Het bieden van het beste model voor de taak aan ontwikkelaars is altijd ons doel geweest. Eerder dit jaar hebben we dit gemakkelijker gemaakt door de automatische modelselectie te lanceren, die uw taak beoordeelt en deze matcht met het best geschikte model voor die taak. Vandaag introduceren we Project Hydra Fusion, een onderzoeksvoorbeeld dat geavanceerde intelligentie levert via runtime-orkestratie. Het creëert een volledig uitvoeringsplan, kiest uit modellen van meerdere aanbieders om te ontwerpen, bekritiseren en herzien, of cascadeert naar krachtigere modellen om uw taak te voltooien.

Hydra Fusion speelt een sleutelrol in onze algemene strategie om geautomatiseerde semantische routering te bieden tussen lokale, cloud- en samengestelde modellen. Voor ontwikkelaars blijft die complexiteit op de achtergrond: u selecteert Hydra Fusion zoals elk ander model, en het kiest een workflow die prestaties, kosten en latentie voor elke taak in evenwicht brengt. Hydra Fusion behandelt workflowselectie als een optimalisatieprobleem. Het gebruikt capaciteitssignalen voor redeneren, codegeneratie, debuggen en toolgebruik om het meest efficiënte uitvoeringspatroon te selecteren dat aan de kwaliteitsnorm voldoet.

Voor elk verzoek kiest Hydra Fusion momenteel een van drie uitvoeringspatronen: Single, Cascade of Critique. Elk patroon behandelt een andere kwaliteit-tot-kosten-afweging. In offline evaluaties over drie agentische codeerbenchmarks toonde Hydra Fusion consequent geavanceerde kwaliteit met aanzienlijke geschatte kostenbesparingen. Op Terminal Bench 2.1 verbeterde het de geverifieerde taakkwaliteit met 4,9 procentpunten tegen 67% lagere geschatte kosten vergeleken met Claude Opus 5.

Belangrijke entiteiten: Bedrijven: GitHub