GitHub Copilot: preço do Fusion, modelos e quando usar

Informações verificadas na documentação e nos anúncios oficiais do GitHub em 29 de outubro de 2026. Esta análise se baseia na documentação, sem testes práticos de desempenho.

O que muda com o GitHub Copilot Fusion

O GitHub Copilot Fusion assume a escolha do modelo e, quando necessário, a coordenação entre modelos. Pense em uma liderança técnica que decide se uma alteração pede uma implementação rápida, uma revisão ou uma análise mais aprofundada. Você continua responsável por definir a tarefa e decidir se o código entregue é aceitável.

O GitHub disponibilizou o Fusion para uso geral em 28 de outubro de 2026, reunindo a orquestração do Project HydraFusion e a seleção automática de modelos do Auto. As opções Auto, HydraFusion e HydraFusion Max passam a corresponder a níveis de esforço do Fusion. Assim, a prévia de pesquisa de outubro é a antecessora do Fusion, e não um produto separado que você precise usar junto com ele. Anúncio do Fusion pelo GitHub.

Os padrões de execução definem como o trabalho é organizado:

• Single: um modelo resolve a tarefa diretamente.
• Cascade: uma primeira versão passa por um avaliador, que a aceita ou encaminha o trabalho para uma etapa adicional.
• Critique: uma primeira versão recebe críticas independentes antes de ser revisada pelo modelo que a produziu.

Esses padrões vêm da pesquisa do GitHub sobre HydraFusion. A documentação atual do Fusion descreve revisores que trabalham em paralelo e cujas avaliações são reunidas. Isso não significa que todo prompt acione todos os padrões. Funcionamento do Fusion.

Corrigir um rótulo e investigar uma condição de corrida, por exemplo, não deveriam receber automaticamente o mesmo tratamento. O Fusion faz essa distribuição de esforço dentro da sessão. O guia sobre roteamento de modelos explica a ideia por trás disso: direcionar cada tarefa a um modelo com a capacidade adequada e depois medir se a escolha ajudou.

Onde o Fusion funciona e como ativá-lo

O Fusion pode ser usado no aplicativo Copilot, no Visual Studio Code, na Copilot CLI e nas IDEs da JetBrains. O GitHub lista esses ambientes e a disponibilidade nos planos do Copilot. Isso não garante acesso aos mesmos níveis de esforço em todas as contas: os modelos continuam sujeitos ao plano e às políticas de uso. Disponibilidade atual.

Atualize o cliente antes de seguir estas instruções. As antigas opções de ativação da prévia do HydraFusion não correspondem à configuração atual do Fusion.

Aplicativo GitHub Copilot

Clique no nome do modelo abaixo da caixa de prompt, ative Copilot Fusion e escolha um dos níveis de esforço disponíveis. Para voltar a um modelo específico, desative a opção e selecione o modelo desejado. O aplicativo mantém sua escolha nas próximas sessões. Seleção de modelos no aplicativo.

Visual Studio Code

Nas configurações, verifique se chat.copilot.dynamicAutoTiers.enabled está ativado. Inicie uma nova conversa usando o Copilot harness, o ambiente de execução que conecta o modelo às ferramentas do agente. Selecione Copilot Fusion no seletor de modelos e escolha um nível disponível. Ativar a configuração não libera acesso por si só: o seletor pode continuar exibindo Auto se nenhum nível do Fusion estiver disponível para sua conta. Configuração no VS Code.

GitHub Copilot CLI

Em uma sessão interativa, digite /model, escolha o Fusion e seu nível de esforço e confirme. Para um primeiro teste com escopo limitado, o GitHub documenta a estrutura de comando abaixo; neste exemplo, o pedido é apenas de análise, sem alterações nos arquivos:

copilot --model fusion --fusion-tier standard -p "Explain how this repository runs its tests. Do not edit files."

Essa é a opção atual do Fusion, sem a antiga flag experimental do HydraFusion. Seleção de modelos na CLI.

