Le nouveau codeur IA de GitHub est une arme secrète.

GitHub a discrètement lancé un nouveau codeur IA dans le monde le 10 novembre 2025, et presque personne ne l'a remarqué. Enfouie dans une entrée de journal des modifications routinière, la société a annoncé que Raptor mini était « en cours de déploiement en aperçu public » pour GitHub GitHub Copilot, disponible dans un menu déroulant dans Visual Studio Code. Pas de discours d'ouverture, pas d'article de blog approfondi, juste un avis d'un paragraphe pour ce qui pourrait être le modèle le plus important de GitHub à ce jour.

Le silence autour du lancement semble délibéré. GitHub a lancé Raptor mini sans benchmarks publics, sans fiche technique, et sans document technique expliquant comment ce GPT‑5 mini affiné se compare aux modèles existants de GitHub Copilot ou à des concurrents comme Claude. Les développeurs n'ont reçu qu'une promesse vague de "complétions de code et explications rapides et précises" ainsi qu'une note indiquant qu'il prend en charge le mode agent et tous les types d'interaction de GitHub Copilot.

Contrastons cela avec la manière dont les concurrents opèrent. Lorsque Google lance une nouvelle variante de Gemini ou qu'OpenAI met à jour GPT-5, ils organisent des livestreams de plusieurs heures, publient des fiches techniques détaillées et inondent les réseaux sociaux avec des démonstrations soigneusement choisies et des graphiques de classement. En comparaison, le Raptor mini est arrivé comme une version nocturne : pas de bande-annonce attrayante, pas de citations de partenaires sélectionnés, juste « cela existe désormais et vous pouvez le sélectionner ».

Ce faible profil crée une sorte de tension étrange. Sur le papier, Raptor mini expose un matériel sérieux : une fenêtre de contexte d'environ 264 000 jetons, une limite de 64 000 jetons pour la sortie, et un support complet pour l'appel d'outils, les modifications multi-fichiers et les flux de travail d'agents dans VS Code. Pourtant, GitHub a refusé de publier même un seul graphique de latence, un graphique d'exactitude ou une comparaison avec ses propres modèles plus grands.

Au lieu de références, les premiers utilisateurs reçoivent un défi. Si vous voulez savoir ce que le Raptor mini peut faire, vous devez l’orienter vers une base de code réelle et le découvrir à vos dépens. C'est exactement ce que l'équipe de Better Stack a fait, en demandant au modèle de générer un tableau de bord de suivi satellite en temps réel complet à partir de zéro et en chronométrant la vitesse à laquelle il pouvait assembler une pile fonctionnelle.

Le lancement discret de Raptor mini transforme GitHub Copilot en une sorte d'expérience en boîte noire. Avec GitHub refusant de se vanter de ses mérites, la seule façon de comprendre ce modèle est de le traiter comme un nouvel employé : lui confier un travail concret, examiner les différences et voir si le mystère est justifié.

Mini, dans la nouvelle gamme de modèles de GitHub, ne signifie pas jouet. Officiellement, Raptor mini est une variante GPT-5 mini finement ajustée, formée pour le codage et l'écriture à usage général, GitHub le positionnant comme un moteur optimisé pour la vitesse, offrant des complétions et des explications rapides et précises à l'intérieur de GitHub Copilot. Il prend en charge tous les modes de GitHub Copilot dans Visual Studio Code : chat, suggestions en ligne, édition et workflows d'agent complets.

Le bref changelog de GitHub ne confirme que que Raptor mini est « un modèle mini GPT-5 ajusté pour le codage général », mais d'autres détails ont filtré à travers des discussions et des podcasts. En arrière-plan, il dispose d'une fenêtre de contexte d'environ 264 000 tokens et d'une fenêtre de sortie de 64 000 tokens, des chiffres qui le rapprochent plus des modèles lourds que de la marque « mini » à laquelle les développeurs s'attendent.

Julia Casper de l'équipe VS Code a tenté de réinitialiser ces attentes. "Gardez à l'esprit que c'est mini," a-t-elle déclaré lors d'un podcast Microsoft, soulignant que le modèle est optimisé pour la vitesse et pour "des tâches plus petites, des choses qui ne sont pas aussi complexes," où vous souhaitez un retour instantané plutôt qu'une conception système approfondie. Pour des refactorisations considérables ou des architectures vierges, elle encourage toujours les développeurs à se tourner vers des familles plus grandes comme Claude ou GPT‑5 complet.

