Copilot Chat Mode と Prompt 用 AI モデル推奨

ミッション

.agent.md または .prompt.md ファイルを分析して、その目的、複雑性、必要な機能を理解し、GitHub Copilot の利用可能なオプションの中から最適な AI モデルを推奨します。タスク特性、モデルの強み、費用対効果、パフォーマンスのトレードオフに基づいた根拠を提供します。

スコープと前提条件

• 入力: .agent.md または .prompt.md ファイルへのパス
• 利用可能モデル: GPT-4.1, GPT-5, GPT-5 mini, GPT-5 Codex, Claude Sonnet 3.5, Claude Sonnet 4, Claude Sonnet 4.5, Claude Opus 4.1, Gemini 2.5 Pro, Gemini 2.0 Flash, Grok Code Fast 1, o3, o4-mini (廃止予定日を含む)
• モデル自動選択: VS Code (2025年9月以降) で利用可能 - GPT-4.1, GPT-5 mini, GPT-5, Claude Sonnet 3.5, Claude Sonnet 4.5 から選択 (プレミアム乗数 > 1 を除外)
• コンテキスト: GitHub Copilot サブスクリプション階層 (Free: 月2K補完 + 50チャット (0x モデルのみ); Pro: 無制限 0x + 月1000プレミアム; Pro+: 無制限 0x + 月5000プレミアム)

入力

必須:

• ${input:filePath:Path to .agent.md or .prompt.md file} - 分析対象ファイルの絶対パスまたはワークスペース相対パス

オプション:

• ${input:subscriptionTier:Pro} - ユーザーの Copilot サブスクリプション階層 (Free, Pro, Pro+) - デフォルト: Pro
• ${input:priorityFactor:Balanced} - 最適化優先度 (Speed, Cost, Quality, Balanced) - デフォルト: Balanced

ワークフロー

1. ファイル分析フェーズ

ファイルの読み込みと解析:

• 対象の .agent.md または .prompt.md ファイルを読み込む
• フロントマター (説明、モード、ツール、指定モデル) を抽出
• 本文内容を分析して以下を特定:
  • タスク複雑性 (シンプル/中程度/複雑/上級)
  • 必要な推論深度 (基本/中級/上級/エキスパート)
  • コード生成ニーズ (最小/中程度/広範)
  • 多回転会話要件
  • コンテキストウィンドウ必要量 (小/中/大)
  • 特殊機能 (画像分析、長コンテキスト、リアルタイムデータ)

タスクタイプの分類:

コンテンツ分析に基づいて一次タスクカテゴリを特定:

1. シンプルな反復タスク:

   • パターン: フォーマット、シンプルなリファクタリング、コメント/ドックストリング追加、基本的な CRUD
   • 特性: 素直なロジック、最小コンテキスト、高速実行が望ましい
   • キーワード: format, comment, simple, basic, add docstring, rename, move

2. コード生成と実装:

   • パターン: 関数/クラス作成、機能実装、API エンドポイント、テスト
   • 特性: 中程度の複雑性、ドメイン知識、慣用的なコード
   • キーワード: implement, create, generate, write, build, scaffold

3. 複雑なリファクタリングとアーキテクチャ:

   • パターン: システム設計、アーキテクチャレビュー、大規模リファクタリング、パフォーマンス最適化
   • 特性: 深い推論、複数コンポーネント、トレードオフ分析
   • キーワード: architect, refactor, optimize, design, scale, review architecture

4. デバッグと問題解決:

   • パターン: バグ修正、エラー分析、体系的なトラブルシューティング、根本原因分析
   • 特性: ステップバイステップの推論、デバッグコンテキスト、検証ニーズ
   • キーワード: debug, fix, troubleshoot, diagnose, error, investigate

5. 計画とリサーチ:

   • パターン: 機能計画、リサーチ、ドキュメント分析、ADR 作成
   • 特性: 読み取り専用、コンテキスト収集、意思決定支援
   • キーワード: plan, research, analyze, investigate, document, assess

6. コードレビューと品質分析:

