Runway 开源机器人模型 Praxis-1,权重与代码采用 Apache 2.0 许可
Runway 以开放权重和源码形式发布机器人控制模型 Praxis-1,采用 Apache 2.0 许可,允许商用,可从 Hugging Face 下载、代码在 GitHub。
Runway 以开放权重和源码形式发布机器人控制模型 Praxis-1,采用 Apache 2.0 许可,允许商用,可从 Hugging Face 下载、代码在 GitHub。
GitHub 发布 Agent 技能实践指南,说明技能是以 SKILL.md 为核心的版本化目录,用于记录可重复任务的执行方式,并可跨智能体共享。文中以 Proof Agent 和 Data Forge 为例,展示多个技能如何通过 manifest 共享项目上下文、统一数据平台访问路径,并在七个阶段各设人工检查点。
Apiiro 的 AI 安全研究人员发现,Claude Code 的设置文件在公开 GitHub 仓库中泄露了数千条敏感信息,包括数据库密码、API token 和 root 登录凭据。
Simon Willison 提出用 HTML 的 details/summary 标签把 Claude Code 或 Codex 生成的冗长 PR 描述折叠起来,只保留一段人工把关的高层说明。
GitHub 发布开发者指南,提出智能体工程需覆盖 Plan、Build、Verify、Observe 四个阶段。GitHub 单周提交量已超 12 亿次,同比增长逾 400%;Faros AI 研究显示团队 AI 采用率从低升到高后,PR 评审耗时增加 441%。
研究团队提出 Weight-Space Programming,让 GPT-6 Astra 直接读取和生成神经网络的原始权重,无需逐步数学优化训练。Astra 仅凭权重就能识别网络学会的四款游戏和训练语言,并为三款简单游戏从零写出权重,其中 Breakout 平均得分 517 分,对比标准训练基线的 25 分。
Y Combinator CEO Garry Tan 在播客 The Builders 中透露,他每年在 token 上花费约 10 万至 20 万美元,用于大量工作项目与编码任务。
GitHub 在 Universe 大会上公布 Octoverse 2026 报告,2026 年合并 pull request 在不到一年内增至每月 2.2 亿次,提交数增至每月 73.8 亿次,其中大部分增长出现在今年下半年。
对 Jeff Lindsay 的 webframe 评测显示,这个基于 Go 和 glaze 库的轻量浏览器 JavaScript 运行器抓取性能与 shot-scraper 相当,但存在 CSP 失败、0×0 视口、加载挂起、缺少 HTTP 元数据和浏览器控制有限等问题。
三位拥有十余年 Java 经验的 Java Champion 分享了在生产与开源项目中使用 GitHub Copilot 的实践。Vlad Mihalcea 借助 Copilot 将原本需数周的功能开发缩短至两天,并用 65 篇文章训练自定义技能让生成文本贴合个人风格。
GitHub Copilot 应用中的会话可直接在 VS Code 中打开,保留任务、计划和对话上下文,以及会话对应的 worktree 和代码 diff。用户可在 VS Code 中逐行审查改动、手动编辑、用集成终端运行测试,并继续向 Copilot 提问。完成后可将改动提交并推送到该会话关联的 pull request。
GitHub 公布其密钥检测新方案:用两阶段流水线替代此前基于 LLM 的流程,先由正则表达式生成候选,再由微调后的 ModernBERT 结合文件路径、变量名和上下文判断是否为真实凭证。相比旧 LLM 流水线,用户接受率提升 11.5%,推送后扫描中位执行时间降低 86%,服务成本节省超 98%,并使通用密钥检测得以扩展到推送保护环节。
Python 3.15.0 已被加入 actions/python-versions,现在可以在 GitHub Actions 测试矩阵中填入 "3.15",针对这一新版本运行测试。作者此前甚至让 ChatGPT 每小时检查一次该仓库,等待稳定版 3.15 落地。
Anthropic 推出 Cyber Mission 长期计划,并配套一个免费的 OSS AI 扫描器,定期检查开源项目、自动标记并解释漏洞、给出补丁建议。
GitHub 发布与 Microsoft Applied Sciences 联合微调的 ModernBERT 分类器,用代码上下文识别数据库 URL、Kubernetes Secret manifest、Dockerfile 中的非结构化密钥,可在 2 毫秒内评估一批候选密钥,据称能把可拦截的密钥数量提高一倍以上。
OpenAI 发布内部前沿模型在数学开放问题上取得的新结果,并公开了 Lean 证明形式化及相关研究细节。相关材料已发布在 GitHub 上。