Le nom lui-même est un exercice de branding superposé à un nom de code interne assez conventionnel. Casper décrit Raptor comme un simple nom de code choisi pour s'inscrire dans un thème de "groupe d'oiseaux" que GitHub utilise pour ses modèles et services. Le marketing a ensuite plaidé pour quelque chose d'un peu mystérieux et lié aux animaux, aboutissant à "Raptor mini" plutôt qu'à un autre SKU alphanumérique sec.

Les développeurs ont vu le mot mini et ont supposé un modèle de sidekick : bon pour les docstrings, les tests unitaires, peut-être un rapide regex. Cependant, les premiers rapports pratiques décrivent quelque chose de plus proche d'un cheval de trait par défaut que d'un sidecar, en particulier pour les modifications quotidiennes et le travail sur les fonctionnalités.

Cette inadéquation entre l'étiquette et la réalité se manifeste clairement dans les tests communautaires. L'équipe de Better Stack, par exemple, a demandé à Raptor mini de créer un tableau de bord satellite en temps réel à partir de zéro, en reliant une API tierce, un backend Express, un frontend JavaScript standard, du CSS, et même un globe 3D avec Three.js, et elle a livré un prototype fonctionnel en environ 45 secondes. En pratique, Mini ressemble davantage à « optimisé pour la latence » qu'à « limité ».

Le mini branding se heurte de plein fouet à des chiffres tels qu'une fenêtre de contexte de 264 000 jetons. C'est à peu près la capacité d'ingérer des centaines de pages de code, de documents et de journaux en une seule fois, suffisamment pour contenir un monorepo de taille moyenne ou une pile complète React/Node ainsi que ses fichiers README et références API dans une seule invite. Pour les développeurs, cela signifie que GitHub Copilot peut raisonner sur une fonctionnalité à travers le front-end, le back-end, les tests et la configuration sans perdre constamment le contexte antérieur.

Une fenêtre aussi grande change la façon dont vous interagissez avec le code héritage. Vous pouvez intégrer un service Java de 20 000 lignes, une configuration webpack complexe et un test d'intégration défaillant, puis demander à Raptor mini de tracer un bug de bout en bout. Au lieu de coller de petits extraits, vous traitez le modèle comme un nouvel employé qui vient de passer une semaine à lire l'ensemble de votre dépôt.

La taille de sortie compte tout autant. Avec une fenêtre de sortie de 64 000 tokens, Raptor mini peut générer des dizaines de milliers de lignes de code ou de différences en une seule fois. Cela permet d'effectuer des opérations qui nécessitaient auparavant plusieurs passes, fusions et interventions humaines.

Les refactorisations à grande échelle deviennent soudainement des demandes en une seule fois. Vous pouvez lui demander de : - Migrer chaque classe dans un package des rappels vers async/await - Remplacer une couche de journalisation personnalisée par OpenTelemetry dans tous les services - Générer des suites de tests complètes pour plusieurs modules en une seule exécution

Ce ne sont pas des charges de travail « mini » pour jouets, et c'est là que le marketing commence à sembler délibérément trompeur. Les messages officiels présentent Raptor mini comme optimisé pour la vitesse et les « petites tâches », pourtant son contexte brut et ses spécifications de sortie rivalisent ou dépassent de nombreux modèles phares. Le nom semble moins une limitation de capacité qu'un choix de positionnement pour éviter de cannibaliser les options plus lourdes et plus coûteuses.

Le mode agent est l'endroit où ces spécifications cessent d'être de simples chiffres abstraits et commencent à ressembler à un nouveau primitif IDE. Avec l'ensemble de l'espace de travail chargé dans un contexte de 264k, l'agent peut planifier des modifications en plusieurs étapes, ouvrir et modifier des dizaines de fichiers, mettre à jour les imports et régénérer des tests tout en préservant une vue cohérente du projet. L'édition multi-fichiers cesse d'être une danse fragile, fichier par fichier, et devient une opération unique et cohérente coordonnée par le modèle.

