Comparação de modelos de IA

Comparação de modelos de IA para GitHub Copilot

GitHub Copilot dá suporte a vários modelos de IA com funcionalidades diferentes. O modelo escolhido afeta a qualidade e a relevância das respostas por Bate-papo do Copilot e sugestões embutidas Copilot. Alguns modelos oferecem menor latência, enquanto outros oferecem menos alucinações ou melhor desempenho em tarefas específicas. Este guia ajuda você a escolher o melhor modelo com base em sua tarefa, e não apenas nos nomes dos modelos.

Observação

Modelos diferentes consomem AI credits a taxas diferentes com base em seus preços de token. Para obter detalhes, confira Modelos e preços para GitHub Copilot.
Quando você usa Bate-papo do Copilot em IDEs compatíveis, o Auto seleciona automaticamente o melhor modelo para você com base na disponibilidade. Você pode escolher manualmente um modelo diferente para substituir essa seleção. Consulte Sobre CopilotSeleção de modelo automática.

Modelos recomendados por tarefa

Use esta tabela para encontrar rapidamente um modelo adequado e confira mais detalhes nas seções abaixo.

Modelo	Área da tarefa	Excelente em (caso de uso primário)	Leitura adicional
GPT-5 mini

                               | General-purpose coding and writing | Fast, accurate code completions and explanations        | [GPT-5 mini model card](https://cdn.openai.com/gpt-5-system-card.pdf) |

Tarefa: codificação e escrita de uso geral

Use esses modelos para tarefas comuns de desenvolvimento que demandam um equilíbrio entre qualidade, velocidade e custo. Esses modelos são um bom padrão quando você não tem requisitos específicos.

Modelo	Por que é uma boa escolha
GPT-5.3-Codex	Fornece código de alta qualidade em tarefas de engenharia complexas, como recursos, testes, depuração, refatorações e avaliações sem instruções detalhadas.
Mini GPT-5	Padrão confiável para a maioria das tarefas de codificação e escrita. Rápido, preciso e funciona bem com diferentes linguagens e estruturas.
Raptor mini	Especializado em sugestões e explicações integradas rápidas e precisas.
MAI-Code-1-Flash	A forte capacidade de seguir instruções e o raciocínio adaptável fazem dele uma opção confiável por padrão para tarefas cotidianas de programação, escrita e fluxos de trabalho de desenvolvimento em várias interações.

Quando usar esses modelos

Use um destes modelos quando quiser:

Escrever ou revisar funções, arquivos curtos ou diferenças de código.
Gerar documentação, comentários ou resumos.
Explicar erros ou comportamentos inesperados rapidamente.
Trabalhar em um ambiente de programação que não esteja em inglês.

Quando usar outro modelo

Se estiver trabalhando com refatoração complexa, decisões arquitetônicas ou lógica de várias etapas, considere um modelo de Raciocínio aprofundado e depuração. Para tarefas mais rápidas e simples, como edições repetitivas ou sugestões de código pontuais, confira Ajuda rápida com tarefas simples ou repetitivas.

Tarefa: ajuda rápida com tarefas simples ou repetitivas

Estes modelos são otimizados em prol da velocidade e da capacidade de resposta. Eles são ideais para edições rápidas, funções de utilitário, ajuda com sintaxe e protótipos leves. Você receberá respostas rápidas sem precisar esperar por profundidade desnecessária ou cadeias de raciocínio longas.

Modelos recomendados

Modelo	Por que é uma boa escolha
Claude Haiku 4.5	Equilibra respostas rápidas e saídas de qualidade. Ideal para tarefas pequenas e explicações de código leves.
MAI-Code-1-Flash	Lida com tarefas de codificação rápida com eficiência adaptável, permanece concisa para solicitações simples e fornece respostas rápidas e precisas sem profundidade desnecessária.

Quando usar esses modelos

Use um destes modelos quando quiser:

Escrever ou editar funções pequenas ou código de utilitário.
Fazer perguntas rápidas sobre sintaxe ou linguagem.
Prototipar ideias com configuração mínima.
Receber feedback rápido sobre prompts ou edições simples.

Quando usar outro modelo

Se estiver trabalhando com refatoração complexa, decisões arquitetônicas ou lógica de várias etapas, confira Raciocínio aprofundado e depuração. Para tarefas que precisam de um raciocínio de uso geral mais sólido ou de uma saída mais estruturada, confira Codificação e escrita de uso geral.

