概要

GitHubは9月4日、コーディングタスクの内容に応じて複数のAIモデルを自動的に組み合わせて実行する研究プレビュー機能「Project HydraFusion」を発表した。GitHub Copilot CLIの/experimentalコマンドから、全てのCopilotプランのユーザーが利用できる。開発者がモデルを個別に選ぶ必要はなく、プラットフォーム側がタスクの複雑さを判断してモデル選択と処理方式を自律的に決定する仕組みだ。背景には、単純なタスクに高価な最上位モデルを使うのは非効率だが、複雑な要求には十分な性能が必要という、AI活用における根本的なトレードオフがある。

3つの実行パターンによるオーケストレーション

HydraFusionはモデル選択を最適化問題として扱い、リクエストごとに3つの実行パターンから最適なものを選ぶ。単一モデルがそのままタスクを解く「Single」、効率的なモデルがまず下書きを作成し品質ゲートが合否を判定して必要な場合のみ上位モデルにエスカレーションする「Cascade」、あるモデルの下書きを別のモデルが独立してレビューし元のモデルが一度だけ修正する「Critique」の3方式である。推論力・コード生成力・デバッグ能力・ツール利用能力などの指標をもとに、最も効率的なパターンが自動選択される。設計にあたっては、全工程のコストを漏れなく計上すること、タイムアウトと処理中断を明確に定義すること、レビュー用の処理をツールへのアクセスを持たない隔離された環境で実行すること（一方でソルバー用の処理は通常の共有ワークスペースと権限管理下のエージェントループを使う）、未完成な変更が誤って適用されないようフェイルセーフを備えること、実行前にルーティング定義を検証することという5つの原則が掲げられている。Microsoftのプリンシパルソフトウェアエンジニアは「これまでのところ、(HydraFusionの)推論力とタスク解決能力はOpusと同等かそれ以上だ」とコメントしている。

ベンチマーク結果と現状の制約

Claude Opus 5単体をベースラインとした3つのエージェント型コーディングベンチマークでの検証では、TerminalBench 2.1でコストを67%削減しつつ成功率を4.9ポイント改善、CheckpointBenchではコストを65%削減しつつ品質はほぼ横ばい(-0.1ポイント)、DeepSWEではコストを36%削減した一方で品質は1.5ポイント低下という結果になった。ベンチマークによって品質への影響が異なる点は、オーケストレーションの効果がタスクの性質に左右されることを示している。現時点では単発プロンプトによる一回完結型のタスクに最適化されており、複数ターンにわたる対話的なタスクでの性能最適化は今後の課題とされる。なお、処理途中の下書きは未完成な状態のまま表示されることを避けるため、最終的な結果がまとまるまでユーザーには公開されない。料金体系は、オーケストレーションされた各モデルが実際に消費したトークン数に応じて、それぞれの標準料金で課金される。

今後の展望

GitHubはHydraFusionを継続的な研究プロジェクトと位置づけており、Copilotに新しいモデルが追加されるたびに評価対象へ組み込み、システムの能力を発展させていく方針だ。研究プレビュー段階であるため、フィードバックを踏まえて挙動やワークフローが今後変更される可能性がある。