室谷代表取締役GitHubが、GitHub Copilotでタスクに応じてローカルモデルとクラウドモデルを自動で振り分ける「インテリジェント・ルーティング」を月末までに提供すると発表したんですよね。
テキトー教師DotAI 認定講師はい、これは単に「ローカルモデルが使えるようになりました」という話じゃないんですよ。Copilotが自分で「このタスクは手元のPCで処理したほうがいい」「これはクラウドの大きなモデルに任せたほうがいい」と判断する、という話なんです。
室谷代表取締役そこが一番おもしろいところですよね。開発者がいちいち「今日はローカル、今日はクラウド」と選ばなくても、Copilot側が裏で調整してくれる。
テキトー教師DotAI 認定講師まさに「選択肢」と「制御」の両方を渡すという設計思想です。GitHubの公式ブログでも、開発者には両方が必要だと書かれています。
GitHub Copilotのローカルモデル自動ルーティングとは？何がいつから始まるのか
GitHub Copilot ローカルモデル自動ルーティングの経緯と予定
- 2026年9月Project HydraFusion 研究プレビュー公開複数モデルを実行時に編成する仕組み。ルーティング対象はクラウドモデルに限定。
- 今月末までローカルモデル自動ルーティング提供予定公式ブログ表現は「Coming by the end of the month」。Copilotがタスクをオンデバイス知能で処理すべきか、クラウド規模のモデルを使うべきかを判断。ローカル推論とクラウド推論を裏側で自動調整し、AI creditsの節約につながる。
室谷代表取締役まず基本情報を整理すると、これはGitHubが発表したもので、時期は「月末まで」とされています。
テキトー教師DotAI 認定講師公式ブログの表現だと「Coming by the end of the month」、つまり今月末までに提供予定です。GitHub Copilotが、タスクがオンデバイスの知能で処理するのに最適か、クラウド規模のモデルを使うべきかを判断するようになります。
室谷代表取締役開発者がインフラの判断を自分で管理するのではなく、Copilotがローカル推論とクラウド推論を裏側で自動的に調整する、というのがポイントですよね。
テキトー教師DotAI 認定講師そのとおりです。これは「Project HydraFusion」構想の次のステップと位置づけられています。
HydraFusion自体は2026年9月に研究プレビューとして公開された、複数モデルを実行時に編成する仕組みでした。
HydraFusion自体は2026年9月に研究プレビューとして公開された、複数モデルを実行時に編成する仕組みでした。
室谷代表取締役そこに今回、ローカルという実行環境が加わるわけですね。
テキトー教師DotAI 認定講師はい。HydraFusionの研究プレビュー段階では、複数モデル間のルーティングは実現していましたが、対象はクラウドモデルに限られていました。
今回の発表で、その対象がエッジ、つまり開発者の手元のマシンにまで広がります。
今回の発表で、その対象がエッジ、つまり開発者の手元のマシンにまで広がります。
室谷代表取締役これは大きいですね。GitHub Copilotを使っている開発者にとっては、AI creditsの消費を抑えられる可能性が出てくる。
テキトー教師DotAI 認定講師公式の発表でも「helping you save on AI credits」、つまりAI creditsの節約につながると明記されています。
GitHub Copilotはどう判断する？ローカルとクラウドの振り分けの仕組み
ローカルとクラウドの振り分け：2つの使い方
Autoによるインテリジェント編成
- 開発者はどのタスクをどこで実行すべきか決める必要がない
- マルチターンのセッションを通じてCopilotがルーティング
- タスクのコンテキストとキャッシュの状態を考慮
- すでに処理した有用なキャッシュ済みの作業を保ちながら振り分け
- 単にタスクの種類だけでなくセッションの流れの中で判断
明示的にローカルモデルを選ぶ
- 特定のプロバイダー、モデル、エンドポイントが必要なワークフロー向け
- Windows MLプロバイダー経由でMAI Code 1.1 Flashを選べる
- OpenAI互換のローカルエンドポイントに接続し、公開モデルから選ぶ
- GitHub Copilot CLI、Copilotアプリ、VS Codeの3つで利用可能
室谷代表取締役ここが一番気になるところなんですけど、Copilotはどうやってローカルとクラウドを振り分けるんですか。