L'entrée de changelog de GitHub, Raptor mini est en cours de déploiement en aperçu public pour GitHub Copilot, laisse à peine entrevoir à quel point ces chiffres sont extrêmes. Les spécifications peuvent indiquer "mini", mais le comportement se rapproche beaucoup plus d'un moteur de codage complet caché derrière une étiquette à petit budget.

Better Stack n'a pas commencé avec un problème simpliste. Au lieu de cela, l'équipe a demandé à Raptor mini de construire un tableau de bord satellite en temps réel depuis zéro, considérant le modèle moins comme une fonction d'autocomplétion et plus comme un ingénieur contractuel. L'idée : si le "mini" codeur de GitHub peut livrer une application de bout en bout, l'étiquette cesse de signifier "petit" et commence à signifier "assez rapide pour un travail sérieux".

Le défi provient directement de leur expérience sur YouTube, “GitHub a discrètement lancé un nouveau modèle GitHub Copilot… et c’est VRAIMENT bon !” Plutôt qu'une seule fonction ou un refactoring, le cahier des charges demandait une application web de style production qui suit la Station spatiale internationale et des satellites Starlink sélectionnés, met à jour leurs positions en temps réel et les affiche sur une carte ou un globe.

Ce champ d'application dépasse immédiatement les "petites tâches" que Julia Casper de Microsoft a décrites dans le podcast. Un tableau de bord en temps réel impose un comportement full-stack : intégration d'API back-end, logique de rendu front-end, gestion d'état et une certaine approximation de la fidélité UX. Tout modèle qui néglige l'une de ces couches se transforme en goulet d'étranglement, pas en accélérateur.

Pour garder le test ancré dans la réalité, Better Stack a limité les entrées de la manière dont une véritable équipe transmettrait des spécifications à un développeur junior. Raptor mini a reçu trois artefacts principaux : - Un fichier markdown contenant la documentation de l'API satellite N2Y.io - Un fichier d'instructions de haut niveau décrivant les fonctionnalités et le comportement requis - Une image de design dérivée de Figma montrant l'interface utilisateur "tableau de bord spatial" cible

Ces entrées touchent toutes les modalités que GitHub Copilot prend désormais en charge : la documentation en texte long, les exigences en langage naturel et les indications de conception basées sur des images. Le modèle a dû extraire l'authentification et les points de terminaison des documents N2Y.io, inférer la mise en page et le style à partir de la capture d'écran Figma, et concilier les deux avec le cahier des charges fonctionnel du fichier d'instruction.

Plutôt qu'un benchmark synthétique, cette configuration se comporte comme un sprint réaliste en mode greenfield. Pas de dépôt de démarrage, pas de framework préconfiguré, pas d'accompagnement au-delà de ce qui se trouvait dans ces fichiers. Le succès signifiait synthétiser trois sources d'information différentes en une seule base de code cohérente, et pas seulement générer un joli extrait.

Quarante-cinq secondes après avoir appuyé sur Entrée, une application full-stack complète est apparue : un backend Express, un frontend en JavaScript pur, CSS, HTML, des appels API en direct, et une interface utilisateur bleuâtre qui correspondait presque un à un au mockup Figma. Pas de wizards de boilerplate, pas de modèles de démarrage, juste Raptor mini lisant un cahier des charges, une documentation API, et une image de design, puis crachant un tableau de bord satellite fonctionnel qui tournait réellement.

La première version a déjà extrait des données orbitales en direct de l'API N2YO, animé des satellites à travers l'écran et mis en place une simple boucle de mise à jour en temps réel. Elle a choisi un serveur Express simple plutôt qu'un framework lourd, servant un unique fichier HTML avec un bundle JS d'environ 500 lignes et du CSS basique, ce qui a significativement réduit les tracas liés aux outils de construction et permis des rechargements instantanés.

Au départ, les visuels étaient en décalage par rapport à la fidélité des données. L'application affichait des points en mouvement, mais sans carte du monde ni globe, il n'était pas possible de déterminer si les positions sur « Terre » avaient un sens géographique. Ainsi, la prochaine instruction a fourni à Raptor mini une carte du monde en SVG et lui a demandé de superposer les trajectoires des satellites.

