GitHub 为 Copilot 自动模型选择添加了三个可配置层，为组织提供了一种新的方式来影响编码助手如何权衡每个提示的成本、质量和响应时间。

这项更改于 2026 年 9 月 14 日宣布，为 Copilot 自动模型选择器引入了效率、平衡和智能设置。所有三个层都使用相同的可用模型池，但它们改变了 Copilot 在决定哪个模型应处理请求时权衡竞争优先级的方式。该功能正在 Visual Studio Code、Copilot CLI 和 GitHub Copilot 应用程序中推出。

对于企业工程团队来说，重要的一点不仅仅是 Copilot 可以自动选择模型。现在的选择是有一个面向管理员的政策面。团队无需要求每个开发人员了解对于给定的编码任务，哪种模型更便宜、更快或更强大，而是可以设置更符合其操作优先级的默认姿势。

Copilot 自动模型选择发生了哪些变化

Copilot 自动模型选择已经评估了提示，并将其路由到 GitHub 支持的模型集中的模型。新层增加了对该路由行为的更高级别的控制。

效率层旨在支持更低的成本和更快的响应。平衡层位于成本和质量之间。当 Copilot 评估哪个模型应该回答时，智能层会更加重视更强的模型性能。 GitHub 表示可用模型集在各层中都是相同的，因此该设置不是简单的廉价或优质模型的允许列表。这是影响选择过程的政策信号。

使用量仍根据自动选择的型号进行计费。付费订户通过自动模型选择路径计费的使用量可继续享受 10% 的折扣。这意味着层级设置可以间接影响支出，但它并不能取代检查正在使用哪些模型以及使用频率的需要。

推出也很重要，因为它同时涉及多个开发人员界面。 Visual Studio Code 涵盖了主流 IDE 工作流程。 Copilot CLI 将此行为引入基于终端的开发中。 GitHub Copilot 应用程序将其扩展到另一个界面，在该界面中，类似代理和聊天式的工作可以在编辑器之外进行。

为什么这对工程和财务团队很重要

大多数采用 AI 编码工具的组织已经超越了开发者是否会使用这些工具的问题。更困难的问题是，当多个模型、计费费率、任务类型和开发人员工作流程混合到一种产品体验中时，如何管理使用情况。

手动模型选择为专家用户提供了控制权，但它无法在大型工程组织中干净地扩展。许多开发人员不知道可用模型之间的边际成本或功能差异，并且他们不必在日常编码工作中做出采购级决策。自动选择减轻了这种负担，但如果管理员无法查看或塑造路由逻辑，也会使成本变得不透明。

新层是中间层。它们不公开完整的模型选择算法，也不保证给定的提示将转到特定的模型。但它们为领导者提供了比告诉每个开发者手动选择更便宜的模型更实际的控制权。

这与AI API成本控制密切相关，尽管 Copilot 被打包为开发者工具而不是原始模型API。根本的治理问题是相同的：组织需要决定何时采用更昂贵的模型是合理的，何时更便宜的模型足够好，以及这些选择如何在预算中体现。

谁受到影响

最直接的受众是使用 GitHub Copilot Business 或 Enterprise 且基于使用情况的计费曝光的工程组织。已经审查 Copilot 消耗、设置预算或限制可用模型的团队需要评估新设置如何适应其现有政策。

平台工程团队可能还需要更新内部指南。如果开发人员被告知选择特定模型进行代码审查、重构、测试或代理工作，新的自动层可能会更改建议的默认值。组织可能会决定大多数开发人员应该使用平衡，大批量团队应该从效率开始，或者从事复杂迁移的某些团队应该使用智能。

财务和采购团队会受到影响，因为账单仍然取决于所选模型。名为效率的政策不应被视为硬性支出上限。这是一个路由首选项。组织仍然需要将支出与团队、用户、工作流程和选定模型联系起来的报告。

安全和治理团队的兴趣范围较小，但真正感兴趣。如果模型政策因提供商、地区、数据处理条款或内部批准状态而异，则自动模型选择必须在这些约束范围内运行。 GitHub 的公告称，跨层使用相同的可用模型集，因此管理员应验证其模型启用政策是否反映了组织实际愿意使用的内容。

对开发者的实际影响

对于个人开发者来说，最好的结果是减少干扰。开发人员可以向 Copilot 寻求帮助，系统可以选择与组织首选的成本和能力平衡相一致的模型。这对于例行自动完成、小解释、测试建议和命令行协助可能特别有用，因为可能不需要每次都为最强的模型付费。

权衡是模型级别的行为可能变得更难以预测。与用户相似的两个提示可能会以不同的方式进行路由，并且当 GitHub 更新可用模型集或选择逻辑时，相同的工作流程可能会产生不同的成本和延迟特征。需要确定性测试、基准比较或严格模型文档的团队可能仍然更喜欢对某些工作流程进行显式模型选择。

管理员应将部署视为政策审核，而不是被动的产品更新。有用的第一步包括检查启用了哪些 Copilot 界面、确认默认模型策略、检查如何配置基于使用情况的计费，以及确定不同的团队是否需要不同的指导。拥有成熟 AI 使用情况分析的团队应注意新层级是否会将支出转向更少的付费通话、更多的总使用量或团队的不同行为。

最大的不确定性是透明度。 GitHub 尚未发布有关 Copilot 如何评估每个提示或层设置如何更改选择一种模型而不是另一种模型的概率的完整详细信息。这限制了企业在自己的环境中尝试该功能之前预测成本或质量变化的精确度。

不过，方向是明确的。编码助手正在成为具有策略控制的多模型系统，而不是单一模型订阅。对于标准化人工智能开发工具的公司来说，运营问题正在从“哪种模型最好？”转变。 “哪种路由策略适合这项工作、这个团队和这个预算？”