テキトー教師DotAI 認定講師公式ブログによると、Autoを使う場合、開発者はどのタスクをどこで実行すべきかを決める必要がありません。マルチターンのセッションを通じて、Copilotがタスクのコンテキストとキャッシュの状態を考慮しながら、ローカルモデルとクラウドモデルの間で作業をルーティングします。
室谷代表取締役キャッシュ状態を考慮する、というのがおもしろいですよね。セッションが進むにつれて、すでに処理した有用なキャッシュ済みの作業を保ちながら振り分ける、と。
テキトー教師DotAI 認定講師そこが「賢い」と言われている所以です。単にタスクの種類だけで決めるのではなく、セッションの流れの中で判断する。
室谷代表取締役で、もう一方の使い方として「明示的にローカルモデルを選ぶ」という選択肢もあるんですよね。
テキトー教師DotAI 認定講師はい。GitHub Copilotは、GitHub Copilot CLI、Copilotアプリ、VS Codeの3つでローカルモデルを使う2つの方法を追加します。
1つはAutoによるインテリジェントな編成に任せる方法、もう1つは特定のプロバイダー、モデル、エンドポイントが必要なワークフロー向けに、開発者が明示的にローカルモデルを選ぶ方法です。
1つはAutoによるインテリジェントな編成に任せる方法、もう1つは特定のプロバイダー、モデル、エンドポイントが必要なワークフロー向けに、開発者が明示的にローカルモデルを選ぶ方法です。
室谷代表取締役明示的に選ぶ場合は、Windows MLプロバイダー経由でMAI Code 1.1 Flashを選べる、と。あとはOpenAI互換のローカルエンドポイントにGitHub Copilotを接続して、そのエンドポイントが公開しているモデルから選ぶこともできる。
テキトー教師DotAI 認定講師公式ブログにはそう書かれています。ここで注意したいのは、モデル選択、推論、ツール実行はそれぞれ境界が異なるという点です。
公式ブログは「local inference does not make the session offline」、つまりローカル推論にしてもセッション全体がオフラインになるわけではないと明記しています。
公式ブログは「local inference does not make the session offline」、つまりローカル推論にしてもセッション全体がオフラインになるわけではないと明記しています。
室谷代表取締役ここ、誤解されやすいところですよね。「ローカルモデル＝完全オフライン」と思われがちですけど、そうではないと。
テキトー教師DotAI 認定講師はい。だからこそ、後で話すサンドボックスの話が重要になってくるんです。
Project HydraFusionとは？今回の発表がその「次のステップ」である理由
Project HydraFusionの歩みと次のステップ
- 2026年9月研究プレビュー公開GitHubが複数モデルを実行時に編成する仕組みとして公開。ルーティング対象はクラウドモデルに限定
- 2026年9月10日の週次リリースCopilot CLIで利用可能にCopilot CLIの/experimentalからHydraFusionを試せるように
- 今回の発表次のステップ：実行環境の編成へ複数モデルだけでなく、エッジを含む複数のコンピュート環境にまたがるインテリジェントな編成へ拡張
室谷代表取締役ここで一度、Project HydraFusionについて整理しておきたいです。
テキトー教師DotAI 認定講師整理するとこうです。
- Project HydraFusionは、GitHubが2026年9月に研究プレビューとして公開した、複数モデルを実行時に編成する仕組み
- 単一モデルで解く「Single」、下書きを強いモデルに引き継ぐ「Cascade」、別モデルが批評する「Critique」の3パターンから最適なものを選ぶ
- 開発者はHydraFusionを1つのモデルのように選ぶだけで、裏側で性能・コスト・レイテンシのバランスを取るワークフローを選んでくれる
- 研究プレビュー段階では、ルーティングの対象はクラウドモデルに限られていた
室谷代表取締役で、今回の発表がその「次のステップ」と位置づけられている、と。
テキトー教師DotAI 認定講師公式ブログの表現を借りると、「intelligent orchestration that spans not just multiple models, but multiple compute environments including the edge」、つまり複数モデルだけでなく、エッジを含む複数のコンピュート環境にまたがるインテリジェントな編成です。
室谷代表取締役モデルの編成から、実行環境の編成へ。一段階メタな話になったわけですね。
テキトー教師DotAI 認定講師そういうことです。GitHubは「選択肢」と「制御」という言葉を繰り返し使っています。
