跳到正文
#GitHub
10月14日周三
  1. GitHub Blog · AI & ML38

    GitHub 如何用 ModernBERT 分类器实现更少噪声的密钥检测

    GitHub 训练了一个基于 ModernBERT 的上下文感知密钥分类器，用于区分真实凭证与形似凭证的字符串，替代此前的 LLM 流水线。该分类器使推送后扫描中位执行时间降低 86%，服务成本降低 98% 以上，用户对告警的接受度提升 11.5%。流水线采用两阶段设计：正则表达式高召回生成候选，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密钥。

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

    GitHub 推出基于 ModernBERT 的通用密钥检测模型

    GitHub 发布与 Microsoft Applied Sciences 联合微调的 ModernBERT 分类器，用代码上下文识别无固定格式的密钥，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升一倍以上。

    推荐理由：原文给出九季度泄露数据与推送前拦截的延迟、成本约束，可据此判断密钥防护为何要交给平台而非开发者。

10月5日周一
  1. GitHub Blog · AI & ML60

    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分口径，读者可据此理解离线评测如何对应线上实验。

10月2日周五
  1. GitHub Blog · AI & ML22

    AI 正在改变开发者工作，GitHub 给出三项需要强化的技能

    GitHub 提出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。

9月26日周六
9月25日周五
  2. GitHub Blog · AI & ML66

    GitHub Security Lab 发布 Fuzzing Taskflow 智能体，自动为 C/C++ 项目生成模糊测试

    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、改进 harness、对崩溃去重并生成漏洞报告。

    推荐理由：原文完整披露了自主模糊测试流水线的分层架构与覆盖反馈循环，可据此评估把重复安全测试交给 LLM 智能体的边界。