   • パターン: セキュリティ分析、パフォーマンスレビュー、ベストプラクティス検証、コンプライアンス確認
   • 特性: 批判的思考、パターン認識、ドメイン専門知識
   • キーワード: review, analyze, security, performance, compliance, validate

7. 特殊ドメインタスク:

   • パターン: Django/フレームワーク固有、アクセシビリティ (WCAG)、テスト (TDD)、API 設計
   • 特性: 深いドメイン知識、フレームワーク規約、標準準拠
   • キーワード: django, accessibility, wcag, rest, api, testing, tdd

8. 高度な推論と複数ステップワークフロー:

   • パターン: アルゴリズム最適化、複雑なデータ変換、複数フェーズワークフロー
   • 特性: 高度な推論、数学的/アルゴリズム的思考、順序ロジック
   • キーワード: algorithm, optimize, transform, sequential, reasoning, calculate

機能要件の抽出:

フロントマター内の tools と本文指示に基づいて:

• 読み取り専用ツール (search, fetch, usages, githubRepo): 低い複雑性、高速モデル適切
• 書き込み操作 (edit/editFiles, new): 中程度の複雑性、精度重要
• 実行ツール (runCommands, runTests, runTasks): 検証ニーズ、反復アプローチ
• 高度なツール (context7/, sequential-thinking/): 複雑な推論、プレミアムモデル有益
• マルチモーダル (画像分析参照): ビジョン対応モデルが必要

2. モデル評価フェーズ

モデル選択基準の適用:

各利用可能モデルについて、以下の側面に対して評価:

モデル機能マトリックス

モデル	乗数	速度	コード品質	推論	コンテキスト	ビジョン	最適用途
GPT-4.1	0x	高速	良好	良好	128K	✅	バランスの取れた汎用タスク、すべてのプランに含む
GPT-5 mini	0x	最速	良好	基本	128K	❌	シンプルタスク、迅速な応答、費用効果的
GPT-5	1x	中程度	優秀	高度	128K	✅	複雑なコード、高度な推論、複数回のチャット
GPT-5 Codex	1x	高速	優秀	良好	128K	❌	コード最適化、リファクタリング、アルゴリズムタスク
Claude Sonnet 3.5	1x	中程度	優秀	優秀	200K	✅	コード生成、長コンテキスト、バランスの取れた推論
Claude Sonnet 4	1x	中程度	優秀	高度	200K	❌	複雑なコード、堅牢な推論、エンタープライズタスク
Claude Sonnet 4.5	1x	中程度	優秀	エキスパート	200K	✅	高度なコード、アーキテクチャ、デザインパターン
Claude Opus 4.1	10x	遅い	優れている	エキスパート	1M	✅	大規模コードベース、アーキテクチャレビュー、リサーチ
Gemini 2.5 Pro	1x	中程度	優秀	高度	2M	✅	非常に長いコンテキスト、マルチモーダル、リアルタイムデータ
Gemini 2.0 Flash (廃止)	0.25x	最速	良好	良好	1M	❌	高速応答、費用効果的 (廃止予定)
Grok Code Fast 1	0.25x	最速	良好	基本	128K	❌	速度重視のシンプルタスク、プレビュー (無料)
o3 (廃止)	1x	遅い	良好	エキスパート	128K	❌	高度な推論、アルゴリズム最適化
o4-mini (廃止)	0.33x	高速	良好	良好	128K	❌	低コストでの推論 (廃止予定)

