GitHub lanza oficialmente Copilot Fusion para seleccionar modelos de inteligencia artificial según la tarea
4 de noviembre de 2026 · 3 min de lectura
GitHub presentó el lanzamiento oficial de su nueva funcionalidad denominada Copilot Fusion durante su evento anual GitHub Universe 2026, celebrado en San Francisco, Estados Unidos, los días 28 y 29 de octubre. Esta herramienta está diseñada para ejecutar tareas mediante la combinación de uno o varios modelos de inteligencia artificial, seleccionando automáticamente la configuración óptima según las características específicas de cada solicitud. El sistema evalúa las capacidades necesarias para actividades como la inferencia, la generación de código, la depuración o el uso de herramientas, y determina cómo combinar los modelos para equilibrar el rendimiento y los costos, liberando a los desarrolladores de la carga de gestionar estas elecciones manualmente.
La funcionalidad opera eligiendo entre tres patrones principales de ejecución dependiendo de la naturaleza del trabajo solicitado. El primer patrón, llamado Cascada, utiliza un modelo eficiente para proponer una solución inicial, la cual es verificada por un modelo de control de calidad que decide si es necesario escalar el proceso a un modelo con mayor capacidad. El segundo patrón, conocido como Crítica, implica que un modelo genera un borrador de la solución mientras un modelo de una familia diferente lo revisa de forma independiente; si la revisión devuelve observaciones, el modelo original realiza una única corrección basada en dichos comentarios. Estos mecanismos permiten adaptar el flujo de trabajo a las exigencias técnicas de cada situación sin intervención humana directa en la selección del modelo.
Para ajustar el equilibrio entre la calidad del resultado, el costo operativo y el tiempo de espera, la herramienta ofrece distintos niveles de carga configurables. El nivel Estándar busca un punto medio entre estos factores y está orientado al trabajo cotidiano. El nivel Alto proporciona una orquestación equilibrada con un ahorro moderado de tokens, ideal para tareas de codificación extensas con un alcance claro, como la corrección de errores complejos o cambios que abarcan múltiples archivos. El nivel Máximo prioriza el rendimiento más avanzado posible considerando la eficiencia de tokens, destinándose a tareas que requieren un razonamiento profundo y un análisis exhaustivo. Existe además un nivel Rápido, seleccionado automáticamente por el sistema en escenarios que demandan modelos veloces, el cual no puede ser elegido manualmente por el usuario.
Adicionalmente, la empresa ha iniciado una vista previa pública que permite a los usuarios ejecutar tareas dentro del nivel Estándar utilizando modelos instalados localmente en sus propios equipos. Entre las opciones disponibles en esta fase preliminar se encuentran el modelo MAI Code 1.1 Flash y el modelo Qwen3.8 Flash Next. Esta capacidad de integrar modelos locales amplía la flexibilidad de la plataforma, permitiendo a los desarrolladores aprovechar recursos propios mientras se benefician de la lógica de selección automática de la herramienta. La presentación de estas capacidades marca un paso significativo en la evolución de las herramientas de desarrollo asistido por inteligencia artificial, enfocándose en la optimización automática de recursos computacionales.