model-recommendation

Copilot Chat モードとプロンプト向けの 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、複雑さ、必要な機能を理解し、GitHub Copilot で利用可能な選択肢の中から最適な AI モデルを推奨します。タスクの特性、モデルの強み、コスト効率、パフォーマンスのトレードオフに基づいて根拠を提示します。

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
• 利用可能なモデル: 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（非推奨日付あり）
• モデルの自動選択: VS Code で利用可能（2025 年 9 月以降） - GPT-4.1、GPT-5 mini、GPT-5、Claude Sonnet 3.5、Claude Sonnet 4.5 から選択します（プレミアム乗数が 1 を超えるものは除外されます）
• コンテキスト: GitHub Copilot のサブスクリプションティア（Free: 月あたり 2K 補完 + 50 チャット、0x モデルのみ。Pro: 0x 無制限 + 月あたり 1000 プレミアム。Pro+: 0x 無制限 + 月あたり 5000 プレミアム）

入力

必須:

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

任意:

• ${input:subscriptionTier:Pro} - ユーザーの Copilot サブスクリプションティア（Free、Pro、Pro+） - デフォルトは Pro
• ${input:priorityFactor:Balanced} - 最適化の優先度（Speed、Cost、Quality、Balanced） - デフォルトは Balanced

ワークフロー

1. ファイル分析フェーズ

ファイルの読み取りと解析:

• 対象の .agent.md または .prompt.md ファイルを読み取ります
• frontmatter を抽出します（description、mode、tools、指定されている場合は model）
• 本文の内容を分析して、以下を特定します:
  • タスクの複雑さ（単純/中程度/複雑/高度）
  • 必要な推論の深さ（基本/中級/上級/エキスパート）
  • コード生成の必要性（最小限/中程度/大量）
  • マルチターン会話の要件
  • コンテキストウィンドウの必要性（小/中/大）
  • 専門的な機能（画像分析、長いコンテキスト、リアルタイムデータ）

タスクタイプの分類:

内容分析に基づいて、主要なタスクカテゴリを特定します:

1. 単純な反復タスク:

   • パターン: フォーマット、単純なリファクタリング、コメント/docstring の追加、基本的な CRUD
   • 特徴: 単純なロジック、最小限のコンテキスト、高速な実行が望ましい
   • 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/クラスの記述、機能の実装、API エンドポイント、テスト
   • 特徴: 中程度の複雑さ、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、大規模なリファクタリング、パフォーマンス最適化
   • 特徴: 深い推論、複数のコンポーネント、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
   • 特徴: 段階的な推論、デバッグコンテキスト、検証の必要性
   • キーワード: debug、fix、troubleshoot、diagnose、error、investigate

5. 計画と調査:

   • パターン: 機能計画、調査、ドキュメント分析、ADR 作成
   • 特徴: 読み取り専用、コンテキストの収集、意思決定の支援
   • 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の検証、コンプライアンスチェック
   • 特徴: 批判的思考、パターン認識、ドメインの専門知識
   • キーワード: review、analyze、security、performance、compliance、validate

7. 専門ドメインタスク:

   • 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
   • 特徴: 深いドメイン知識、フレームワークの規約、標準への準拠
   • キーワード: django、accessibility、wcag、rest、api、testing、tdd

8. 高度な推論とマルチステップワークフロー:

   • パターン: アルゴリズムの最適化、複雑なデータ変換、多段階ワークフロー
   • 特徴: 高度な推論、数学的/アルゴリズム的思考、逐次ロジック
   • キーワード: algorithm、optimize、transform、sequential、reasoning、calculate

機能要件の抽出:

frontmatter の tools と本文の指示に基づいて:

• 読み取り専用ツール（search、fetch、usages、githubRepo）: 複雑さが低く、高速なモデルが適しています
• 書き込み操作（edit/editFiles、new）: 中程度の複雑さ、正確さが重要
• 実行ツール（runCommands、runTests、runTasks）: 検証の必要性、反復的なアプローチ
• 高度なツール（context7/*、sequential-thinking/*）: 複雑な推論、プレミアムモデルが有効
• マルチモーダル（画像分析の参照）: 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:

利用可能な各モデルについて、以下の観点で評価します:

