在共享工作区和权限循环中操作。系统记录每一步的角色、结果、费用、延迟与诊断，最终只向开发者交付一份连贯响应和一组变更。中间草稿会被保留到流程结束，避免尚未审核的内容被误认为成品；代价是等待期间的可见性较弱，官方也承认进度展示仍需改进。

成本三项全降，质量并没有三项全赢

在TerminalBench 2.1上，HydraFusion相对Opus 5的验证任务质量高4.9个百分点，估算成本低67%。但在更强调仓库级工程的DeepSWE上，质量低1.5个百分点，成本低36%；在GitHub内部基于真实Copilot轨迹整理的CheckpointBench上，质量低0.1个百分点，成本低65%。因此，“前沿质量”不能脱离测试集逐项成立。

这些结果来自受控离线评测，任务输入、工具、执行限制、计价假设和缺失结果处理保持一致，比较模型都使用中等推理强度。但最佳策略经过同一批基准反复调优，CheckpointBench又是内部数据；官方尚未给出真实企业仓库中的P95延迟、升级比例、缓存命中、失败恢复或长期账单。成本优势可信到什么范围，还要看预览期的生产数据。

小编判断：模型选择正在变成运行时系统

HydraFusion最值得关注的不是再做一个路由器，而是把起草、把关、升级和修订写成可计费、可取消、可审计的执行结构。对企业而言，评估对象也应从单模型榜单转向整条任务链：最终是否通过测试、调用了多少模型、等待多久、失败后是否留下半成品，以及权限是否在每一步保持一致。

ATYUN观点：团队可先挑选边界清晰、能自动验收的首轮任务，对比Single、Cascade、Critique与固定强模型，统一记录任务成功率、人工返工、P95时长和每个合格结果的总成本。若路由只省下令牌，却增加长尾等待、审查误判或仓库状态冲突，就不算真正降本；只有质量门与业务验收一致，多模型接力才会从漂亮基准变成稳定交付能力。