Ce mouvement a transformé le tableau de bord d'une animation abstraite en un véritable outil géospatial. Des satellites suivaient désormais des continents reconnaissables, et le modèle gérait les calculs pour projeter les coordonnées lat/long sur le SVG 2D. Pourtant, ce n'était pas suffisant : le cahier des charges demandait un globe en 3D, et non une carte plate.

Une seule relance a fait évoluer le design : utiliser Three.js pour envelopper cette carte sur une sphère, placer des satellites en 3D et maintenir le tout à jour en temps réel. Raptor a mini-structuré une scène 3D, une caméra, un éclairage et des contrôles, puis a intégré le sondage API existant aux marqueurs orbitaux tournant autour d'une Terre texturée.

Passer de "démo sympa" à "prêt pour la production et superbe" a pris environ 7 à 8 invites, principalement pour ajuster les contrôles de la caméra, corriger des bugs mathématiques mineurs et améliorer l'interaction. Chaque itération revenait en quelques secondes, ce qui donnait l'impression de frotter une chronologie plutôt que d'attendre une compilation : ajuster l'invite, régénérer le code, rafraîchir le navigateur.

Le tableau de bord final ressemblait à quelque chose tout droit sorti d'une page de destination premium pour une SaaS : une Terre 3D tournante et zoomable, des orbites satellites lumineuses et des mises à jour en temps réel, le tout propulsé par un code qu'un modèle d'IA avait assemblé presque entièrement de son propre chef.

Le minimalisme est devenu la star discrète de la démonstration du tableau de bord satellite du Raptor mini. Lorsqu'on lui a demandé de créer une application en temps réel à partir de zéro, le modèle a choisi un serveur Express basique pour le backend et du JavaScript, HTML et CSS pur pour le frontend. Pas de bundlers, pas de transpileurs, pas de magie de routage spécifique à un framework à déboguer à 2 heures du matin.

Ce choix compte. Pour une preuve de concept qui doit passer de l'invite au navigateur en moins d'une minute, Express avec des actifs statiques est presque sans friction : `node server.js`, ouvrez un port, expédiez. En évitant Next.js, Vite ou Remix, Raptor mini a contourné le labyrinthe habituel des fichiers de configuration, des incompatibilités d'environnement et des erreurs de construction opaques.

À l'avant, le modèle a produit environ 500 lignes de JavaScript—une taille que vous pouvez encore faire défiler et analyser mentalement. Le code répartissait les responsabilités de manière claire : une section pour récupérer les données satellites via l'API N2YO, une autre pour les mises à jour du DOM, et un bloc distinct pour la gestion du globe 3D avec Three.js. Pas de fonctions God, pas de composant React de 1 000 lignes faisant tout.

La structure ressemblait à quelque chose que pourrait examiner un ingénieur de niveau intermédiaire par une belle journée. Des noms de fonctions clairs, un flux de données prévisible et des gestionnaires d'événements simples pour des interactions comme la rotation, le zoom et la sélection de satellite. Le CSS restait tout aussi minimaliste : une seule feuille de style gérant le thème du tableau de bord bleuâtre, les grilles de mise en page et les ajustements responsives sans un mélange de classes utilitaires.

Éviter un cadre moderne a également éliminé toute une classe de maux de tête. Pas de surcharge `node_modules`, pas de dérive de configuration TypeScript, pas de versions React incompatibles entre le développement et la production. Pour une démo qui n'a besoin que d'une seule page, le rendu côté serveur et le routage basé sur les fichiers auraient été un cosplay architectural.

Cette retenue se lit comme de l'intelligence pratique, et non comme une limitation. Raptor mini a aligné la pile avec le problème : une page, des mises à jour en temps réel, une itération rapide. Pour les développeurs essayant de décider quand opter pour des modèles ou des piles plus lourds, la propre comparaison des modèles d'IA de GitHub - GitHub Docs présente Raptor mini comme l'option optimisée pour la vitesse ; ce projet montre qu'il sait aussi quand il ne faut pas trop complexifier.