Quais modelos o Fusion pode usar

A lista de modelos Claude/GPT retrata um momento específico, sem garantir um conjunto permanente para o roteamento. A atualização do HydraFusion publicada pelo GitHub em 14 de outubro de 2026 listava expressamente:

• Claude Opus 5.5, da Anthropic.
• GPT-6 Astra, da OpenAI.
• GPT-6.1 Sol, da OpenAI.
• GPT-6 Luna, da OpenAI.

Essa atualização também apresentou o HydraFusion Max e um raciocínio mais cuidadoso nas etapas de elaboração e revisão. Esses são os nomes confirmados no anúncio da prévia. Atualização de outubro sobre os modelos disponíveis.

A visão geral atual do Fusion não apresenta uma lista fixa e completa dos modelos em nuvem. A documentação informa que o conjunto muda e permite conferir os modelos utilizados ao passar o cursor sobre o rótulo de esforço abaixo de uma resposta. O catálogo completo de modelos do Copilot não é uma promessa de que o Fusion usará todos eles. Como funciona o conjunto atual de modelos.

Para uma liderança de engenharia, a lista que importa na prática é a dos modelos permitidos na própria conta. Quem tem permissão de proprietário no Enterprise pode acessar AI controls → Copilot → Models → Configure Copilot Fusion models. Essas escolhas continuam sujeitas às demais políticas de modelos do usuário. Controles de modelos no Enterprise.

Há também uma prévia separada de roteamento para modelos locais. Ela aceita configurações específicas com MAI Code 1.1 Flash ou Qwen3.8 Flash Next no nível Standard. Adicionar um modelo local qualquer não o torna elegível, e executar a inferência localmente não permite usar o Fusion offline: o roteamento continua na nuvem. Limites do uso de modelos locais.

Comece com Standard e aumente o esforço quando fizer sentido

Comece com Standard; antes de escolher High ou Max, tenha um motivo concreto para pedir mais revisão. O GitHub descreve Standard como a opção para programação no dia a dia, High para tarefas difíceis e raciocínio mais aprofundado, e Max para o trabalho mais exigente. Definições dos níveis de esforço.

As tarefas abaixo são recomendações editoriais para o teste, sem medições que comprovem desempenho:

Um pedido vago para melhorar um aplicativo inteiro é um teste ruim para o Max. Sem definir o que conta como sucesso, não dá para saber se o raciocínio adicional ajudou. Restrinja a tarefa a um problema observável, como preservar o comportamento das novas tentativas ao remover um caminho de requisição duplicado.

Fusion Max é uma opção de esforço, e não o nome de uma assinatura obrigatória. O Fusion Fast também existe, mas não pode ser selecionado pelo usuário e fica restrito ao chat inline do VS Code. Opções de esforço.

GitHub Copilot: preço do Fusion em créditos de IA

A cobrança acompanha o trabalho executado pelos modelos selecionados. Tokens de entrada, de saída e em cache têm preços definidos por modelo, com cobrança pela gravação em cache quando aplicável. Esses valores são então convertidos em créditos de IA. Não há um custo fixo em créditos publicado para uma tarefa do Fusion. Como funciona a cobrança do GitHub.

O Fusion não tem uma taxa separada de orquestração. Os planos pagos do Copilot contam atualmente com 30% de desconto nos custos dos modelos do Fusion até 30 de novembro de 2026. Cobrança do Fusion. Para comparar os planos e as franquias incluídas, consulte o guia de preços do GitHub Copilot.

Cada etapa de elaboração, crítica e revisão gera consumo. O esforço de raciocínio, o tamanho do contexto, o uso de ferramentas e o cache também influenciam esse consumo. Por isso, uma execução com várias etapas pode gastar mais créditos do que um pedido a um único modelo, mesmo quando o roteamento funciona como previsto. Explicação do VS Code sobre o consumo de créditos de IA.

No teste, contabilize também as tentativas malsucedidas e os prompts de correção. Uma primeira versão barata que exige reparos repetidos pode sair pior do que uma execução mais cara que entrega uma alteração aceitável. Da mesma forma, pagar por uma crítica de uma simples renomeação pode não trazer benefício algum. Compare o trabalho concluído, sem se limitar à resposta individual mais barata.