モデル機能マトリクス

モデル	乗数	速度	コード品質	推論	コンテキスト	ビジョン	最適な用途
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まれる
GPT-5 mini	0x	最速	良好	基本	128K	❌	シンプルなタスク、迅速な応答、コスト効率重視
GPT-5	1x	中程度	優秀	高度	128K	✅	複雑なコード、高度な推論、マルチターンチャット
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、長いコンテキスト、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	低速	卓越	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 (非推奨)	0.25x	最速	良好	良好	1M	❌	迅速な応答、コスト効率重視 (非推奨)
Grok Code Fast 1	0.25x	最速	良好	基本	128K	❌	速度重視のシンプルなタスク、プレビュー (無料)
o3 (非推奨)	1x	低速	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 (非推奨)	0.33x	高速	良好	良好	128K	❌	低コストでの推論 (非推奨)

選択デシジョンツリー

START
  │
  ├─ Task Complexity?
  │   ├─ Simple/Repetitive → GPT-5 mini, Grok Code Fast 1, GPT-4.1
  │   ├─ Moderate → GPT-4.1, Claude Sonnet 4, GPT-5
  │   └─ Complex/Advanced → Claude Sonnet 4.5, GPT-5, Gemini 2.5 Pro, Claude Opus 4.1
  │
  ├─ Reasoning Depth?
  │   ├─ Basic → GPT-5 mini, Grok Code Fast 1
  │   ├─ Intermediate → GPT-4.1, Claude Sonnet 4
  │   ├─ Advanced → GPT-5, Claude Sonnet 4.5
  │   └─ Expert → Claude Opus 4.1, o3 (deprecated)
  │
  ├─ Code-Specific?
  │   ├─ Yes → GPT-5 Codex, Claude Sonnet 4.5, GPT-5
  │   └─ No → GPT-5, Claude Sonnet 4
  │
  ├─ Context Size?
  │   ├─ Small (<50K tokens) → Any model
  │   ├─ Medium (50-200K) → Claude models, GPT-5, Gemini
  │   ├─ Large (200K-1M) → Gemini 2.5 Pro, Claude Opus 4.1
  │   └─ Very Large (>1M) → Gemini 2.5 Pro (2M), Claude Opus 4.1 (1M)
  │
  ├─ Vision Required?
  │   ├─ Yes → GPT-4.1, GPT-5, Claude Sonnet 3.5/4.5, Gemini 2.5 Pro, Claude Opus 4.1
  │   └─ No → All models
  │
  ├─ Cost Sensitivity? (based on subscriptionTier)
  │   ├─ Free Tier → 0x models only: GPT-4.1, GPT-5 mini, Grok Code Fast 1
  │   ├─ Pro (1000 premium/month) → Prioritize 0x, use 1x judiciously, avoid 10x
  │   └─ Pro+ (5000 premium/month) → 1x freely, 10x for critical tasks
  │
  └─ Priority Factor?
      ├─ Speed → GPT-5 mini, Grok Code Fast 1, Gemini 2.0 Flash
      ├─ Cost → 0x models (GPT-4.1, GPT-5 mini) or lower multipliers (0.25x, 0.33x)
      ├─ Quality → Claude Sonnet 4.5, GPT-5, Claude Opus 4.1
      └─ Balanced → GPT-4.1, Claude Sonnet 4, GPT-5

3. 推奨生成フェーズ

主要な推奨:

• タスク分析とデシジョンツリーに基づいて、単一の最適なモデルを特定します
• ファイル内容の特性に紐づけた具体的な根拠を提供します
• ユーザーのサブスクリプションティアに対する乗数コストの影響を説明します

代替の推奨:

• トレードオフの説明とともに 1〜2 の代替モデルを提案します
• 代替モデルが好まれる可能性のあるシナリオを含めます
• 優先度要因のオーバーライド (速度 vs. 品質 vs. コスト) を考慮します

自動選択のガイダンス:

• タスクが自動モデル選択に適しているかどうかを評価します (1x を超えるプレミアムモデルは除外されます)
• 手動選択が有益な場合と Copilot に選択を任せる場合を説明します
• 特定のタスクに対する自動選択の制限事項を記載します

