GitHub Copilot Fusion llega con el modelo de IA ideal para cada tarea

Tres patrones de orquestación

Fusion elige uno de tres patrones para cada tarea. En uno, un modelo eficiente redacta una propuesta, otro verifica su calidad y decide si conviene escalar la tarea a un modelo más capaz. En otro, un modelo crea un borrador que revisa de forma independiente un modelo de otra familia. Si el revisor señala problemas, el modelo original corrige su solución una sola vez.

Para regular cómo se equilibran calidad y coste al elegir el patrón, hay niveles de carga. Uno ofrece una orquestación equilibrada con un ahorro moderado de tokens, pensada para tareas de programación grandes pero bien delimitadas, como corregir errores complejos o cambios que afectan a varios archivos. Otro busca rendimiento de vanguardia sin descuidar la eficiencia de tokens, y se dirige a tareas que exigen el razonamiento más profundo y el análisis más exhaustivo.

Modelos locales en vista previa

Como vista previa pública, Fusion Standard también permite ejecutar tareas con modelos instalados localmente: MAI Code 1.1 Flash o Qwen3.8 Flash Next.

Para los equipos que ya usan Copilot, el cambio importa porque elegir modelo es cada vez más una cuestión de coste, además de calidad. Al delegar esa decisión en la herramienta, GitHub apuesta por que los desarrolladores prefieran una mezcla de modelos gestionada antes que fijar un único modelo para cada trabajo.