どのモデルを使うかという選択肢と、エージェントが何をできるかを制御する仕組み。この両輪が今回の発表の軸です。
どのモデルを使うかという選択肢と、エージェントが何をできるかを制御する仕組み。この両輪が今回の発表の軸です。
室谷代表取締役HydraFusionの研究プレビューは、GitHub Copilot CLIで
/experimentalから試せるようになっていましたよね。テキトー教師DotAI 認定講師はい、2026年9月10日の週次リリースでも、Copilot CLIの
/experimentalでHydraFusionが利用可能になったとアナウンスされています。ローカルで動くMAI Code 1.1 Flashとは？137BモデルをPCで動かす工夫
室谷代表取締役ここからは具体的なモデルの話です。MAI Code 1.1 Flash、これは何なんですか。
テキトー教師DotAI 認定講師Microsoft AIが開発した、コーディング特化のMixture-of-Expertsモデルです。総パラメータ数は137B、アクティブパラメータは6.8Bです。
室谷代表取締役137Bって、普通に考えたらPCで動かすのはかなり厳しい数字ですよね。
テキトー教師DotAI 認定講師そこに工夫が入っています。オンデバイス向けに量子化と投機的デコーディングを適用して、モデルのフットプリントを減らし、エンドツーエンドの応答性を高めています。
室谷代表取締役量子化は重みやアクティベーションの精度を下げてメモリ要件を減らす。投機的デコーディングは、ドラフターが候補トークンブロックを提案して、ターゲットモデルがそれを検証する仕組みですよね。
テキトー教師DotAI 認定講師はい。公式ブログでは、投機的デコーディングは追加のワーキングメモリと引き換えに、デコードのスループットを高めてエンドツーエンドのレイテンシを下げると説明されています。
室谷代表取締役で、気になるのが品質が落ちないのかという点です。
テキトー教師DotAI 認定講師公式ブログは「コードは緩やかに劣化しない」と書いています。1つのトークンを間違えるだけで、構文エラー、誤った識別子、不正なツール呼び出し、壊れたdiffにつながるからです。
だからリリース評価では、フットプリントだけでなくコーディングタスクの成功率も測る必要がある、と。
だからリリース評価では、フットプリントだけでなくコーディングタスクの成功率も測る必要がある、と。
室谷代表取締役実際の数字はどうなっているんですか。
テキトー教師DotAI 認定講師整理するとこうです。Surface Laptop Ultraでの最初の出荷版MAI Code 1.1 Flashの性能です。
| ベンチマーク | データセットサイズ | MAI Code 1.1 Flash | GPT OSS 120B* | MAI Code 1.1 Flash 量子化オンデバイス |
|---|---|---|---|---|
| SWE-Bench Verified | 500 | 72.6% | 32.0% | 70.80% |
| Terminal-Bench 2.1 | 89 | 62.9% | 23.6% | 66.29% |
室谷代表取締役量子化しても70.80%と66.29%を維持している。これはかなりすごいですよね。
テキトー教師DotAI 認定講師公式ブログによると、オンデバイスで使う量子化版はBfloat16のクラウド版と比べて能力を印象的に保っていて、サイズは53GB、80%の削減です。
室谷代表取締役メモリのピーク使用量は256kコンテキストで75.5GB。64kと128kコンテキストでは、プロンプト処理スループットがそれぞれ毎秒923.5トークンと769.8トークンに達する、と。
テキトー教師DotAI 認定講師テストは2026年10月5日に行われ、MAI Code 1.1 Flashの混合精度量子化（重みあたり約3.3ビット）、DFlash2スライディングウィンドウ投機的デコーディング、Windows ARM64のllama.cpp CUDAランタイムを使っています。
室谷代表取締役ここは注意点として、合成コード生成ワークロードのデコードスループットの結果であって、実際の結果はデバイスや構成によって変わりうる、と公式ブログも書いていますね。
テキトー教師DotAI 認定講師はい、そこは正確に伝えておきたいところです。
対応ハードとメモリの話：Surface Laptop UltraとNVIDIA RTX Sparkで何が変わる
室谷代表取締役ローカルで動かすとなると、やはりハードの話が避けられないですよね。
テキトー教師DotAI 認定講師はい。公式ブログは「Why memory matters for a local coding agent」というセクションを設けて、メモリの重要性を説明しています。