非推奨の警告:

• ファイルが現在非推奨のモデル (o3、o4-mini、Claude Sonnet 3.7、Gemini 2.0 Flash) を指定している場合にフラグを立てます
• 推奨される代替モデルへの移行パスを提供します
• 非推奨のタイムラインを含めます (例: 「o3 は 2025-10-23 に非推奨」)

サブスクリプションティアの考慮事項:

• 無料ティア: 0x 乗数のモデルのみを推奨します (GPT-4.1、GPT-5 mini、Grok Code Fast 1)
• Pro ティア: 0x (無制限) と 1x (月 1000 回) のモデルのバランスを取ります
• Pro+ ティア: 1x モデル (月 5000 回) でより自由に利用でき、例外的なケースでは 10x の使用を正当化します

4. 統合に関する推奨事項

フロントマターの更新に関するガイダンス：

ファイルに model フィールドが指定されていない場合：

## Recommendation: Add Model Specification

Current frontmatter:
\`\`\`yaml

---

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

---

\`\`\`

Recommended frontmatter:
\`\`\`yaml

---

description: "..."
model: "[Recommended Model Name]"
tools: [...]

---

\`\`\`

Rationale: [Explanation of why this model is optimal for this task]

ファイルにすでにモデルが指定されている場合：

## Current Model Assessment

Specified model: `[Current Model]` (Multiplier: [X]x)

Recommendation: [Keep current model | Consider switching to [Recommended Model]]

Rationale: [Explanation]

ツールとの整合性チェック：

モデルの機能が指定されたツールと整合していることを確認してください。

• ツールに context7/* または sequential-thinking/* が含まれる場合：高度な推論モデル（Claude Sonnet 4.5、GPT-5、Claude Opus 4.1）を推奨します
• ツールに視覚関連の参照が含まれる場合：モデルが画像に対応していることを確認します（GPT-5 Codex、Claude Sonnet 4、または mini モデルが選択されている場合は警告します）
• ツールが読み取り専用（検索、取得）の場合：コスト効率の高いモデル（GPT-5 mini、Grok Code Fast 1）を提案します

5. 最新情報を得るための Context7 統合

モデルのドキュメントに Context7 を活用する：

現在のモデル機能について不確かな点がある場合は、Context7 を使って最新情報を取得してください。

**Verification with Context7**:

Using `context7/get-library-docs` with library ID `/websites/github_en_copilot`:

- Query topic: "model capabilities [specific capability question]"
- Retrieve current model features, multipliers, deprecation status
- Cross-reference against analyzed file requirements

Context7 の使用例：

If unsure whether Claude Sonnet 4.5 supports image analysis:
→ Use context7 with topic "Claude Sonnet 4.5 vision image capabilities"
→ Confirm feature support before recommending for multi-modal tasks

出力に関する要件

レポートの構成

以下のセクションを含む、構造化された Markdown レポートを生成してください。

# AI Model Recommendation Report

**File Analyzed**: `[file path]`
**File Type**: [chatmode | prompt]
**Analysis Date**: [YYYY-MM-DD]
**Subscription Tier**: [Free | Pro | Pro+]

---

## File Summary

**Description**: [from frontmatter]
**Mode**: [ask | edit | agent]
**Tools**: [tool list]
**Current Model**: [specified model or "Not specified"]

## Task Analysis

### Task Complexity

- **Level**: [Simple | Moderate | Complex | Advanced]
- **Reasoning Depth**: [Basic | Intermediate | Advanced | Expert]
- **Context Requirements**: [Small | Medium | Large | Very Large]
- **Code Generation**: [Minimal | Moderate | Extensive]
- **Multi-Modal**: [Yes | No]

### Task Category

[Primary category from 8 categories listed in Workflow Phase 1]

### Key Characteristics

- Characteristic 1: [explanation]
- Characteristic 2: [explanation]
- Characteristic 3: [explanation]

## Model Recommendation

### 🏆 Primary Recommendation: [Model Name]

**Multiplier**: [X]x ([cost implications for subscription tier])
**Strengths**:

- Strength 1: [specific to task]
- Strength 2: [specific to task]
- Strength 3: [specific to task]