La rapidité place le Raptor mini dans une catégorie de poids différente de celle des modèles phares avec lesquels il rivalise discrètement. GitHub le positionne face à des poids lourds comme GPT-5, Claude et Grok Code Fast de xAI, mais sans chercher à les surpasser sur le plan du raisonnement pur. Au lieu de cela, il vise à gagner là où les développeurs ressentent le plus : la latence à l'intérieur de l'éditeur.

Claude et GPT-5 excellent lorsque vous demandez des conceptions de systèmes, des architectures multi-services ou des explorations algorithmiques approfondies. Grok Code Fast s'oriente résolument vers des complétions agressives pour les utilisateurs avancés. La proposition de Raptor mini est plus simple : des suggestions en ligne quasi instantanées, des complétions sur plusieurs lignes et des refactorisations qui suivent votre saisie dans GitHub Copilot.

Les empiler côte à côte expose les compromis plus clairement que le changelog vague de GitHub ne l'a jamais fait. Les modèles plus grands offrent généralement un raisonnement de haut niveau plus puissant, une meilleure planification à long terme et une compréhension plus nuancée du langage naturel. Raptor mini répond avec des réponses plus rapides, une énorme fenêtre de contexte de 264 000 tokens, et une limite de sortie de 64 000 tokens, ce qui lui permet de réécrire des fichiers ou des modules entiers d'un seul coup.

Considérez cela comme modèle de flux de travail contre modèle de projet. Les modèles de flux de travail se trouvent dans votre éditeur, envoyant des centaines de micro-assistances par jour : renommer cette fonction en toute sécurité, extraire ce composant, ajouter des journaux dans ces fichiers, corriger cette erreur TypeScript sans toucher à quoi que ce soit d'autre. Les modèles de projet brillent lorsque vous prenez du recul et dites : « Concevez un nouveau microservice pour la facturation et définissez le modèle de données, les APIs et le plan de migration. »

Raptor mini se situe fermement dans la catégorie des flux de travail. Il excelle dans : - Les complétions rapides en ligne pendant que vous tapez - Les refactorisations localisées à travers plusieurs fichiers - L'application de motifs de manière cohérente sur une grande base de code - L'explication de code inconnu dans son contexte, sans faire appel à un modèle de chat plus lent.

GPT-5, Claude ou Grok Code Fast ont toujours plus de sens lorsque vous avez besoin de : - Revue d'architecture et analyse des compromis - Conception d'algorithmes non triviaux - Raisonnement transversal sur plusieurs systèmes et documents - Documents de planification longs et RFC

Appeler l'un de ces modèles « le meilleur » passe à côté de l'essentiel. Un développeur esquissant une nouvelle architecture orientée événements se tournera probablement vers Claude ou GPT-5 ; le même développeur passant une journée à corriger des bogues et à mettre à jour des tests ressentira immédiatement l'avantage de vitesse du Raptor mini. Le véritable atout est de choisir le bon modèle en fonction de la tâche, et non de parier tout sur un seul titan.

Le mode Agent transforme Raptor mini d'une simple boîte de saisie automatique rapide en quelque chose de plus proche d'un nouvel employé qui a déjà lu l'ensemble de votre dépôt. Au lieu de fournir des suggestions ligne par ligne, il fonctionne sur l'ensemble de l'espace de travail, planifiant et exécutant des modifications en plusieurs étapes sur des dizaines de fichiers à la fois.

Dans le mode agent de GitHub Copilot, Raptor mini peut analyser l'arborescence de votre projet, comprendre les frameworks, les conventions locales et les tests, puis proposer un plan de migration concret. Vous approuvez un ensemble de modifications, et il procède à la mise à jour des composants, des utilitaires, des imports et des spécifications en une seule opération coordonnée.

L'édition multi-fichiers semble abstraite jusqu'à ce que vous l'utilisiez sur une refactorisation complexe que vous avez évitée. Demandez-lui de renommer une méthode d'API clé, et elle change non seulement la définition de la fonction, mais elle : - Met à jour chaque site d'appel dans plusieurs packages - Corrige les imports cassés et les fichiers barrel - Régénère ou corrige les tests unitaires et d'intégration associés

Imaginez maintenant une demande à enjeux plus élevés : « Changez ce composant bouton de Material-UI à Tailwind CSS dans tout le projet. » Raptor mini, avec sa fenêtre de contexte de 264 000 tokens, peut charger simultanément votre système de design, vos composants partagés et vos fichiers de mise en page, puis réécrire le JSX, retirer `<Button>` de `@mui/material` et le remplacer par des éléments `<button>` sémantiques connectés aux classes utilitaires de Tailwind.