室谷代表取締役Surface Laptop Ultraは、NVIDIA RTX Sparkをベースにしていて、最大128GBの統合メモリと最大1ペタフロップスのAIコンピュートを備えている、と。
テキトー教師DotAI 認定講師ここで重要なのが、統合メモリと専用ビデオメモリの違いです。ディスクリートGPUの場合、専用ビデオメモリが制約になり、システムメモリとGPUの間でモデルデータを移動させるとオーバーヘッドが加わります。
統合メモリならCPUとGPUが共有の物理プールにアクセスできます。
統合メモリならCPUとGPUが共有の物理プールにアクセスできます。
室谷代表取締役ただし、統合メモリの容量すべてがモデルの重みに使えるわけではない、と。
テキトー教師DotAI 認定講師そのとおりです。OS、アプリケーション、推論ランタイムもメモリを必要とします。
さらにキーバリューキャッシュ、つまりモデルがすでに処理したトークンのアテンション状態を保存する領域も必要です。エージェントがファイルを読み、ツールの結果を受け取るにつれてコンテキストが大きくなり、メモリ使用量と次のリクエストを処理するための作業が増えていきます。
さらにキーバリューキャッシュ、つまりモデルがすでに処理したトークンのアテンション状態を保存する領域も必要です。エージェントがファイルを読み、ツールの結果を受け取るにつれてコンテキストが大きくなり、メモリ使用量と次のリクエストを処理するための作業が増えていきます。
室谷代表取締役だから「モデルが収まるかどうか」ではなく「コーディングタスク全体を通じてどう振る舞うか」が有用な問いになる、と公式ブログは書いていますよね。
テキトー教師DotAI 認定講師はい。モデルをリクエスト間でロードしたままにすれば再ロードの作業は避けられますが、一定の応答時間を保証するものではありません。
コンテキスト長、メモリのプレッシャー、その他のワークロードが依然として影響します。
コンテキスト長、メモリのプレッシャー、その他のワークロードが依然として影響します。
室谷代表取締役これは実際にローカルでエージェントを回すと体感できるところですよね。長いセッションになるほどメモリが効いてくる。
テキトー教師DotAI 認定講師そういう設計上の現実を踏まえた上で、ハードとモデルを組み合わせているわけです。
サンドボックスツールでエージェントの権限はどう守られる？MXCと実行環境の制御
室谷代表取締役ローカルでエージェントがコマンドを実行するとなると、セキュリティが気になります。
テキトー教師DotAI 認定講師ここが今回の発表のもう一つの柱です。エージェントのシェルコマンドは通常、それを実行しているアカウントのアクセス権をそのまま継承してしまいます。
推論をデバイス上に移しても、この点は変わりません。
推論をデバイス上に移しても、この点は変わりません。
室谷代表取締役そこでサンドボックスの出番だと。
テキトー教師DotAI 認定講師はい。サンドボックスは、エージェントが起動するプロセスとローカルサービスにポリシーを適用し、どのモデルが作業を要求したかに関係なく、ファイル、ネットワーク、認証情報、システム機能、実行パスへのアクセスを制御します。
室谷代表取締役GitHub CopilotはMicrosoft Execution Containers、略してMXCを使うんですよね。これはWindowsチームによるオープンソースのライブラリで、ポリシーをネイティブのOSコントロールに変換します。
テキトー教師DotAI 認定講師はい。整理するとこうです。
- Windowsでは、GitHub CopilotはProcessContainerバックエンドのBaseContainer層を使う
- macOSではSeatbeltを使う
- Linuxではbubblewrapを使う
- これらのローカルバックエンドは、別途仮想マシンやコンテナイメージを必要としない
- 将来的にはMXC経由でオプションとして提供する予定
室谷代表取締役サンドボックスを有効にすると、シェルコマンドと、デフォルトではローカルのModel Context Protocolサーバーと言語サーバーが、プロセスの境界内で実行される、と。
テキトー教師DotAI 認定講師ただし、公式ブログは境界を丁寧に説明しています。組み込みのファイルツールはGitHub Copilot自身の中で実行され、エージェントハーネスがリクエストを実効ポリシーに照らしてチェックしますが、それはOSで強制される子プロセスの分離ではありません。
リモートのMCPサーバーもローカルのプロセスサンドボックスの外にあり、MCPサンドボックス制御が適用される場合、GitHub Copilotはプロセス内でその接続ポリシーをチェックします。