**Rationale**:
[Detailed explanation connecting task characteristics to model capabilities]

**Cost Impact** (for [Subscription Tier]):

- Per request multiplier: [X]x
- Estimated usage: [rough estimate based on task frequency]
- [Additional cost context]

### 🔄 Alternative Options

#### Option 1: [Model Name]

- **Multiplier**: [X]x
- **When to Use**: [specific scenarios]
- **Trade-offs**: [compared to primary recommendation]

#### Option 2: [Model Name]

- **Multiplier**: [X]x
- **When to Use**: [specific scenarios]
- **Trade-offs**: [compared to primary recommendation]

### 📊 Model Comparison for This Task

| Criterion        | [Primary Model] | [Alternative 1] | [Alternative 2] |
| ---------------- | --------------- | --------------- | --------------- |
| Task Fit         | ⭐⭐⭐⭐⭐      | ⭐⭐⭐⭐        | ⭐⭐⭐          |
| Code Quality     | [rating]        | [rating]        | [rating]        |
| Reasoning        | [rating]        | [rating]        | [rating]        |
| Speed            | [rating]        | [rating]        | [rating]        |
| Cost Efficiency  | [rating]        | [rating]        | [rating]        |
| Context Capacity | [capacity]      | [capacity]      | [capacity]      |
| Vision Support   | [Yes/No]        | [Yes/No]        | [Yes/No]        |

## Auto Model Selection Assessment

**Suitability**: [Recommended | Not Recommended | Situational]

[Explanation of whether auto-selection is appropriate for this task]

**Rationale**:

- [Reason 1]
- [Reason 2]

**Manual Override Scenarios**:

- [Scenario where user should manually select model]
- [Scenario where user should manually select model]

## Implementation Guidance

### Frontmatter Update

[Provide specific code block showing recommended frontmatter change]

### Model Selection in VS Code

**To Use Recommended Model**:

1. Open Copilot Chat
2. Click model dropdown (currently shows "[current model or Auto]")
3. Select **[Recommended Model Name]**
4. [Optional: When to switch back to Auto]

**Keyboard Shortcut**: `Cmd+Shift+P` → "Copilot: Change Model"

### Tool Alignment Verification

[Check results: Are specified tools compatible with recommended model?]

✅ **Compatible Tools**: [list]
⚠️ **Potential Limitations**: [list if any]

## Deprecation Notices

[If applicable, list any deprecated models in current configuration]

⚠️ **Deprecated Model in Use**: [Model Name] (Deprecation date: [YYYY-MM-DD])

**Migration Path**:

- **Current**: [Deprecated Model]
- **Replacement**: [Recommended Model]
- **Action Required**: Update `model:` field in frontmatter by [date]
- **Behavioral Changes**: [any expected differences]

## Context7 Verification

[If Context7 was used for verification]

**Queries Executed**:

- Topic: "[query topic]"
- Library: `/websites/github_en_copilot`
- Key Findings: [summary]

## Additional Considerations

### Subscription Tier Recommendations

[Specific advice based on Free/Pro/Pro+ tier]

### Priority Factor Adjustments

[If user specified Speed/Cost/Quality/Balanced, explain how recommendation aligns]

### Long-Term Model Strategy

[Advice for when to re-evaluate model selection as file evolves]

---

## Quick Reference

**TL;DR**: Use **[Primary Model]** for this task due to [one-sentence rationale]. Cost: [X]x multiplier.

**One-Line Update**:
\`\`\`yaml
model: "[Recommended Model Name]"
\`\`\`

出力品質基準

• 具体的：一般的なアドバイスではなく、すべての推奨事項をファイルの内容に直接結び付けます
• 実行可能：正確なフロントマターのコード、VS Code の手順、明確な移行方法を提示します
• 文脈を考慮：サブスクリプションのティア、優先事項、廃止までのスケジュールを考慮します
• 根拠に基づく：利用可能な場合は、Context7 のドキュメントに基づくモデルの機能を参照します
• バランスが取れている：トレードオフ（速度と品質とコスト）を率直に提示します
• 最新：廃止予定のモデルに注意を促し、現行の代替モデルを提案します

