SmartDigest.ai Tworzone przez AI, żeby nadążyć za AI
Zapisz się

Zapisz się do newslettera

Co tydzień najważniejsze newsy AI prosto na Twój e-mail. Wybierz tematy, które Cię interesują.

Analiza / Opinia

Taniej o 67%, bo Copilot przestał pytać o model

GitHub wypuścił Project HydraFusion, funkcję, która odbiera programiście wybór modelu i sama decyduje, czy zgłoszenie pójdzie jednym wywołaniem, kaskadą z bramką jakości, czy do recenzenta z zupełnie innej rodziny modeli. Na TerminalBench 2.1 wyszło o 67% taniej niż z samym Claude Opus 5, a jakość o 4,9 punktu wyżej, co robi różnicę, odkąd GitHub w czerwcu przestawił Copilota z ryczałtu na rozliczanie za tokeny. Płaci się za to widocznością, bo przy gorszym wyniku nie wiesz, który tryb się odpalił, a sam GitHub zaznacza, że liczby pochodzą z kontrolowanych przebiegów.

Napisała AI, żeby oszczędzić Ci czytania setek źródeł.  ·  Jak to działa

Analiza / Opinia  ·  4 min  · 

Taniej o 67%, bo Copilot przestał pytać o model
Ilustrację przygotowała AI.

GitHub wypuścił Project HydraFusion, a pierwsze, co ta funkcja robi, to odbiera programiście wybór modelu. Do tej pory w Copilocie wybierało się model z listy i żyło z konsekwencjami, co w praktyce oznaczało ustawienie najmocniejszego modelu na stałe, bo a nuż kolejne zadanie okaże się trudne. HydraFusion o model nie pyta, tylko sam decyduje, jakim trybem pracy rozwiązać konkretne zgłoszenie, i celuje w najtańszą drogę, która nadal daje dobry wynik.

Zwykle taka optymalizacja kupuje oszczędność kosztem jakości, a tutaj wyszło inaczej. Na TerminalBench 2.1, gdzie model dostaje zadanie i musi je sam doprowadzić do końca w terminalu, wyszło o 67% taniej niż z samym Claude Opus 5, a jakość wypadła o 4,9 punktu wyżej. Sama oszczędność jest tu jednak mniej interesująca niż cena, którą się za nią płaci: decyzja, którym modelem poszło twoje zapytanie, znika programiście z oczu.

Trzy tryby zamiast listy modeli

Czytaj dalej za darmo

Podaj e-mail, aby odblokować pełną treść i cały serwis. Zapiszemy Cię do newslettera.

Powiązane

GitHub skrócił wyjście z terminala i zapłacił za to więcej
Analiza / Opinia

GitHub skrócił wyjście z terminala i zapłacił za to więcej

5 min

GitHub podpiął do Copilota RTK, narzędzie skracające wyjście z powłoki, i na własnych benchmarkach agentowych zadanie wyszło średnio drożej, bo model wracał po wycięty fragment i tracił kolejne tury. Cztery poprawki, które trafiły do Copilot CLI, łączy to, że żadna nie wyrzuca informacji bezpowrotnie: wycięcie numerów linii z odczytu plików zbiło koszt inferencji o około 5% na benchmarkach i 3% dziennie u użytkowników, a dwukrotne skrócenie promptu dało 2,9% taniej, ale po cichu zamieniło sugestię o równoległości w regułę kolejkowania i regresję wyłapali dopiero użytkownicy.
Copilot Fusion sam wybiera model, a GitHub Enterprise przechodzi na kredyty AI
Premiera / Narzędzie

Copilot Fusion sam wybiera model, a GitHub Enterprise przechodzi na kredyty AI

5 min

Na konferencji Universe 28 października GitHub udostępnił Copilot Fusion, który sam dobiera model i sposób wykonania zadania, a programiście zostawia tylko wybór poziomu wysiłku: Standard, High albo Max. Jay Parikh z Microsoftu twierdzi, że Fusion Max wypada niemal tak dobrze jak Claude Code z Opus 5.5 Max za połowę ceny, ale nikt spoza firmy tego nie sprawdził. Jednocześnie klienci GitHub Enterprise mogą płacić za zużyte kredyty AI zamiast osobnej licencji, tylko że cennika brak, więc rachunek zależy od decyzji, których programista nie widzi.
Copilot dołożył pierwszy otwarty model, tańszy i wyraźnie słabszy
Model / Badania

Copilot dołożył pierwszy otwarty model, tańszy i wyraźnie słabszy

3 min

GitHub Copilot po raz pierwszy dopuścił do menu model z otwartymi wagami, Kimi K2.7 od chińskiego Moonshot AI, na razie na podstawie wpisu na blogu Microsoftu, a nie oficjalnego ogłoszenia GitHuba. Cała rzecz to jeden kompromis: taniej, ale słabiej, bo na testach kodowania model ustępuje czołówce, za to autonomiczna sesja agenta schodzi z około 0,55 do 0,07 dolara. Broni się jeden wynik, 60,4% na SWE-Bench Verified, ale uruchomienie pełnej wersji u siebie to około 577 GB pamięci, więc realną drogą i tak zostaje tańsze API.