Au lieu de créer un grand diff, le mode agent peut fonctionner de manière itérative. Il peut commencer par créer un nouvel wrapper `Button` qui associe vos props existantes aux classes Tailwind, migrer toutes les utilisations vers ce wrapper, supprimer les imports directs de Material-UI, puis nettoyer les fournisseurs de thèmes et les styles restants. Vous supervisez au niveau de la demande de tirage, et non à chaque fichier individuel.

C'est un type de gains de productivité différent de l'achèvement en ligne plus rapide. L'autocomplétion fait gagner des secondes en tapant ; les refactorisations à l'échelle de l'espace de travail éliminent des catégories entières de tâches pénibles. Lorsqu'un système d'IA peut exécuter de manière fiable des changements transversaux—remplacements de cadres, migrations de systèmes de design, mises à jour de versions d'API—vous cessez de les considérer comme des tâches « à faire un jour » et commencez à les planifier comme un travail régulier.

La vitesse du Raptor mini amplifie cet effet. Une refonte qui pourrait prendre à un humain une journée de recherche minutieuse et de tests devient une boucle de 5 à 10 minutes de « décrire le changement → examiner le plan → inspecter la différence ». Ce passage, de la chirurgie manuelle à l'automatisation supervisée, est là où l'IA commence à ressembler à un véritable coéquipier, et pas seulement à une barre d'autocomplétion plus intelligente.

Le lancement discret du Raptor mini signale un changement dans les outils de codage IA, en s'éloignant de l'idée d'un "modèle unique pour les dominer tous" vers des assistants spécialisés et à portée limitée. Au lieu d'un seul chatbot gigantesque essayant de tout faire, GitHub parie sur un modèle rapide, axé sur le codage, qui réside dans votre éditeur, connaît votre espace de travail et agit en votre nom.

Les développeurs n'ont pas seulement besoin de réponses ; ils ont besoin d'éditions, de refactorisations et de migrations effectuées sur des centaines de fichiers. Une fenêtre de contexte de 264 000 jetons transforme Raptor mini en un agent natif de l'espace de travail capable d'ingérer une fraction importante d'un monorepo, d'y raisonner, puis d'appliquer des modifications précises sur plusieurs fichiers sans s'effondrer sous le poids des invites.

Les grands modèles de langage traditionnels rencontrent des difficultés lorsque vous leur soumettez l'ensemble d'une codebase d'entreprise. Ils atteignent des limites de contexte, hallucinent des API et perdent de vue les conventions spécifiques au projet. Des modèles d'action plus petits et spécialisés résolvent ce problème en restreignant la tâche : codage, refactorisation, génération de tests et navigation consciente des dépôts, le tout directement intégré dans des outils comme Visual Studio Code et GitHub.

Au lieu d'un modèle général imposant, l'avenir ressemble davantage à une équipe de spécialistes en IA. Vous pourriez avoir : - Un modèle de complétion rapide pour les modifications quotidiennes - Un agent de refactoring à l'échelle d'un dépôt - Un relecteur axé sur les tests et l'intégration continue - Un scanner de sécurité ajusté pour les fuites de dépendances et de secrets

Des cadres agents tels que LangGraph et CrewAI considèrent déjà les modèles comme des travailleurs composables avec des rôles, des outils et de la mémoire. Les mini slots Raptor s’intègrent parfaitement dans cette vision : un agent de codage capable d’appeler des API, de lire des arbres de projet et de coordonner avec d’autres agents qui s'occupent de la planification, de la documentation ou de l'infrastructure.

Les développeurs orchestreront de plus en plus ces équipes d'IA au lieu de micromanager un seul fil de discussion. Un agent planifie une migration, un autre utilise Raptor mini pour effectuer des modifications de code, un troisième met à jour la documentation, et un quatrième exécute des contrôles en intégration continue. Le développeur humain devient le leader technique, établissant des contraintes, examinant les différences et décidant quand déployer.