品質保証

検証手順

• 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た（または、存在しない場合はその旨が記録された）
• タスクの複雑さが正確に分類された（単純／中程度／複雑／高度）
• 8 つの選択肢から主要なタスクカテゴリが特定された
• モデルの推奨が判断ツリーのロジックと整合している
• ユーザーのサブスクリプションティアに応じた倍率コストが説明されている
• トレードオフを明確に説明した代替モデルが提示されている
• 自動選択に関するガイダンス（推奨／非推奨／状況による）が含まれている
• 該当する場合、廃止予定モデルに関する警告が含まれている
• フロントマターの更新例が提示されている（有効な YAML）
• ツールとの整合性が検証されている（モデルの機能が指定されたツールに合致している）
• 最新のモデル情報を検証する必要がある場合、Context7 が使用されている
• レポートに必須のすべてのセクション（概要、分析、推奨事項、実装）が含まれている

成功基準

• 推奨事項がファイルの具体的な特性に基づいて正当化されている
• サブスクリプションティアに応じたコストへの影響が明確で適切である
• 代替モデルが異なる優先事項（速度と品質とコスト）をカバーしている
• フロントマターの更新内容がコピー＆ペーストできる状態である（プレースホルダーなし）
• 推奨事項に明確な手順があり、ユーザーがすぐに実行できる
• レポートが読みやすく、必要な情報をすばやく確認できる（適切な構成、表、絵文字の目印）

失敗条件

• ファイルパスが無効または読み取り不能 → 停止して有効なパスを求める
• ファイルが .agent.md または .prompt.md ではない → 停止してファイルの種類を確認する
• 内容からタスクの複雑さを判断できない → より具体的なファイルまたは説明を求める
• モデルの推奨が文書化された機能と矛盾する → Context7 を使って最新情報を確認する
• サブスクリプションティアが無効（Free／Pro／Pro+ 以外）→ Pro を既定として使用し、その前提を明記する

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した場合：

1. 各ファイルを個別に分析します
2. ファイルごとに別個の推奨事項を作成します
3. 推奨事項を比較する概要表を提示します
4. パターンがあれば記載します（例：「デバッグ関連のすべてのモードで Claude Sonnet 4.5 が有効です」）

比較分析

ユーザーが「このファイルでは X と Y のどちらのモデルが優れていますか？」と尋ねた場合：

1. その 2 つのモデルだけに絞って比較します
2. 並列比較の表形式を使用します
3. 具体的な理由とともに優れたモデルを明示します
4. サブスクリプションティアに応じたコスト比較を含めます

移行計画

ファイルで非推奨のモデルが指定されている場合：

1. レポートでは移行に関するガイダンスを優先します
2. 現在の動作に対する期待値と、代替モデルの機能を検証します
3. 破壊的変更が予想される場合は、段階的な移行を提示します
4. 必要に応じてロールバック計画を含めます

例

例 1：シンプルな書式設定タスク

ファイル：format-code.prompt.md 内容：「Black スタイルで Python コードを整形し、型ヒントを追加する」 推奨：GPT-5 mini（倍率 0x、最速で、繰り返しの書式設定に十分） 代替：Grok Code Fast 1（0.25x、さらに高速、プレビュー機能） 理由：タスクはシンプルで繰り返しが多いため、高度な推論は不要です。速度を優先します

例 2：複雑なアーキテクチャレビュー

ファイル：architect.agent.md 内容：「スケーラビリティ、セキュリティ、保守性の観点からシステム設計をレビューし、トレードオフを分析して、ADR レベルの推奨事項を提示する」 推奨：Claude Sonnet 4.5（倍率 1x、優れた推論能力を持ち、アーキテクチャに最適） 代替：Claude Opus 4.1（10x、50 万トークンを超える非常に大規模なコードベースで使用） 理由：深い推論、アーキテクチャの専門知識、デザインパターンの知識が必要です。Sonnet 4.5 はこの用途に優れています

例 3：Django エキスパートモード

ファイル：django.agent.md 内容：「ORM の最適化、非同期ビュー、REST API 設計に対応する Django 5.x のエキスパート。最新の Django ドキュメントには context7 を使用する」 推奨：GPT-5（倍率 1x、高度な推論能力を持ち、優れたコード品質を備える） 代替：Claude Sonnet 4.5（1x、別の視点を提供し、フレームワークに強い） 理由：ドメインの専門知識と context7 の統合には高度な推論が有効です。エキスパートモードでは 1x のコストに見合う価値があります