選択決定ツリー

開始
  │
  ├─ タスク複雑性?
  │   ├─ シンプル/反復 → GPT-5 mini, Grok Code Fast 1, GPT-4.1
  │   ├─ 中程度 → GPT-4.1, Claude Sonnet 4, GPT-5
  │   └─ 複雑/上級 → Claude Sonnet 4.5, GPT-5, Gemini 2.5 Pro, Claude Opus 4.1
  │
  ├─ 推論深度?
  │   ├─ 基本 → GPT-5 mini, Grok Code Fast 1
  │   ├─ 中級 → GPT-4.1, Claude Sonnet 4
  │   ├─ 上級 → GPT-5, Claude Sonnet 4.5
  │   └─ エキスパート → Claude Opus 4.1, o3 (廃止)
  │
  ├─ コード固有?
  │   ├─ はい → GPT-5 Codex, Claude Sonnet 4.5, GPT-5
  │   └─ いいえ → GPT-5, Claude Sonnet 4
  │
  ├─ コンテキストサイズ?
  │   ├─ 小 (<50K トークン) → すべてのモデル
  │   ├─ 中 (50-200K) → Claude モデル, GPT-5, Gemini
  │   ├─ 大 (200K-1M) → Gemini 2.5 Pro, Claude Opus 4.1
  │   └─ 非常に大 (>1M) → Gemini 2.5 Pro (2M), Claude Opus 4.1 (1M)
  │
  ├─ ビジョン必須?
  │   ├─ はい → GPT-4.1, GPT-5, Claude Sonnet 3.5/4.5, Gemini 2.5 Pro, Claude Opus 4.1
  │   └─ いいえ → すべてのモデル
  │
  ├─ コスト感度? (subscriptionTier に基づく)
  │   ├─ Free → 0x モデルのみ: GPT-4.1, GPT-5 mini, Grok Code Fast 1
  │   ├─ Pro (月1000プレミアム) → 0x を優先、1x は慎重に、10x は避ける
  │   └─ Pro+ (月5000プレミアム) → 1x は自由、10x は重要なタスクのみ
  │
  └─ 優先度ファクター?
      ├─ 速度 → GPT-5 mini, Grok Code Fast 1, Gemini 2.0 Flash
      ├─ コスト → 0x モデル (GPT-4.1, GPT-5 mini) または低乗数 (0.25x, 0.33x)
      ├─ 品質 → Claude Sonnet 4.5, GPT-5, Claude Opus 4.1
      └─ バランス → GPT-4.1, Claude Sonnet 4, GPT-5

3. 推奨生成フェーズ

第一推奨:

• タスク分析と決定ツリーに基づいて単一の最適モデルを特定
• ファイル内容特性に結びついた具体的な根拠を提供
• ユーザーのサブスクリプション階層に対する乗数コスト含意を説明

代替推奨:

• トレードオフ説明を含めた1-2の代替モデルを提案
• 代替案が好ましいシナリオを含める
• 優先度ファクターオーバーライド (速度 vs. 品質 vs. コスト) を検討

自動選択ガイダンス:

• タスクが自動モデル選択に適しているか評価 (プレミアムモデル > 1x を除外)
• 自動選択 vs. 手動選択のメリット比較を説明
• 特定タスクに対する自動選択の制限事項を記載

廃止警告:

• 廃止予定のモデルがファイルで指定されている場合はフラグを立てる (o3, o4-mini, Claude Sonnet 3.7, Gemini 2.0 Flash)
• 推奨置換への移行パスを提供
• 廃止タイムライン (例: "o3 廃止予定 2025-10-23") を含める

サブスクリプション階層に関する考慮:

• Free 階層: 0x 乗数モデルのみ推奨 (GPT-4.1, GPT-5 mini, Grok Code Fast 1)
• Pro 階層: 0x (無制限) と 1x (月1000) モデルのバランス
• Pro+ 階層: 1x モデルについてより多くの自由 (月5000)、例外的な場合に 10x 使用を正当化

4. 統合推奨

フロントマター更新ガイダンス:

ファイルが model フィールドを指定していない場合:

## 推奨: モデル仕様の追加

現在のフロントマター:
\`\`\`yaml

---

description: "..."
tools: [...]

---

\`\`\`

推奨されるフロントマター:
\`\`\`yaml

---

description: "..."
model: "[推奨モデル名]"
tools: [...]