リモートのMCPサーバーもローカルのプロセスサンドボックスの外にあり、MCPサンドボックス制御が適用される場合、GitHub Copilotはプロセス内でその接続ポリシーをチェックします。
室谷代表取締役ここは正確に理解しておきたいところです。全部が全部OSレベルで隔離されるわけではない、と。
テキトー教師DotAI 認定講師はい。GitHub Copilot CLIを開いて
/sandboxスラッシュコマンドを実行すると、いつでも設定を構成できます。室谷代表取締役公式ブログには実例もありましたよね。毎朝ローカルリポジトリを読んでテストを実行し、HTMLレポートを1つ書き出すジョブ。
ソースリポジトリは読み取り専用のまま、テストプロセスはネットワークにアクセスしない、という。
ソースリポジトリは読み取り専用のまま、テストプロセスはネットワークにアクセスしない、という。
テキトー教師DotAI 認定講師はい。その例では、GitHub Copilotアプリの設定ダイアログでプロジェクトを選び、「Sandbox new sessions」トグルを有効にすると、そのプロジェクト内で作業するときはデフォルトでサンドボックスがオンになります。
デフォルトでは現在の作業ディレクトリが読み書き可能で、システムの残りの部分はエージェントにとってほぼ読み取り専用かアクセス不可のままです。
デフォルトでは現在の作業ディレクトリが読み書き可能で、システムの残りの部分はエージェントにとってほぼ読み取り専用かアクセス不可のままです。
室谷代表取締役モデル選択は独立していて、同じジョブで構成済みのローカルモデルもクラウドモデルも使える、と。
テキトー教師DotAI 認定講師そういう設計です。サンドボックスが基本的な保護を提供しながら、エージェントは現在の作業ディレクトリ内でスクリプトを生成・実行してタスクをこなせます。
AI creditsはどれだけ節約できる？ローカル推論のコストメリットと注意点
室谷代表取締役最後にコストの話です。AI creditsの節約、これはどれくらい期待できるんですか。
テキトー教師DotAI 認定講師今回の発表では、GitHub Copilotがタスクをローカルモデルで処理するのが最適かを自動判断することで、AI creditsの節約につながるとされています。ただし、具体的な節約率は今回の発表では示されていません。
室谷代表取締役現時点では明らかにされていない、と。ここは正確に伝えておきたいですね。
テキトー教師DotAI 認定講師はい。参考になるのは、HydraFusionの研究プレビュー時のベンチマークです。
これはクラウドモデル間の編成の話ですが、コスト削減の考え方が示されています。
これはクラウドモデル間の編成の話ですが、コスト削減の考え方が示されています。
室谷代表取締役整理するとどうなりますか。
テキトー教師DotAI 認定講師HydraFusionの研究プレビューのブログでは、3つのエージェントコーディングベンチマークで、Opus 5と比較して次のような結果が示されています。
| ベンチマーク | コスト（Opus 5比） | 品質（Opus 5比） |
|---|---|---|
| TerminalBench 2.1 | 67%削減 | +4.9ポイント |
| DeepSWE | 36%削減 | -1.5ポイント |
| CheckpointBench | 65%削減 | -0.1ポイント |
室谷代表取締役これはあくまでHydraFusionの研究プレビュー段階の、クラウドモデル間の編成の結果ですよね。今回のローカルルーティングの節約率とは別物として見る必要がある。
テキトー教師DotAI 認定講師そのとおりです。混同しないようにしたいところです。
今回の発表では、ローカル推論によるAI creditsの節約効果の具体的な数値は示されていません。
今回の発表では、ローカル推論によるAI creditsの節約効果の具体的な数値は示されていません。
室谷代表取締役ただ、方向性としては、手元で処理できるタスクをローカルに回すことで、クラウドのクレジット消費を抑えられる、という考え方ですよね。
テキトー教師DotAI 認定講師はい。公式ブログも「helping you save on AI credits」と述べるにとどまっています。
室谷代表取締役あと、注意点として、ローカル推論にしてもセッション全体がオフラインになるわけではない、というのは繰り返し強調しておきたいです。
テキトー教師DotAI 認定講師そうですね。モデル選択、推論、ツール実行はそれぞれ境界が異なります。
ローカルモデルを使っていても、リモートのMCPサーバーなどはサンドボックスの外にあります。
ローカルモデルを使っていても、リモートのMCPサーバーなどはサンドボックスの外にあります。