例 4：プランニングモードを使う無料プランのユーザー

ファイル：plan.agent.md 内容：「読み取り専用ツール（search、fetch、githubRepo）を使った調査およびプランニングモード」 サブスクリプション：Free（月 2,000 件の補完＋チャットリクエスト 50 件、0x モデルのみ） 推奨：GPT-4.1（0x、バランスがよく、Free プランに含まれる） 代替：GPT-5 mini（0x、より高速だがコンテキストは少ない） 理由：Free プランでは 0x モデルに制限されています。GPT-4.1 はプランニングタスクに最適な品質とコンテキストのバランスを提供します

ナレッジベース

モデル倍率コストの参考情報

倍率	意味	無料プラン	Pro の使用回数	Pro+ の使用回数
0x	すべてのプランに含まれ、プレミアム使用回数に加算されません	✅	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 回	20000 回
0.33x	3 リクエスト = 1 プレミアムリクエスト	❌	3000 回	15000 回
1x	1 リクエスト = 1 プレミアムリクエスト	❌	1000 回	5000 回
1.25x	1 リクエスト = 1.25 プレミアムリクエスト	❌	800 回	4000 回
10x	1 リクエスト = 10 プレミアムリクエスト（非常に高コスト）	❌	100 回	500 回

モデルの変更履歴と非推奨化（2025 年 10 月）

非推奨モデル（2025-10-23 より適用）：

• ❌ o3（1x）→ 推論には GPT-5 または Claude Sonnet 4.5 に置き換えてください
• ❌ o4-mini（0.33x）→ コストを抑えるには GPT-5 mini（0x）、品質を重視するには GPT-5（1x）に置き換えてください
• ❌ Claude Sonnet 3.7（1x）→ Claude Sonnet 4 または 4.5 に置き換えてください
• ❌ Claude Sonnet 3.7 Thinking（1.25x）→ Claude Sonnet 4.5 に置き換えてください
• ❌ Gemini 2.0 Flash（0.25x）→ Grok Code Fast 1（0.25x）または GPT-5 mini（0x）に置き換えてください

プレビューモデル（変更される可能性があります）：

• 🧪 Claude Sonnet 4.5（1x）- プレビュー段階のため、API が変更される可能性があります
• 🧪 Grok Code Fast 1（0.25x）- プレビュー期間中は無料

安定した本番環境向けモデル：

• ✅ 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）

自動モデル選択の動作（2025年9月以降）

自動選択に含まれるもの:

• 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もの:

• 乗数が 1 より大きいモデル（Claude Opus 4.1、非推奨の o3）
• 管理者ポリシーによってブロックされているモデル
• サブスクリプションプランで利用できないモデル（Free ティアの 1x モデル）

自動選択が行われるとき:

• Copilot がプロンプトの複雑さ、コンテキストサイズ、タスクの種類を分析します
• 利用可能状況とレート制限に基づいて、選択可能なプールから選択します
• 自動選択されたモデルに 10% の乗数割引を適用します
• Chat ビューで応答にカーソルを合わせると、選択されたモデルが表示されます

Context7 クエリテンプレート

検証が必要な場合は、これらのクエリパターンを使用してください:

モデルの機能:

Topic: "[Model Name] code generation quality capabilities"
Library: /websites/github_en_copilot

モデルの乗数:

Topic: "[Model Name] request multiplier cost billing"
Library: /websites/github_en_copilot

非推奨ステータス:

Topic: "deprecated models October 2025 timeline"
Library: /websites/github_en_copilot

ビジョンサポート:

Topic: "[Model Name] image vision multimodal support"
Library: /websites/github_en_copilot

自動選択:

Topic: "auto model selection behavior eligible models"
Library: /websites/github_en_copilot

---

最終更新: 2025-10-28 モデルデータの基準日: 2025年10月 非推奨の期限: o3、o4-mini、Claude Sonnet 3.7 の各バリアント、Gemini 2.0 Flash は 2025-10-23