La propre documentation de GitHub fait allusion à cette approche écosystémique, en répertoriant différentes capacités et compromis entre les modèles sur sa page Modèles AI pris en charge dans GitHub Copilot. Raptor mini ressemble moins à une expérience et plus à la première pièce visible de cette pile spécialisée, axée sur les agents.

Les utilisateurs de GitHub Copilot n'ont pas besoin d'URL secrète ni de clé bêta pour essayer Raptor mini. Ouvrez VS Code, assurez-vous que l'extension GitHub Copilot est installée et que vous êtes connecté avec un compte GitHub éligible pour GitHub Copilot (Free, Pro ou Pro+). Mettez à jour vers la dernière version de VS Code et de l'extension afin que le menu déroulant des modèles affiche réellement les nouveaux modèles en avant-première.

Ouvrez le panneau de chat GitHub Copilot (Ctrl+Shift+I sur Windows/Linux, Cmd+Shift+I sur macOS, ou via l'icône GitHub Copilot dans la barre d'activité). Dans l'en-tête d'entrée du chat, trouvez le menu déroulant sélecteur de modèle ; il est généralement défini par défaut sur « Auto » ou un modèle général basé sur GPT-5. Cliquez dessus et sélectionnez « Raptor mini (aperçu public) » dans la liste ; si vous ne le voyez pas, il est probable que votre compte n'ait pas encore reçu le déploiement.

Une fois activé, commencez par de petites commandes ciblées qui exploitent sa rapidité. Essayez des choses comme : - "Refactorisez cette fonction pour qu'elle soit plus efficace et expliquez les changements." - "Expliquez cette méthode de 200 lignes en termes simples et signalez les bogues potentiels." - "Générez des tests unitaires pour ce fichier en utilisant Jest, en vous concentrant sur les cas limites." - "Documentez ce composant React avec JSDoc et ajoutez des vérifications de type de props."

Pour ressentir la fenêtre de contexte de 264 000 jetons, effectuez un refactoring sécurisé et à faible risque à travers plusieurs fichiers. Par exemple : - “Mettez à jour cette fonction utilitaire et appliquez la nouvelle signature partout dans src/, y compris les imports et les tests.” - “Renommez ce hook React et mettez à jour toutes ses utilisations dans le projet.” - “Extrayez cette logique dupliquée dans un helper partagé et connectez-le à travers ces trois fichiers.”

Poussez son édition multi-fichiers de style agent sur une branche jetable, puis inspectez chaque différence avant de valider. Lorsque vous trouvez des succès—ou des échecs—partagez-les dans les Discussions de GitHub Copilot afin que l'équipe puisse ajuster Raptor mini plus rapidement. Utilisez-le, cassez-le et dites à GitHub exactement comment ce modèle "mini" transforme votre flux de travail quotidien.

Qu'est-ce que le Raptor Mini de GitHub Copilot ?

Raptor Mini est un nouveau modèle d'IA expérimental dans GitHub Copilot, basé sur un GPT-5 mini affiné. Il est optimisé pour des complétions de code rapides, des explications et des tâches basées sur des agents directement dans VS Code.

En quoi le Raptor Mini est-il différent des autres modèles de Copilot ?

Raptor Mini privilégie la rapidité et l'efficacité pour les tâches de codage quotidiennes telles que le refactoring et les modifications sur plusieurs fichiers. Alors que les modèles plus grands excellent dans la génération complexe et de zéro, Raptor Mini est conçu pour s'intégrer rapidement dans votre flux de travail.

Comment puis-je activer et utiliser Raptor Mini ?

Vous pouvez activer Raptor Mini dans VS Code en ouvrant la vue de discussion Copilot, en cliquant sur le sélecteur de modèle en haut, puis en choisissant 'Raptor Mini (Aperçu)'. Il est actuellement disponible en aperçu public pour la plupart des utilisateurs de Copilot.

Raptor Mini est-il gratuit à utiliser ?

Pendant sa période de prévisualisation publique, Raptor Mini est gratuit à utiliser avec des plans Copilot payants (avec un multiplicateur de quota de 1) et est disponible pour les utilisateurs du plan gratuit. Cela pourrait changer après la fin de la prévisualisation.