O que o benchmark do GitHub permite concluir

O GitHub relata um resultado promissor, mas ele não comprova quanto seu repositório vai economizar. No anúncio do Universe, o GitHub afirma:

A avaliação citada é o Artificial Analysis Coding Agent Index. Essa é uma alegação de desempenho divulgada pelo GitHub, sem um teste independente realizado para este artigo. Anúncio do GitHub Universe.

O changelog detalhado identifica a configuração usada na comparação como Claude Code com Opus 5.5 Max e define a métrica de custo como o custo médio de API por tarefa. Isso é mais específico do que dizer que o Fusion reduz a fatura do Copilot pela metade. Contexto do benchmark do GitHub.

A conclusão razoável é que a orquestração pode entregar bons resultados com mais eficiência do que recorrer sempre a uma configuração mais pesada. Já afirmar que toda correção de bug será mais rápida ou barata vai além dos dados. O conjunto de tarefas, os critérios de aceitação e o trabalho de correção determinam se o resultado se aplica ao seu caso. A promoção temporária de cobrança e a comparação do benchmark também são alegações distintas; não some as duas para prometer economia.

O que muda para desenvolvedores, lideranças e quem contrata

Para desenvolvedores, o ganho é um atalho na escolha do modelo. Se você interrompe o trabalho com frequência para decidir qual modelo deve tentar a próxima tarefa, vale fazer um teste delimitado do Fusion. Deixe claros a descrição do problema, o comportamento esperado e o padrão de revisão. Delegar a escolha deve reduzir uma distração, sem tornar a tarefa menos precisa.

Lideranças de engenharia precisam definir uma política de esforço e registrar as alterações aceitas. Um ponto de partida útil é usar Standard nas tarefas rotineiras, High nas mudanças com escopo definido que precisam de revisão e Max por uma decisão consciente. Registre por que aumentar o esforço ajudou. Caso contrário, escolher sempre o nível mais alto pode virar hábito, sem evidência de melhora nas entregas.

Quem compara o Copilot com Claude Code ou Cursor para contratação deve testar o fluxo de trabalho que pretende adotar. Um benchmark justifica avaliar uma opção, mas não basta para migrar uma organização. Além dos créditos, avalie o esforço de revisão, a adequação ao repositório e os resultados concluídos. A comparação entre Claude Code e GitHub Copilot ajuda na escolha mais ampla; o Fusion muda apenas uma parte dessa decisão.

Onde o entusiasmo passa do ponto e quando deixar o Fusion desativado

Envolver mais modelos não elimina sua responsabilidade pelo diff. O GitHub documenta uma limitação especialmente relevante: versões descartadas podem deixar alterações nos arquivos. O Fusion também não tem uma janela de contexto combinada própria nem inicia subagentes. Limitações do Fusion.

Deixe o Fusion desativado quando precisar de um modelo específico para uma comparação controlada, uma investigação reproduzível ou um fluxo de trabalho aprovado explicitamente. Fixe a escolha do modelo para que o roteamento não acrescente outra variável. Isso não torna um modelo de linguagem determinístico; apenas remove uma fonte de variação.

Se uma configuração conhecida com um modelo específico já resolve sua tarefa delimitada com poucas correções, não há o que mudar até que um teste demonstre um ganho prático. Trocar não é uma obrigação.

Também vale esperar se você precisa trabalhar offline ou se não consegue definir e revisar uma alteração aceitável. Para pedidos pequenos e rotineiros, talvez baste deixar de usar os níveis com mais orquestração e manter o Standard. “Deixar o Max desativado” e “deixar o Fusion desativado” são decisões diferentes.

Como usar GitHub Copilot Fusion: teste em um repositório nesta semana

Mantenha o teste pequeno o suficiente para inspecionar todos os resultados. Escolha um repositório que você conhece e compare o Fusion com a configuração de modelo que já usa.

O próximo passo para esta semana: designe alguém para desenvolver e alguém para revisar nesse repositório, combine as verificações de aceitação e só decida a configuração padrão depois de analisar as alterações produzidas. Um registro claro da decisão vale mais do que uma captura de tela da resposta mais rápida.

Assine a newsletter para receber guias práticos sobre como escolher e usar ferramentas de IA para desenvolvimento.