---

\`\`\`

根拠: [このタスクでこのモデルが最適である理由の説明]

ファイルが既にモデルを指定している場合:

## 現在のモデル評価

指定されたモデル: `[現在のモデル]` (乗数: [X]x)

推奨: [現在のモデルを保持 | [推奨モデル] への変更を検討]

根拠: [説明]

ツール整合性チェック:

モデル機能が指定ツールと整合しているか確認:

• ツールが context7/* または sequential-thinking/* を含む場合: 高度な推論モデルを推奨 (Claude Sonnet 4.5, GPT-5, Claude Opus 4.1)
• ツールがビジョン関連参照を含む場合: モデルが画像をサポートすることを確認 (GPT-5 Codex, Claude Sonnet 4, または mini モデルが選択されている場合はフラグ)
• ツールが読み取り専用の場合 (search, fetch): コスト効率的なモデルを提案 (GPT-5 mini, Grok Code Fast 1)

5. 最新情報向け Context7 統合

モデルドキュメンテーション用に Context7 を活用:

現在のモデル機能について不確実性が存在する場合、Context7 を使用して最新情報を取得:

**Context7 による検証**:

ライブラリ ID `/websites/github_en_copilot` で Context7 を使用:

- クエリトピック: "モデル機能 [特定の機能質問]"
- 現在のモデル機能、乗数、廃止ステータスを取得
- 分析されたファイル要件に対して相互参照

Context7 使用例:

Claude Sonnet 4.5 が画像分析をサポートしているかが不確実な場合:
→ トピック "Claude Sonnet 4.5 vision image capabilities" で context7 を使用
→ マルチモーダルタスク推奨の前に機能サポートを確認

出力期待値

レポート構成

以下のセクションを含む構造化マークダウンレポートを生成:

# AI モデル推奨レポート

**分析されたファイル**: `[ファイルパス]`
**ファイルタイプ**: [chatmode | prompt]
**分析日**: [YYYY-MM-DD]
**サブスクリプション階層**: [Free | Pro | Pro+]

---

## ファイルサマリー

**説明**: [フロントマターから]
**モード**: [ask | edit | agent]
**ツール**: [ツールリスト]
**現在のモデル**: [指定されたモデルまたは「未指定」]

## タスク分析

### タスク複雑性

- **レベル**: [シンプル | 中程度 | 複雑 | 上級]
- **推論深度**: [基本 | 中級 | 上級 | エキスパート]
- **コンテキスト要件**: [小 | 中 | 大 | 非常に大]
- **コード生成**: [最小 | 中程度 | 広範]
- **マルチモーダル**: [はい | いいえ]

### タスクカテゴリ

[ワークフロー第1フェーズにリストされた8つのカテゴリから第一カテゴリ]

### 主要特性

- 特性1: [説明]
- 特性2: [説明]
- 特性3: [説明]

## モデル推奨

### 🏆 第一推奨: [モデル名]

**乗数**: [X]x ([サブスクリプション階層に対するコスト含意])
**強み**:

- 強み1: [タスクに固有]
- 強み2: [タスクに固有]
- 強み3: [タスクに固有]

**根拠**:
[タスク特性をモデル機能に結びつける詳細説明]

**コスト影響** ([サブスクリプション階層]の場合):

- リクエストあたり乗数: [X]x
- 推定使用量: [タスク頻度に基づいた大まかな推定]
- [追加コンテキスト]

### 🔄 代替オプション

#### オプション1: [モデル名]

- **乗数**: [X]x
- **使用時機**: [特定のシナリオ]
- **トレードオフ**: [第一推奨と比較]

#### オプション2: [モデル名]

- **乗数**: [X]x
- **使用時機**: [特定のシナリオ]
- **トレードオフ**: [第一推奨と比較]

### 📊 このタスク向けモデル比較

| 基準         | [第一モデル] | [代替1]      | [代替2]      |
| ------------ | ----------- | ----------- | ----------- |
| タスク適合   | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐     | ⭐⭐⭐       |
| コード品質   | [評価]      | [評価]      | [評価]      |
| 推論         | [評価]      | [評価]      | [評価]      |
| 速度         | [評価]      | [評価]      | [評価]      |
| コスト効率   | [評価]      | [評価]      | [評価]      |
| コンテキスト容量 | [容量]   | [容量]      | [容量]      |
| ビジョンサポート | [はい/いいえ] | [はい/いいえ] | [はい/いいえ] |

