GitHub เปิดตัว Project HydraFusion จัดการหลายโมเดล
GitHub เปิดตัว Project HydraFusion ระบบรันไทม์จัดการหลายโมเดลใน Copilot CLI ช่วยสร้างเวิร์กฟลอย์เฉพาะกิจสำหรับงานเขียนโค้ดแต่ละงาน
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- GitHub เปิดตัว Project HydraFusion เป็นพรีวิวการวิจัยบน Copilot CLI
- ใช้การแก้ปัญหาแบบหาค่าที่เหมาะสมเพื่อเลือกเวิร์กฟลอย์ที่ประหยัดและมีคุณภาพ
- มี 3 รูปแบบหลักคือ Single, Cascade และ Critique ตามความเหมาะสมของงาน
- คิดค่าบริการตามจำนวนโทเค็นจริงของโมเดลที่ถูกเรียกใช้งาน
GitHub ได้ประกาศเปิดตัวโครงการวิจัยใหม่ล่าสุดในชื่อ Project HydraFusion ซึ่งเป็นระบบรันไทม์สำหรับการประสานงานหลายโมเดล (Runtime Multi-Model Orchestration) โดยออกแบบมาเพื่อสร้างเวิร์กฟลอย์การทำงานเฉพาะสำหรับงานเขียนโค้ดแต่ละงานใน Copilot CLI โดยเฉพาะ
ในปัจจุบัน Project HydraFusion เปิดให้ใช้งานในรูปแบบรีเสิร์ชพรีวิว (Research Preview) สำหรับผู้ใช้งานแผน GitHub Copilot ทุกระดับ เฉพาะภายใน GitHub Copilot CLI เท่านั้น โดยยังไม่มีการเปิดโอเพนเวท (Open weights) หรือเส้นทางการติดตั้งใช้งานแบบโฮสต์เองแต่อย่างใด
ผู้ที่สนใจใช้งานสามารถอัปเดตระบบได้โดยการรันคำสั่ง /update ตามด้วย /experimental on และเข้าไปที่ /model เพื่อเลือกใช้งาน HydraFusion (Research Preview) ส่วนเรื่องค่าใช้จ่ายจะคิดตามจำนวนโทเค็นที่โมเดลต่างๆ ภายในเวิร์กฟลอย์นั้นๆ บริโภคจริงตามอัตรามาตรฐานของแต่ละโมเดล
ระบบตัวนี้ถูกพัฒนาต่อยอดมาจากฟีเจอร์การเลือกโมเดลอัตโนมัติ (Auto model selection) ที่ GitHub เคยปล่อยออกมาในช่วงต้นปี 2026 เพื่อจับคู่ภารกิจเข้ากับโมเดลที่เหมาะสมที่สุดเพียงโมเดลเดียว แต่ HydraFusion ก้าวไปอีกขั้นด้วยการมองการเลือกเวิร์กฟลอย์ให้เป็นปัญหาการหาค่าที่เหมาะสม (Optimization problem)
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ระบบจะอ่านสัญญาณความสามารถในด้านการให้เหตุผล (Reasoning) การสร้างโค้ด (Code generation) การดีบั๊ก (Debugging) และการใช้เครื่องมือ (Tool use) จากนั้นจะทำการเลือกเวิร์กฟลอย์ที่มีความซับซ้อนน้อยที่สุดซึ่งคาดว่าจะผ่านเกณฑ์คุณภาพ โดยจะยอมเสียค่าใช้จ่ายในการเรียกโมเดลเพิ่มก็ต่อเมื่อมีความคุ้มค่าที่จะช่วยให้งานสำเร็จลุล่วงเท่านั้น
ในการประมวลผลแต่ละคำขอ (Request) ปัจจุบัน HydraFusion จะเลือกใช้หนึ่งในสามรูปแบบเวิร์กฟลอย์ที่มีอยู่ ได้แก่:
- Single: รักษารวดเร็วในการทำงาน
- Cascade: เปิดเส้นทางให้มีการอนุมานที่ทรงพลังยิ่งขึ้น
- Critique: เพิ่มมุมมองจากภายนอกในกรณีที่กระบวนการตรวจสอบมีความจำเป็นกว่าการพยายามทำเองโดยไม่มีตัวช่วย
การที่ GitHub นำระบบ Orchestration ระดับรันไทม์มาใช้ใน Copilot CLI ถือเป็นก้าวย่างสำคัญในการแก้ปัญหาคอขวดด้านประสิทธิภาพของ AI ซอฟต์แวร์เอนจิน เนื่องจากงานเขียนโค้ดจริงในระดับโปรเจกต์มักมีความซับซ้อนเกินกว่าที่โมเดลเดี่ยวๆ จะจัดการได้ดีที่สุด การผสานโมเดลหลายตัวเข้าด้วยกันผ่านเวิร์กฟลอย์แบบไดนามิกจึงช่วยบาลานซ์ระหว่างต้นทุนและคุณภาพได้อย่างชาญฉลาด
ทางทีมงาน GitHub ได้สร้างรันไทม์นี้ขึ้นมาโดยยึดหลักการปฏิบัติงาน 5 ประการที่สำคัญต่องานในระดับคลังโค้ด (Repository-level) โดยในส่วนของการทำงานเบื้องหลัง ระบบจะทำการบันทึกบทบาท ผลลัพธ์ ค่าใช้จ่าย ความหน่วง (Latency) และข้อมูลการวินิจฉัยแยกตามแต่ละขั้นตอนอย่างละเอียด ในขณะที่ฝั่งนักพัฒนาจะมองเห็นผลลัพธ์ที่สอดคล้องกันและชุดการเปลี่ยนแปลงที่คำนึงถึงสิทธิ์การเข้าถึงอย่างครบถ้วน
นอกจากนี้ ทีมงาน GitHub ยังได้ประเมินนโยบายของ HydraFusion กับเบนช์มาร์กการเขียนโค้ดของเอเจนต์จำนวน 3 ชุด โดยใช้ Claude Opus 5 และ GPT-5.6 Sol เป็นโมเดลอ้างอิง ซึ่งโมเดลทั้งหมดรันในระดับการให้เหตุผลปานกลาง โดยมี CheckpointBench ซึ่งเป็นชุดทดสอบแบบหลายรอบภายในของ GitHub เองที่รวบรวมมาจากเซสชัน Copilot จริงและยึดโยงกับคอมมิตสาธารณะที่ไม่สามารถเปลี่ยนแปลงได้เพื่อให้การทดสอบสามารถทำซ้ำได้
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น