GitHub 发布 ReviewBench,一个面向 AI 代码审查智能体的开放离线基准,基于 1.039 亿个 GitHub pull request 的分布构建,包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
NASA 与 IBM Research 联合多家学术机构发布 NASA-IBM Lunar Foundation Model,称其为最早的开源月球科学基础模型之一。
GitHub 提出 AI 时代开发者应强化的三项技能:学会指挥 AI 智能体而非仅使用它,不轻信 AI 的首次答案,以及用 AI 节省的时间去解决更大的问题。文中以 GitHub Copilot 内置的 Rubber Duck agent 为例,说明它用第二个模型对计划、代码和测试进行批判性审查,从而发现首个模型遗漏的问题。
安全初创公司 Glow Security 发现,AI 智能体将 343 家机构的 13000 多张内部软件项目截图上传到公开 GitHub 仓库,涉及财富 500 强公司、金融机构和 AI 实验室。
GitHub Copilot 应用中的 canvas(画布扩展)是一种可自定义的双向界面,用户只需在 agent 会话中输入 /create-canvas 并用自然语言描述工作流,即可生成看板、发布清单或仪表盘等界面,无需编写代码。canvas 会保存为扩展,可随项目共享或作为个人扩展复用,社区也已通过 Awesome Copilot 分享现成模板。
GitHub Copilot 应用引入 canvas——一种运行在应用内、无浏览器外壳的全栈小应用,可与 Copilot 智能体双向通信,也能调用第三方 API 或在本地执行代码。
GitHub Security Lab 发布 Fuzzing Taskflow,一个面向 C/C++ 项目的自主模糊测试流水线,只需指向一个 GitHub 仓库,它就能识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness,最后对每个崩溃做分类并生成漏洞报告。
GitHub Copilot 应用重建了 pull request 视图,以应对超大 diff 与评论带来的渲染压力,实测对象是一个包含 2,200 个文件、超 100 万行改动和 400 多条行内评论的开源 pull request。其做法是把文档高度拆成确定性的代码几何与动态块几何两个独立域,代码行高提前精确计算,评论等动态块则采用有界高度、延迟测量,并把修正锚定在用户当前浏览位置。
GitHub 用 GitHub Copilot app 和 Copilot CLI 把 Copilot agent runtime 从 TypeScript 完全重写为超过 80 万行生产级 Rust,AI 智能体写了大部分代码,跨 128 个 PR 增量落地,性能提升数个数量级。
GitHub 日本和韩国营销负责人用 GitHub Copilot 把活动运营做成自动化流水线:以 GitHub Issue 为工作单元,Issue forms 收集结构化字段,label 触发 GitHub Actions 工作流,自动生成 UTM 链接、落地页、邀请邮件和报名者名单清洗。
GitHub Copilot 应用内置 diff、终端和浏览器三个面板,让用户无需切换编辑器、终端和浏览器即可完成审查、运行和预览 AI 生成代码的完整闭环。diff 面板以绿色和红色高亮显示新增与删除行,支持接受更改、留言或让 Copilot 继续修改;终端面板可直接运行项目命令并支持多窗口切换;浏览器面板提供 Pick & Polish 工具,可选中页面元素并让智能体调整。
GitHub 发布研究预览 Project HydraFusion,通过运行时多模型编排为 Copilot 提供前沿级编码能力,用户可在 GitHub Copilot CLI 中通过 /experimental 启用,费用按各模型实际消耗的 token 标准价计。
GitHub Copilot app 支持同时运行多个智能体会话,每个会话运行在独立的 Git worktree 上,互不干扰且各自保留上下文。用户可在 sessions view 中查看各会话标题与任务进度,随时切换并从中断处继续,无需重新说明任务。文中以 tailspin-toys 仓库为例,演示同时进行 funded sort 功能开发、无障碍审查和测试三项任务。
Google Research 发布 TimesFM-3,这是其首个原生预训练支持多变量预测的时间序列基础模型,参数量 3.3 亿,预训练语料超过 1 万亿个时间点。
Google Research 发布 TabFM,一个面向表格数据分类与回归的零样本基础模型,将表格预测重构为上下文学习问题,无需手动训练、超参数调优和特征工程即可在单次前向传播中完成预测。