GitHub HydraFusion：多模型编排媲美 Opus 5，成本低 67%

GitHub 于本周将 Project HydraFusion 作为研究预览版纳入 GitHub Copilot，同日 IFM 发布 K2 Horizon 六模型族——两支团队在同一天分别展示了通过多模型组合实现高质量推理、同时压低成本的两种路径。

HydraFusion：把模型调度决策自动化

开发者调用 AI 模型的流程其实已经是多步骤的：先用一个模型起草，再叫另一个审查，遇到难题再升级到更强的。HydraFusion 把这个人工决策过程搬进了运行时——开发者选择一次 HydraFusion，框架自动为每个请求选择执行路径。

当前有三种执行模式：Single（直接由单一模型完成）、Cascade（先用轻量模型，答案通不过验收门再升级到更强模型）、Critique（主模型起草后由独立模型审查修订，适合需要多角度核查的任务）。

框架的核心是选择性：并非每个请求都走最贵的路径，而是根据请求所需的推理、代码生成、调试或工具调用能力，选预期最高效的模式。只有当轻量路径被判断为不够用时，才会向上升级。

评估数字来自三项智能体编程基准的离线测试。在 TerminalBench 2.1 上，HydraFusion 的已验证任务通过率比 Claude Opus 5 高出 4.9 个百分点，估算工作流成本则低 67%。这个差距主要来自 Cascade 和 Single 模式的命中率——大多数请求不需要最强的模型。

HydraFusion 目前作为研究预览在 GitHub Copilot 中可用，是框架层面的发布，不涉及新的基础模型。

IFM K2 Horizon：完全开源的六模型连接族

IFM 同日发布的 K2 Horizon 包含六个模型：0.9B、3.7B、7B、32B、36B-A4B 和 375B-A23B，部署场景从智能手表横跨至企业服务器。六个模型共享核心架构、词表（0.9B 使用更小的词表）、训练方法和评估框架，可在不同尺寸间动态路由。

36B-A4B 搭载新设计的混合价值注意力机制（MoVA，Mixture-of-Value-Attention），声称在更少激活参数下达到更大模型的能力。0.9B、3.7B、7B 三个尺寸声称在各自参数量级内达到了新的 SOTA，独立复测将是验证这些数字的关键。

开放程度是 K2 Horizon 主打的差异点：从预训练到 Agent 后训练的完整生命周期——中间检查点、训练数据（或数据构建配方）、代码、配置、训练日志和最终权重——全部开放，协议为 Apache 2.0。IFM 将这称为首个完整开放 Agent 后训练过程的模型族。

接下来看什么

HydraFusion 目前是研究预览，GitHub 后续会根据实际使用反馈调整执行模式的选择策略。K2 Horizon 完全开源，独立基准复测和社区精调实验是下一个观察点——开放的训练数据和代码让第三方验证成为可能。