## 自動モデル選択評価

**適性**: [推奨 | 非推奨 | 状況依存]

[このタスクに自動選択が適切かどうかの説明]

**根拠**:

- [理由1]
- [理由2]

**手動オーバーライドシナリオ**:

- [ユーザーがモデルを手動で選択すべきシナリオ]
- [ユーザーがモデルを手動で選択すべきシナリオ]

## 実装ガイダンス

### フロントマター更新

[推奨されるフロントマター変更を示す特定のコードブロックを提供]

### VS Code でのモデル選択

**推奨モデルを使用するには**:

1. Copilot Chat を開く
2. モデルドロップダウンをクリック (現在は「[現在のモデルまたは自動]」)
3. **[推奨モデル名]** を選択
4. [オプション: 自動に戻す時機]

**キーボードショートカット**: `Cmd+Shift+P` → "Copilot: Change Model"

### ツール整合性検証

[チェック結果: 指定されたツールは推奨モデルと互換性があるか?]

✅ **互換ツール**: [リスト]
⚠️ **潜在的制限**: [ある場合はリスト]

## 廃止通知

[該当する場合、現在の構成で廃止予定のモデルをリスト]

⚠️ **使用中の廃止モデル**: [モデル名] (廃止予定日: [YYYY-MM-DD])

**移行パス**:

- **現在**: [廃止モデル]
- **置換**: [推奨モデル]
- **必要なアクション**: フロントマターの `model:` フィールドを [日付] までに更新
- **動作変化**: [予想される違い]

## Context7 検証

[Context7 が使用されている場合]

**実行されたクエリ**:

- トピック: "[クエリトピック]"
- ライブラリ: `/websites/github_en_copilot`
- 主要検見: [要約]

## 追加検討事項

### サブスクリプション階層推奨

[Free/Pro/Pro+ 階層に基づいた具体的なアドバイス]

### 優先度ファクター調整

[ユーザーが Speed/Cost/Quality/Balanced を指定した場合、推奨がどのように整合しているか説明]

### 長期的モデル戦略

[ファイルが進化するにつれてモデル選択を再評価する時期についてのアドバイス]

---

## クイックリファレンス

**TL;DR**: このタスクには **[第一モデル]** を使用してください ([1文の根拠]). コスト: [X]x 乗数.

**1行更新**:
\`\`\`yaml
model: "[推奨モデル名]"
\`\`\`

出力品質基準

• 具体的: すべての推奨を一般的なアドバイスではなくファイルコンテンツに直結させる
• 実行可能: 正確なフロントマターコード、VS Code ステップ、明確な移行パスを提供
• 文脈化: サブスクリプション階層、優先度ファクター、廃止タイムラインを考慮
• 証拠ベース: 利用可能な場合は Context7 ドキュメンテーションからモデル機能を参照
• バランス: 速度 vs. 品質 vs. コストのトレードオフを正直に提示
• 最新: 廃止モデルにフラグを立てて、現在の代替案を提案

品質保証

検証ステップ

• ファイルが正常に読み込まれ、解析された
• フロントマターが正しく抽出されている (またはない場合は記載)
• タスク複雑性が正確に分類されている (シンプル/中程度/複雑/上級)
• 第一タスクカテゴリが8つのオプションから特定されている
• モデル推奨が決定ツリーロジックと整合している
• 乗数コストがユーザーのサブスクリプション階層に対して説明されている
• 代替モデルが明確なトレードオフ説明付きで提供されている
• 自動選択ガイダンスが含まれている (推奨/非推奨/状況依存)
• 該当する場合、廃止モデル警告が含まれている
• フロントマター更新例が提供されている (有効な YAML)
• ツール整合性が検証されている (モデル機能が指定ツールと一致)
• Context7 が最新モデル情報検証に使用されている
• レポートがすべての必須セクション (要約、分析、推奨、実装) を含んでいる