Tarefa: depuração e raciocínio profundo

Estes modelos são projetados para tarefas que exigem raciocínio passo a passo, tomada de decisão complexa ou reconhecimento de contexto elevado. Eles funcionam bem quando você precisa de análise estruturada, geração de código elaborada ou reconhecimento de vários arquivos.

Modelos recomendados

Modelo	Por que é uma boa escolha
Mini GPT-5	Fornece raciocínio profundo e depuração com respostas mais rápidas e menor uso de recursos do que o GPT-5. Ideal para sessões interativas e análise de código passo a passo.
GPT-5.5	Ótimo em raciocínio complexo, análise de código e tomada de decisão técnica.
Claude Soneto 4.6	Melhora no Sonnet 4.5 com conclusões mais confiáveis e raciocínio mais inteligente sob pressão.
Claude Opus 4.7	Modelo mais poderoso da Anthropic. Apresenta melhorias em Claude Opus 4.6.
Gemini 3.1 Pro	Raciocínio avançado em longos contextos e análise científica ou técnica.

Quando usar esses modelos

Use um destes modelos quando quiser:

Depurar questões complexas utilizando contexto em múltiplos arquivos.
Refatorar bases de código grandes ou interconectadas.
Planejar funcionalidades ou arquitetura através de camadas.
Avaliar compensações entre bibliotecas, padrões ou fluxos de trabalho.
Analisar logs, dados de desempenho ou comportamento do sistema.

Quando usar outro modelo

Caso precise de iteração rápida ou tarefas leves, confira Ajuda rápida com tarefas simples ou repetitivas. Para fluxos de trabalho de desenvolvimento ou geração de conteúdo em geral, confira Codificação e escrita de uso geral.

Tarefa: trabalho com visuais (diagramas, capturas de tela)

Use estes modelos quando quiser fazer perguntas sobre capturas de tela, diagramas, componentes da interface do usuário ou outra entrada visual. Eles suportam entrada multimodal e são adequados para tarefas de front-end ou depuração visual.

Modelo	Por que é uma boa escolha
Mini GPT-5	Padrão confiável para a maioria das tarefas de codificação e escrita. Rápido, preciso e dá suporte à entrada multimodal para tarefas de raciocínio visual. Funciona bem com diferentes linguagens e estruturas.
Claude Soneto 4.6	Melhora no Sonnet 4.5 com conclusões mais confiáveis e raciocínio mais inteligente sob pressão.
Gemini 3.1 Pro	Raciocínio profundo e depuração, ideal para fluxos de trabalho complexos de geração de código, depuração e pesquisa.

Quando usar esses modelos

Use um destes modelos quando quiser:

Fazer perguntas sobre diagramas, capturas de tela ou componentes da interface do usuário.
Receber comentários sobre fluxos de trabalho ou rascunhos visuais.
Entender o comportamento de front-end com base no contexto visual.

Dica

Se você estiver usando um modelo em um contexto que não dá suporte à entrada de imagens (como um editor de código), não verá benefícios no raciocínio visual. Você pode usar um servidor MCP para obter acesso à entrada visual indiretamente. Confira Estendendo o GitHub Copilot Chat com servidores MCP (Protocolo de Contexto do Modelo).

Quando usar outro modelo

Se sua tarefa envolver raciocínio profundo ou refatoração em larga escala, considere um modelo da categoria Raciocínio profundo e depuração. Para tarefas somente de texto ou edições de código mais simples, confira Ajuda rápida com tarefas simples ou repetitivas.

Próximas etapas

Escolher o modelo certo ajuda você a aproveitar ao máximo Copilot. Se você não tiver certeza de qual modelo usar, comece com uma opção de uso geral como Mini GPT-5, em seguida, ajuste com base em suas necessidades.

Para obter especificações e preços detalhados do modelo, confira Modelos de IA com suporte no GitHub Copilot.
Para obter mais exemplos de como usar modelos diferentes, confira Comparação de modelos de IA usando tarefas diferentes.
Para alternar entre modelos, confira Alterando o modelo de IA para GitHub Copilot Chat ou Alterando o modelo de IA para sugestões embutidas do Copilot do GitHub.
Para saber como Bate-papo do Copilot serve diferentes modelos de IA, consulte Hospedagem de modelos para GitHub Copilot.

MAI-Code-1-Flash is a continuously improving model. Performance and behavior may evolve over time as new checkpoints are released. ↩

Neste artigo