GitHub 用模型做密钥检测:更少误报中找出更多密钥
GitHub 为密钥扫描训练了一个上下文感知的密钥分类器,采用正则召回候选、ModernBERT 细调模型判别真伪的两阶段流水线,取代此前的 LLM 方案。官方称用户对告警的接受度提升 11.5%,推送后扫描执行中位时间缩短 86%,服务成本较远程 LLM 调用降低逾 98%,并因此将通用密钥检测扩展到推送保护阶段。
GitHub 为密钥扫描训练了一个上下文感知的密钥分类器,采用正则召回候选、ModernBERT 细调模型判别真伪的两阶段流水线,取代此前的 LLM 方案。官方称用户对告警的接受度提升 11.5%,推送后扫描执行中位时间缩短 86%,服务成本较远程 LLM 调用降低逾 98%,并因此将通用密钥检测扩展到推送保护阶段。
GitHub Copilot 可通过四种方式定制对项目的理解:.github/copilot-instructions.md 定义仓库级约定,.github/instructions 支持按 applyTo 字段的路径级指令。
Anthropic 启动长期计划 Cyber Mission,其中面向开源项目的免费 AI 扫描器会定期检查代码、自动标注并解释漏洞、给出补丁建议,基础设施或用户安全相关项目的维护者可通过 GitHub 申请加入。
微软面向开发者的高端 AI 迷你主机 Surface RTX Spark Dev Box 开启预售,售价约 6000 美元,将于 11 月发货。该机采用 Nvidia Arm 架构 RTX Spark 平台与 128GB 统一内存,官方称可运行参数超过 120B 的模型,用于测试 AI 模型、原型化 AI 智能体和在本机运行 AI 编码工具。
OpenAI 发布内部前沿模型在数学开放问题上的新结果,并在 GitHub 上公开 Lean 证明形式化与研究细节。材料仅提供摘要,未给出具体问题、模型名称或结果数据。
在纽约 LDX3 工程领导力大会的主题演讲中,演讲者基于走访 OpenAI、Anthropic 及 GitHub、Factory AI、Linear 等团队获得的数据,梳理了 2026 年科技行业的趋势。核心变化包括:几乎无人再手写代码,同时运行 5-10 个智能体已成常态,IDE 正在边缘化;代码评审流于形式,质量与可靠性下降。接下来云编码智能体与新型 AI 基础设施将加速落地。
微软发布开源离线基准 ReviewBench,用于评估 AI 代码审查智能体的表现,基于 GitHub 上 103.9M 个真实 pull request 的分布构建。
上海人工智能公司 StartLux(原点星辉)推出开源决策模型 StartLux-Decision,一次性发布 0.8B、2B、4B、9B、27B 五档版本,并称用 Auto Research 方法在 3 天内完成研发与验证。
GitHub 提出 AI 时代开发者应强化三项技能:学会指挥 AI 智能体而非只使用 AI、不要轻信 AI 的第一次答案、用 AI 节省的时间去解决更大的问题。GitHub Copilot 内置的 Rubber Duck agent 会用第二个模型对计划、代码和测试进行批判性审查。开发者仍需负责最终结果,包括定义问题、评审 AI 生成的代码并决定哪些可以发布。
安全公司 Glow Security 发现 AI 智能体把超过 13000 张内部软件项目截图上传到公开 GitHub 仓库,涉及 343 家组织,包括财富 500 强公司、金融机构和 AI 实验室。
GitHub Copilot app 的 canvas(画布)是一种可自定义界面,用户和智能体共享同一状态,可用看板、清单或仪表盘等形式承载工作流。在 agent 会话中输入 /create-canvas 技能并用自然语言描述工作流、用户可执行的操作和智能体可执行的操作,无需写代码或做设计,界面会在右侧面板生成。
在 GitHub Copilot 应用中,canvas 是运行于应用内的全栈小程序,可与 Copilot agent 双向通信,也能调用第三方 API 并在本地执行代码,例如用 Winget 界面管理本地包或直接操作 SQLite 数据库,无需每次都消耗 token 让 agent 代劳。基于 canvas 可以把研究、原型、实现等开发流程自动化,让自己按需退出循环,而不是被聊天输入框限制。
GitHub Copilot 应用重建了 pull request 视图,用一个含 2,200 个文件、超 100 万行改动、400 多条行内评审评论的开源 PR 验证其性能。代码行沿用"绘制前高度已知"的确定性虚拟化几何,评论等动态块则改为可预估、惰性测量并以文件与行号锚定的独立几何,避免滚动跳变。
GitHub Next 的 staff research engineer Maggie Appleton 在 Pragmatic Engineer 播客中分享了设计工程师如何与 AI 协作。
GitHub 用 Copilot 智能体把 Copilot agent runtime 从 TypeScript 完全重写为超过 80 万行 Rust,AI 智能体编写了大部分代码,跨 128 个 pull request 增量合入 main。
推荐理由:一位工程师复盘用 AI 智能体把 43 万行 TypeScript 运行时迁到 Rust 的全过程,含编排、缓存与评审经验。
GitHub 日韩营销团队用 GitHub Issue 表单、Labels 和 Actions 把活动运营流水线化:Issue 表单收集活动字段,标签触发工作流,活动从单个 Issue 自动搭建、每天筛选报名者并在结束后自动收尾。
Hugging Face 将 huggingface_hub 的发布流程从每 4 到 6 周一次改为每周一次,全部由一个 GitHub Actions workflow 驱动。
Hugging Face 发布指南,介绍如何通过 huggingface/jobs-actions 把 GitHub Actions 的 CI 任务迁移到 HF Jobs 上运行。该方案将 GitHub Actions 任务转为 HF Jobs 内的临时自托管 runner,Trackio 借此让 CPU 任务 CI 时间缩短约 30%,并新增了在 GPU 机器上运行的测试套件。
Hugging Face 发布 kernel-builder 使用指南,演示如何从零编写一个 CUDA kernel(以 RGB 转灰度为例),将其注册为原生 PyTorch 算子并发布到 Hugging Face Hub。
Gradio 团队公布由 Trail of Bits 对 Gradio 5 所做的独立安全审计,相关漏洞均在 Gradio 5.0 发布前修复并通过验证。
推荐理由:Gradio 5 与 Trail of Bits 的安全审计公开了四类场景下的漏洞清单与修复方式,可供自建 ML 应用时对照排查。
Hugging Face 将 AAAl21 最佳论文提出的 Informer 模型集成进 🤗 Transformers,用于多变量概率时间序列预测,即预测未来时间序列目标值向量的分布。
Hugging Face 发布教程,讲解如何在 NVIDIA GPU 上用 Megatron-LM 训练 GPT2 语言模型,并转换到 Transformers 使用。Megatron-LM 的优势在于高效 DataLoader 与 Fused CUDA Kernels,还采用了 Apex 的 Fused AdamW,比 PyTorch 实现更快。教程涵盖环境配置、数据预处理、训练和模型转换四步。
Hugging Face Hub 上线 Pull Requests 与 Discussions,所有模型、数据集和 Spaces 仓库即日起可在 Community 标签页使用,任何社区成员都能创建和参与。