跳到正文
#GitHub
今天10月14日周三1 条
  1. GitHub Blog · AI & ML36

    GitHub 如何用 ModernBERT 分类器把密钥扫描误报降下来

    GitHub 用微调后的 ModernBERT 分类器替换原 LLM 流水线做密钥检测，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%。该方案采用两阶段流水线：先用正则高召回生成候选，再由分类器结合文件路径、变量名和上下文判断是否为真实凭证，从而把占位符、测试样例和校验和等误报过滤掉。

10月13日周二
10月8日周四
  1. GitHub Blog · AI & ML62

    GitHub 推出基于 ModernBERT 的密钥检测模型，将 push protection 扩展到非结构化密钥

    GitHub 发布与 Microsoft Applied Sciences 合作微调的 ModernBERT 分类器，用代码上下文识别数据库密码、Kubernetes Secret、Dockerfile 中的非结构化密钥，可在 2 毫秒内评估一批候选密钥，有望让可拦截的密钥数量翻倍以上。

    推荐理由：GitHub 用九个季度数据说明密钥泄露的规模压力，并给出把检测前移到 push 环节的模型方案。

10月5日周一
  1. GitHub Blog · AI & ML62

    GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准

    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。

    推荐理由：GitHub 公开了代码审查基准的构建方法与评测口径，可据此理解离线指标与线上实验的对应关系。

10月2日周五
  1. GitHub Blog · AI & ML22

    AI 正在改变开发者工作方式，GitHub 给出三项需要强化的技能

    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、不要轻信 AI 的首次答案、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。

9月26日周六
9月25日周五
  1. GitHub Blog · AI & ML46

    GitHub Copilot 的 canvas：当聊天不再是正确的 AI 交互界面

    GitHub Copilot 应用推出 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。官方认为聊天只是通用兜底方案，用户明确任务时更该让智能体生成可复用工具，而非把智能体本身当工具、白白消耗 token。文中示例包括 Connect 4 游戏、Winget 包管理界面和 SQLite 数据库操作界面。

  2. GitHub Blog · AI & ML60

    GitHub Security Lab 发布 Fuzzing Taskflow 智能体，自动完成 C/C++ 模糊测试

    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，它就会识别入口点、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诊并生成漏洞报告。

    推荐理由：GitHub Security Lab 把模糊测试的 harness 编写、覆盖率追踪与崩溃分诊交给 LLM 智能体，并公开了可复用的 taskflow 与 MCP 工具设计。