2026. szeptember 14., hétfő · Eszközök

GitHub Copilot új kutatási előnézete: HydraFusion több modellt kombinál

A GitHub bemutatta a Project HydraFusiont, a GitHub Copilot kutatási előnézetét, amely a vállalat állítása szerint futásidőben, több szolgáltató modelljét kombinálva építi fel a kódolási feladatok végrehajtási tervét. A rendszer a feladat komplexitása alapján három mintázat közül választ: egyetlen modell önálló futtatása, kaszkád (gyengébb modell tervezete, majd minőségi kapu alapján erősebb modellre eszkalálás), illetve kritika (egy másik modellcsaládból származó, csak olvasási jogú bíráló véleményezi a tervezetet, amit az eredeti modell egyszeri javítással dolgoz fel). A GitHub szerint öt alapelv biztosítja a megbízhatóságot: teljes költségkövetés, időkorlátos végrehajtás, elkülönített, eszközhasználat nélküli bírálati lépés, hibatűrő alkalmazási logika és a modellek elérhetőségének előzetes ellenőrzése. A cég állítása szerint kontrollált, offline teszteken három ügynöki kódolási benchmarkon a szelektív futásidejű munkafolyamatok elérték vagy meghaladták az alapmodellek teljesítményét, konkrét számszerű eredményt azonban a forrás nem közöl.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A HydraFusion azzal, hogy egy feladaton belül több modellszolgáltatót kombinál kaszkád- és kritika-mintázatokkal, a jelenlegi egymodelles Copilot-útválasztást egy komplexebb, tokenköltséget és időkorlátot is kezelő orkesztrációs réteggel váltaná fel.

Források

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglaló

Ez a hír a 2026. szeptember 14., hétfő napi AI összefoglaló része.

Kapcsolódó hírek

A GitHub Rustra migrálta a Copilot futtatókörnyezetét AI-asszisztált átírással

A GitHub a Copilot CLI, a Copilot alkalmazás és a Copilot SDK mögötti futtatókörnyezetet TypeScript/Node.js helyett Rustra migrálta, a vállalat állítása szerint több mint 800 ezer sornyi produkciós kódot cserélve le AI-asszisztált átírással. A GitHub közlése szerint a migráció mintegy 14,5 hétig tartott, 128 pull requesten és 135 kiadáson (35 stabil, 100 előzetes) keresztül, miközben a szolgáltatás futott. A cég szerint egy mért indítási-munkamenet-forgatókönyv 5,25 másodpercről 292 ezredmásodpercre gyorsult, ha a Rust-futtatókörnyezetet közvetlenül a folyamatba ágyazták, mivel a korábbi Node.js/V8-alapú megoldás folyamathatáron kommunikált és kliensenként kb. 100 MB memóriát igényelt. Augusztus 21-re a kódbázis 832 378 sor produkciós Rust kódot és 468 689 sor Rust unit tesztet tartalmazott, a GitHub szerint 4478 cargo check futásból 87,1% hiba nélkül lezárult. A közösségi visszhang szerint az AI-asszisztált migrációk ellenőrzése komoly kihívás, különösen a megszakítás, újrapróbálkozás és visszanyomás (backpressure) jellegű viselkedések esetében, amelyeket puszta fordítási siker nem igazol.

GitHub Copilot kódellenőrzés minden Azure DevOps ügyfélnek elérhető

Microsoft minden Azure DevOps ügyfél számára megnyitotta a GitHub Copilot kódellenőrzési funkcióját, megszüntetve a június óta érvényben lévő regisztrációs korlátozást. A funkció automatikusan megjegyzéseket fűz a pull requestekhez, a felhasznált tokenek alapján a kapcsolt Azure-előfizetésen keresztül számláz, a költségjelentés viszont két nappal a tényleges felhasználás után válik elérhetővé. Microsoft közleménye szerint évekig a GitHub-ra való migrálásra ösztönözte ügyfeleit, de sok szervezet mérete, testreszabásai vagy megfelelőségi kötelezettségei miatt nem tud váltani, ezért hozzák el a GitHub-funkciókat az Azure Repos-hoz. Az augusztusi frissítés szervezeti, projekt- és tárolószintű beállításokat, Managed DevOps Pools támogatást, egyedi utasításokat és ágpolitika-alapú automatikus felülvizsgálatokat is tartalmaz.

Az OpenAI közös token-keretet vezet be a ChatGPT és a Codex között

A The Decoder egy frissített OpenAI támogatási oldalra hivatkozva azt írja, hogy decembertől a Plus, Pro és Business előfizetések egyetlen közös token-keretet osztanak meg a ChatGPT és a Codex között. Az OpenAI ezzel olvasztja be a Work agentikus funkcióit a fő ChatGPT felületbe, amit korábban már bejelentett. A felhasználók a Beállításokban láthatják a fennmaradó keretet és a frissítés idejét; a limit elérésekor várhatnak a megújulásra, előfizetést válthatnak, vagy extra kreditet vásárolhatnak. Az Instant modellel folytatott beszélgetések nem számítanak bele a keretbe, így papíron marad a fix áras szolgáltatás, de a lap szerint az intenzív használat az olcsóbb csomagokon várhatóan gyengébb minőségű válaszokat eredményez majd. A cikk szerint a lépés feltehetően egyrészt a magasabb árú csomagok nemrég megduplázott limitjeire épít, másrészt valószínűleg válasz a ChatGPT egyre bonyolultabbá váló kezelőfelületét ért kritikákra.

Az NVIDIA TensorRT Edge-LLM egyszerűsíti az edge AI-fejlesztést a DGX Sparkon

Az NVIDIA bemutatta a TensorRT Edge-LLM nevű könnyűsúlyú C++ futtatókörnyezetet, amely a vállalat szerint lehetővé teszi, hogy fejlesztők néhány paranccsal AI-modelleket futtassanak és teszteljenek a most 64GB-os kiépítésben elérhető NVIDIA DGX Spark gépen. A trtedge parancssori eszköz letölti a kiválasztott modellt és optimalizált TensorRT motorokat épít, a cég bemutatója szerint a Nemotron-3.5 Lightning modellel néhány lépésben chat-munkamenet indítható, illetve OpenAI-kompatibilis API-kiszolgáló is futtatható helyben. Az NVIDIA közlése szerint a DSpark nevű spekulatív dekódolási módszer három draft tokennel a HumanEval promptokon átlagosan 73,4-ről 126,9 tokenre növelte a másodpercenkénti generálási sebességet, miközben a csúcsmemória-használat 27,9GB maradt. Ugyanez a futtatókörnyezet a vállalat szerint a fejlesztői DGX Sparkról közvetlenül átvihető a Jetson Thor, a DRIVE AGX Thor és az IGX Thor beágyazott платформokra.