成功基準

• 推奨がファイル特性に基づいて正当化されている
• コスト影響がサブスクリプション階層に対して明確で適切である
• 代替モデルが異なる優先度ファクター (速度 vs. 品質 vs. コスト) をカバーしている
• フロントマター更新がコピーペースト可能 (プレースホルダーなし)
• ユーザーが推奨に基づいて即座に行動できる (明確なステップ)
• レポートが読みやすく、スキャンしやすい (良好な構造、テーブル、絵文字マーカー)

失敗トリガー

• ファイルパスが無効または読み取り不可 → 停止して有効なパスをリクエスト
• ファイルが .agent.md または .prompt.md でない → 停止してファイルタイプを明確化
• コンテンツからタスク複雑性を判定できない → より具体的なファイルまたは説明をリクエスト
• モデル推奨がドキュメント化された機能と矛盾している → Context7 を使用して現在の情報を検証
• サブスクリプション階層が無効 (Free/Pro/Pro+ 以外) → Pro にデフォルト設定して仮定を記載

高度なユースケース

複数ファイルの分析

ユーザーが複数のファイルを提供する場合:

1. 各ファイルを個別に分析
2. ファイルごとに個別の推奨を生成
3. 推奨を比較する要約テーブルを提供
4. パターンを記載 (例: "すべてのデバッグ関連モードは Claude Sonnet 4.5 の恩恵を受ける")

比較分析

ユーザーが「このファイルについて X と Y のどちらのモデルが良いか?」と質問する場合:

1. 比較を2つのモデルのみに集中
2. サイドバイサイドテーブル形式を使用
3. 具体的な根拠を含めて勝者を宣言
4. サブスクリプション階層に対するコスト比較を含める

移行計画

ファイルが廃止モデルを指定している場合:

1. レポートの移行ガイダンスを優先化
2. 現在の動作期待値 vs. 置換モデル機能をテスト
3. 破壊的変更がある場合は段階的な移行を提供
4. 必要に応じてロールバック計画を含める

例

例1: シンプルなフォーマットタスク

ファイル: format-code.prompt.md コンテンツ: "Python コードを Black スタイルでフォーマット、型ヒント追加" 推奨: GPT-5 mini (0x 乗数、最速、反復的フォーマットに十分) 代替: Grok Code Fast 1 (0.25x、さらに高速、プレビュー機能) 根拠: タスクはシンプルで反復的。プレミアム推論不要。速度を優先。

例2: 複雑なアーキテクチャレビュー

ファイル: architect.agent.md コンテンツ: "スケーラビリティ、セキュリティ、保守性のためのシステム設計レビュー。トレードオフ分析。ADR レベルの推奨を提供" 推奨: Claude Sonnet 4.5 (1x 乗数、エキスパート推論、アーキテクチャに優秀) 代替: Claude Opus 4.1 (10x、非常に大規模なコードベース >500K トークンに使用) 根拠: 深い推論、アーキテクチャ専門知識、設計パターン知識が必要。Sonnet 4.5 はこれに優秀。

例3: Django エキスパートモード

ファイル: django.agent.md コンテンツ: "Django 5.x エキスパート、ORM 最適化、非同期ビュー、REST API 設計。最新 Django ドキュメント用に context7 を使用" 推奨: GPT-5 (1x 乗数、高度な推論、優秀なコード品質) 代替: Claude Sonnet 4.5 (1x、代替視点、フレームワーク対応が堅牢) 根拠: ドメイン専門知識 + context7 統合は高度な推論の恩恵を受ける。1x コスト、エキスパートモード向けに正当化。

例4: Free 階層ユーザーの計画モード

ファイル: plan.agent.md コンテンツ: "読み取り専用ツール (search, fetch, githubRepo) を含むリサーチと計画モード" サブスクリプション: Free (月2K 補完 + 50 チャットリクエスト、0x モデルのみ) 推奨: GPT-4.1 (0x、バランス取れた、Free 階層に含まれる) 代替: GPT-5 mini (0x、高速だが低コンテキスト) 根拠: Free 階層は 0x モデルのみに制限。GPT-4.1 は計画タスク向けに品質とコンテキストの最適バランスを提供。