室谷代表取締役GitHub Copilotをすでに使っている開発者にとっては、Autoに任せるか、明示的にローカルモデルを選ぶか、という選択肢が増えるわけです。
テキトー教師DotAI 認定講師室谷代表取締役テキトー教師DotAI 認定講師より広くCLI系のツールを比較したい方は、Claude Code比較完全ガイド【2026年最新】：Gemini CLI・Codex CLI・GitHub Copilot・Cursorとの違いを徹底解説もどうぞ。
室谷代表取締役今回の発表は、月末までに提供予定ということなので、実際に触れるようになったら検証してみたいですね。
テキトー教師DotAI 認定講師はい。GitHubは「This is only the beginning of our journey」と締めくくっていて、ローカルモデルとサンドボックスツールは順次ロールアウト中です。
よくある質問
室谷代表取締役ここからは、よく聞かれそうな点を整理していきますね。
テキトー教師DotAI 認定講師はい、いきましょう。
ローカルモデルの自動ルーティングはいつから使えますか
テキトー教師DotAI 認定講師GitHubの公式ブログでは「月末まで」とされています。正確な日付は現時点では明らかにされていません。
どの環境でローカルモデルが使えますか
室谷代表取締役GitHub Copilot CLI、Copilotアプリ、VS Codeの3つで、ローカルモデルを使う2つの方法が追加されると公式ブログに書かれています。
テキトー教師DotAI 認定講師Autoによる自動編成に任せる方法と、明示的にローカルモデルを選ぶ方法です。
どのローカルモデルが使えますか
テキトー教師DotAI 認定講師明示的に選ぶ場合、Windows MLプロバイダー経由でMAI Code 1.1 Flashを選べます。また、OpenAI互換のローカルエンドポイントにGitHub Copilotを接続して、そのエンドポイントが公開しているモデルから選ぶこともできます。
オフライン環境で使えますか
室谷代表取締役ここは誤解されやすいのですが、公式ブログは「ローカル推論にしてもセッション全体がオフラインになるわけではない」と明記しています。モデル選択、推論、ツール実行はそれぞれ境界が異なります。
サンドボックスはどうやって有効にしますか
テキトー教師DotAI 認定講師GitHub Copilot CLIを開いて
/sandboxスラッシュコマンドを実行すると、いつでも設定を構成できます。Copilotアプリでは、設定ダイアログでプロジェクトを選び、「Sandbox new sessions」トグルを有効にします。サンドボックスはどのOSでどう動きますか
室谷代表取締役WindowsではMXCのProcessContainerバックエンドのBaseContainer層、macOSではSeatbelt、Linuxではbubblewrapが使われます。これらのローカルバックエンドは、別途仮想マシンやコンテナイメージを必要としません。
テキトー教師DotAI 認定講師将来的にはMXC経由でオプションとして提供する予定だと公式ブログに書かれています。
AI creditsはどれくらい節約できますか
テキトー教師DotAI 認定講師今回の発表では、AI creditsの節約につながるとされているものの、具体的な節約率は示されていません。現時点では明らかにされていません。
室谷代表取締役参考として、HydraFusionの研究プレビューではクラウドモデル間の編成でコスト削減の結果が示されていましたが、これはローカルルーティングの節約率とは別物です。
MAI Code 1.1 Flashはどんなモデルですか
テキトー教師DotAI 認定講師Microsoft AIが開発した、コーディング特化のMixture-of-Expertsモデルで、総137B、アクティブ6.8Bパラメータです。オンデバイス向けに量子化と投機的デコーディングを適用した版が用意されます。
室谷代表取締役量子化版はBfloat16のクラウド版と比べてサイズが53GB、80%の削減で、能力を印象的に保っていると公式ブログは述べています。
Project HydraFusionとは何ですか
テキトー教師DotAI 認定講師GitHubが2026年9月に研究プレビューとして公開した、複数モデルを実行時に編成する仕組みです。Single、Cascade、Critiqueの3パターンから最適なものを選びます。
今回の発表は、その対象をエッジを含む複数のコンピュート環境に広げる「次のステップ」と位置づけられています。
今回の発表は、その対象をエッジを含む複数のコンピュート環境に広げる「次のステップ」と位置づけられています。
室谷代表取締役モデルの編成から、実行環境の編成へ。GitHubが「選択肢」と「制御」をどう両立させていくのか、月末の提供開始が楽しみですね。