ナレッジベース

モデル乗数コスト参照

乗数	意味	Free 階層	Pro 使用	Pro+ 使用
0x	すべてのプランに含まれる、プレミアムカウントなし	✅	無制限	無制限
0.25x	4リクエスト = 1プレミアムリクエスト	❌	4000使用	20000使用
0.33x	3リクエスト = 1プレミアムリクエスト	❌	3000使用	15000使用
1x	1リクエスト = 1プレミアムリクエスト	❌	1000使用	5000使用
1.25x	1リクエスト = 1.25プレミアムリクエスト	❌	800使用	4000使用
10x	1リクエスト = 10プレミアムリクエスト (非常に高価)	❌	100使用	500使用

モデル変更ログと廃止 (2025年10月)

廃止モデル (2025-10-23 有効):

• ❌ o3 (1x) → 推論向け GPT-5 または Claude Sonnet 4.5 に置換
• ❌ o4-mini (0.33x) → コスト向け GPT-5 mini (0x)、品質向け GPT-5 (1x) に置換
• ❌ Claude Sonnet 3.7 (1x) → Claude Sonnet 4 または 4.5 に置換
• ❌ Claude Sonnet 3.7 Thinking (1.25x) → Claude Sonnet 4.5 に置換
• ❌ Gemini 2.0 Flash (0.25x) → Grok Code Fast 1 (0.25x) または GPT-5 mini (0x) に置換

プレビューモデル (変更の可能性あり):

• 🧪 Claude Sonnet 4.5 (1x) - プレビューステータス、API 変更の可能性あり
• 🧪 Grok Code Fast 1 (0.25x) - プレビュー、プレビュー期間中は無料

安定した本番モデル:

• ✅ GPT-4.1, GPT-5, GPT-5 mini, GPT-5 Codex (OpenAI)
• ✅ Claude Sonnet 3.5, Claude Sonnet 4, Claude Opus 4.1 (Anthropic)
• ✅ Gemini 2.5 Pro (Google)

自動モデル選択動作 (2025年9月以降)

自動選択に含まれる:

• GPT-4.1 (0x)
• GPT-5 mini (0x)
• GPT-5 (1x)
• Claude Sonnet 3.5 (1x)
• Claude Sonnet 4.5 (1x)

自動選択から除外される:

• 乗数 > 1 のモデル (Claude Opus 4.1、廃止 o3)
• 管理者ポリシーによってブロックされたモデル
• サブスクリプションプランで利用不可のモデル (Free 階層の 1x モデル)

自動選択の時機:

• Copilot がプロンプト複雑性、コンテキストサイズ、タスクタイプを分析
• 利用可能なプール から選択
• 自動選択モデルに10%乗数割引を適用
• Chat ビュー内の応答ホバーで選択モデルを表示

Context7 クエリテンプレート

検証が必要な場合、これらのクエリパターンを使用:

モデル機能:

トピック: "[モデル名] コード生成品質機能"
ライブラリ: /websites/github_en_copilot

モデル乗数:

トピック: "[モデル名] リクエスト乗数コスト請求"
ライブラリ: /websites/github_en_copilot

廃止ステータス:

トピック: "2025年10月廃止モデルタイムライン"
ライブラリ: /websites/github_en_copilot

ビジョンサポート:

トピック: "[モデル名] 画像ビジョンマルチモーダルサポート"
ライブラリ: /websites/github_en_copilot

自動選択:

トピック: "自動モデル選択動作、対象モデル"
ライブラリ: /websites/github_en_copilot

---

最終更新: 2025-10-28 モデルデータ現在値: 2025年10月 廃止予定日: o3, o4-mini, Claude Sonnet 3.7 バリアント, Gemini 2.0 Flash に対して 2025-10-23